一、NWP在颠簸预报中的应用（论文文献综述）
方璘王昊[1]（2021）在《基于飞机探测数据的高原飞机颠簸特征及其成因研究》文中指出我国是全球拥有最多高高原机场的国家,飞机颠簸是威胁执飞高原地区航班飞行安全和效率的重要因素。揭示该地区飞机颠簸的时空分布特征及颠簸源头,对高高原航线飞机颠簸研究及预报有重要的指导意义。本文基于飞机机载探测数据,使用垂直过载增量法定量识别了不同强度飞机颠簸。综合使用飞机颠簸数据、地形数据、再分析数据和闪电数据将拉萨航线、九寨航线、稻城航线和林芝航线的飞机颠簸客观分型为对流诱发型、对流层顶/急流型和山地波型三类。统计分析了不同类型颠簸时空特征,对典型对流诱发型和山地波型颠簸发生的环境场特征进行细致分析。结果表明:我国高原航线受飞机颠簸影响较为严重,其中拉萨航线受颠簸影响最为严重,发生颠簸频率高达78%。对流诱发颠簸主要发生在夏季,其中稻城航线受对流诱发颠簸影响最严重,发生频率为30.60%;对流层顶/急流诱导和山地波诱导颠簸主要发生在春冬两季,其中拉萨航线受对流层顶/急流诱发颠簸影响最严重,发生频率为42.82%,而山地波诱导型晴空颠簸均严重影响四条航线飞行安全。飞机颠簸进离场阶段比巡航阶段发生频率更高,平均每条航线高出86.93%。巡航阶段有多个区域全年受多种类型颠簸的影响,其中拉萨机场东侧区域受三种颠簸影响最为严重;四条航线发生颠簸的巡航高度集中分布在10100米以下的高度层。拉萨和稻城航线对流诱发颠簸主要发生于雷雨云的偏北侧方向,九寨航线为偏南侧至东侧方向,多为发展中的对流云所引起,闪电活动对对流诱发型飞机颠簸有较好的指示作用;山地波诱导型晴空颠簸的分析表明,与无颠簸发生时比较,发生颠簸时高层稳定度更高和风速更大,而低层稳定度相近。对一次山地波诱导型晴空颠簸过程的分析表明,颠簸发生于在高空风速最大值处,并且scorer参数表明该高度层存在山地波。此外,对流诱发颠簸和山地波诱导型晴空颠簸的三维风速度和温度的功率密度谱在10-4～10-3m-1的波数范围均符合湍流k-5/3理论。
周康辉[2]（2021）在《基于深度卷积神经网络的强对流天气预报方法研究》文中认为强对流天气,包括冰雹、雷暴大风、短时强降水、龙卷等,常常伴有闪电,由于其时空尺度小,其精准预报具有极大难度。目前,强对流预报主要依靠基于观测数据的外推方法、基于数值模式的“配料法”等方法,预报效果有待进一步提升。近年来,随着中小尺度观测网络和高分辨率数值天气预报（High-resolution numerical weather prediction,HNWP）模式的不断发展,强对流天气监测和预报能力有了相应地提升。然而,高时空分辨率的观测数据和数值天气预报数据,完全由预报员进行主观分析具有较大难度,亟需发展能够将上述数据有效综合应用的客观预报方法。本文立足于强对流天气预报业务应用的实际需求,基于深度学习方法,开发了涵盖临近、短时、短期等不同预报时效的强对流天气预报方法。基于多源观测数据,实现了临近时段的闪电预报;基于多源观测数据和HNWP数据,实现了短时时段内的闪电预报;基于全球数值模式,实现了短期时段内的分类强对流天气预报。于此同时,本文还对以上针对强对流天气特征构建的深度学习模型,进行了可视化,尝试对深度学习的特征提取、预测过程进行解释。据我们所知,本文实现了深度学习在强对流预报领域的多个创新性尝试。如利用深度学习融合多源观测数据,进行闪电临近预报;利用深度学习融合多源观测和HNWP数据,进行闪电的短时预报;利用深度学习对数值模式进行后释用,实现分类强对流天气短期预报。临近时段（0～2 h）,基于静止气象卫星、多普勒天气雷达、云-地闪电（简称“闪电”）定位等多源观测数据,利用深度卷积神经网络,构建了图像语义分割模型（Lightning Net）,有效实现了闪电临近概率预报。经过训练的Lightning Net模型,能够提取时间和空间上的闪电发生发展特征,具备了较好的预报能力。2018年8月的预报检验表明,0～1 h闪电预报检验TS（Threat Score）评分达到0.453,命中率为0.633,虚警率为0.386;闪电预报结果为概率预报产品,预报概率值越大的区域往往对应闪电活动更为活跃的地区,也具备较好的指示性意义。由于卫星具有一定的初生对流观测能力,因此本方法具备较好的对流初生预报能力,能够在对流生成之前,对其进行有效预报。该方法利用深度学习算法有效地实现了卫星、雷达、闪电观测数据的融合应用,其预报性能显着优于仅仅基于单一数据源的预报性能。短时时段（2～6 h）,基于多源观测数据和HNWP数据的特性,构建了双输入单输出的深度学习语义分割模型（Lightning Net-NWP）。预报因子包括闪电密度、雷达反射率、卫星的6个红外通道云图,以及GRAPES3km输出的雷达组合反射率预报变量等共9个预报因子。深度学习模型使用了编码—解码的经典全卷卷积结构,并且参照了经典的池化索引共享的方式,尽可能保留不同空间尺度特征图上的细节特征信息。利用三维卷积层以提取多源观测数据时间和空间上的变化特征。结果表明,深度学习能够有效实现多源观测数据和HNWP数据的融合,Lightning Net-NWP能够较好地实现0～6 h的闪电预报,具备比单纯使用多源观测数据、HNWP数据更好的预报性能,且预报时效越长,融合的优势体现的越明显,为强对流短时预报提出了新的方法和思路。短期时段（6～72 h）,利用深度卷积神经网络,构建了雷暴和分类强对流天气（短时强降水、冰雹、雷暴大风）的概率预报模型。利用强对流天气历史观测数据标记全球数值模式的再分析数据,创建了大样本强对流天气分类样本集。样本特征包括温、压、湿、风等基本气象要素,同时也包含了反映水汽、动力、能量等强对流天气发生发展所需条件的常用强对流参数。基于强对流天气的这些样本特征,构建了6层的深度卷积神经网络预报模型。将经过训练的深度学习模型,应用于数值模式的预报数据,实现了分类强对流天气的概率预报。2015—2017年4—9月的预报检验表明,深度学习算法的预报表现,相对于预报员主观预报具有明显的提高,雷暴、短时强降水、冰雹和雷暴大风的TS评分分别提高了16.1%、33.2%、178%和55.7%。针对上述深度学习模型,本文使用决策树预报因子重要性排序、预报因子变换重要性以及深度学习模型卷积输出结果可视化等方法,对各种深度学习方法和模型进行了初步的解释。基于决策树预报因子重要性排序结果表明,对于分类强对流天气的预报因子,机器学习方法排列的预报因子重要性程度,很大程度上与预报员的主观认识是一致的,同时也能得到一些有益的启发。通过变换重要性方法（Permutation importance）对Lightning Net-NWP模型的各个预报因子的重要性进行了分析。结果表明,随着预报时效的延长,NWP预报因子起到的作用越来越大,而观测数据预报因子的重要性逐渐下降。利用卷积层输出可视化的方法,对Lightning Net预报过程进行了可视化,分析了其卷积核特征提取过程。
张启凡[3]（2021）在《冷锋锋区飞机颠簸高发区特征研究》文中研究说明本文首先介绍了AMDAR资料的使用方法,颠簸数据和气象资料的获取方法以及使用MATLAB工具软件对ECMWF筛选下载得到的Netcdf文件进行读取、处理,可视化的具体操作方法,介绍了冷锋锋区附近颠簸点数据的提取方法,对冷锋所致的颠簸案例进行采集,再对采集好的颠簸案例进行筛选使其更好的反映出锋区中颠簸区的特征,最后对颠簸案例数据集进行同化处理使其能与格点数据进行良好的对应。同时,对澳洲的空域结构及其分类并对航路航线的概念作以简介,对澳洲主要航路航线进行了汇总与整理。本文对澳洲冷锋锋区颠簸的时空特征进行了分析,依据近10年的澳洲冬季的位温参数对冬季澳洲发生冷锋的位置进行确定,其次对其时间空间特性进行分析,得到其时空分布特征。通过对15次强冷锋事件进行分析,利用水平位温梯度确定锋区的位置,并绘制锋区空间结构图。分析冷锋移动的时空特征以及颠簸点的位置变化特征,发现颠簸点跟随冷锋锋区移动,移动过程中冷锋垂直位温梯度区仍是重度颠簸的密集区,通过计算15次典型冷锋事件颠簸等级值DEVG与垂直位温梯度的皮尔森相关系数得到其相关关系也即是颠簸区移动与锋区移动的相关关系,发现两者呈较强的相关性。最后,对颠簸区与主要航路的关系进行探究,发现产生颠簸的空间位置确实与机场、航线航路等空间位置分布存在正相关的关系,主要航路航线、航路航线集结点、大型机场附近均存在较为密集的颠簸情况,说明锋区在移动的过程中在锋区移动范围的空间内航路航线上均易产生颠簸。对重度颠簸高发区的成因进行分析。澳洲东南部地区形成一种没有干季的特殊类型的温带季风气候。当极地冷气团与澳大利亚南部的暖湿气团相遇时易形成冷锋天气系统。对澳洲东南部地区航空业发展状况进行分析,该地区航空业较为为发达,机场分布众多,航线网络密集,在遇到恶劣天气时易较其他地区产生更多危害运行的情况发生,当然飞机颠簸事件亦如此。接着,对颠簸高发区的物理成因进行分析,为研究冷锋锋区颠簸的特征现象,首先对锋区飞机颠簸个例的温度场、流场进行了分析,再利用15次冷锋案例数据对重度颠簸高发区物理场进行分析。最后,通过外部成因和物理成因两方面分析对重度颠簸高发区成因进行研究。经研究发现,重度颠簸高发区处于垂直位温梯度大值区域内,此区域内亦是空气密度梯度的大值区,温度的变化引起空气密度变化产生浮力频率从而形成重力波,区域附近存在水平气旋性切变气流和由于锋区附近次级环流引起的垂直切变气流也利于重力波的形成,随切变速度增加则里查逊数减少,Reynolds增加,持续的扰动导致该区域内较强的重力波不稳定碎变,失去稳定性的重力波从而转化为能量较高的湍流导致飞机产生严重颠簸。最后,为探寻锋区颠簸的预报方法,利用5种经典的颠簸指数对颠簸区进行预报,发现仅有Ellrod指数表现出较好的预报效果,结合第六章中对于锋区颠簸高发区特性的分析,将锋生过程中的垂直运动过程加入到Ellord指数中进行修改,提出El*指数,经计算及两种评价方法的对比验证,El*指数的预报效果较Ellord指数更加准确。
周康辉,郑永光,韩雷,董万胜[4]（2021）在《机器学习在强对流监测预报中的应用进展》文中研究表明近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用。各类机器学习算法,包括传统机器学习算法（如随机森林、决策树、支持向量机、神经网络等）和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征,为强对流监测提供更全面、更强大的自动识别和追踪能力;能够有效综合应用多源观测数据、分析数据和数值预报模式数据,为强对流临近预报预警提取更多有效信息;能够有效对数值模式预报进行释用和后处理,提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后,给出了目前机器学习方法应用中存在的问题和未来工作展望。
吕文忠,蔡秀华,孙京利[5]（2020）在《AMDAR数据在数值天气预报中的影响评估》文中进行了进一步梳理简要回顾了飞机自动化气象观测发展的历程,讨论了飞机观测数据的质量和偏差校正方法,评估了飞机观测数据对地区和全球数值天气预报的积极作用,特别是在急流附近的高动能地区的重要性,并介绍了国内航空器气象数据中继（AMDAR）的发展状况。
大卫·舒尔茨,LANCE F.BOSART,BRIAN A.COLLE,HUW C.DAVIES,CHRISTOPHER DEARDEN,DANIEL KEYSER,OLIVIA MARTIUS,PAUL J.ROEBBER,W.JAMES STEENBURGH,HANS VOLKERT,ANDREW C.WINTERS,张萌,贾朋群[6]（2019）在《第16章 温带气旋:气象学100年来的研究核心》文中认为1919年在气象学上是重要的一年,不仅因为美国气象学会成立于这一年,同时还有其他两个原因。其中之一是J.皮叶克尼斯关于温带气旋结构的论文于1919年发表,建立了着名的挪威气旋模型。也是在那一年,一系列会议的举办促进了温带气旋研究所需的国际合作和科学交流组织的形成,这必然包括跨越国界的空间尺度。本章主要描述针对温带气旋的形成、演变和动力过程,它们构成的锋,以及伴随而来的急流和风暴路径进行科学探究的历史。我们将这些现象统称为气象学的核心,因为在此期间,其在促进气象学研究方面发挥着核心作用。这个成果丰硕的世纪使得温带气旋研究成为可能,是因为1)解决不良预报的实际挑战具有巨大的社会经济影响,2)理论、观测和诊断（包括动力模式）的结合提供了改进的物理解释和概念模型,以及3)强有力的国际合作。气旋的概念框架产生于对气旋分类和理解的渴望;它们包括挪威气旋模型和Shapiro-Keyser气旋模型。理解气旋动力学的挑战引申出诸如准地转、斜压不稳定、半地转和锋生等理论框架。预测爆发性温带气旋的挑战尤其带来了新的理论发展,如位势涡度（PV）理论和上游效应。对可预报性的局限性的更深层次的认识源于混沌决定论的演变。最后,观测的洞察力成就了详细的气旋和锋面结构、风暴路径及雨带分类。
林毅杰[7]（2019）在《飞机颠簸的分析与预防》文中指出较强的颠簸会危及飞行安全。根据研究机构公布的数据,每年全球航空业由于湍流（air turbulence）造成的经济损失达到1.5亿美元。颠簸的危害程度可想而知,所以提高对飞机颠簸的监控和预报能力就成为航空气象预报中亟待解决的重要课题。本文从飞机颠簸形成机制及气象条件、颠簸强度的计算、颠簸空间分布、EDR在颠簸监控和预报中的应用进行探讨。飞机颠簸形成机制及气象条件
张誉[8]（2020）在《基于卫星数据的对流层顶颠簸区识别技术研究》文中进行了进一步梳理晴空颠簸一直是民航界研究的热点和难点,特别在巡航阶段,由其不易被观察,给民航带来了较大的损失。本文利用国产风云卫星探测到的大气高层水汽数据来研究对流层顶发生折叠时飞机颠簸区的识别方法。充分利用卫星遥感资料更新速度快（30分钟）、精度高的特点,为国内航班提供更快、更精确的颠簸区预警预报产品。具体研究内容如下:本文首先将我国FY-2F卫星6.7μm通道水汽遥感数据反演为保守性较好的大气比湿。根据对流层顶折叠边界对应于卫星水汽通道数据的大梯度区域的特征,利用立方插值法将数据等经纬度格点化、高斯滤波器对图像平滑、Canny算子提取图像边界等方法,初步得出对流层顶折叠边界。再通过气候对流层顶高度与初步识别得出的对流层顶折叠边界对比,剔除假的边界,实现对流层顶折叠边界的优化。最后利用得到的颠簸区域识别算法分析了某航空公司两次不用季节、时间和位置的颠簸案例过程。结果表明:在对流层顶折叠发生区域存在飞机颠簸区域,且识别的对流层顶折叠边界和飞机位置信息对应较好,识别的算法很好的检测到飞机穿越大气比湿梯度较大的边界,遭遇对流层顶折叠边界伴随的湍流,飞机发生颠簸。从实际案例来看,基于卫星水汽通道数据的颠簸区识别技术,可为我国民航客机提供半小时的飞机预警,且精确度达到0.1°×0.1°,为航空公司运行及飞行人员的辅助决策提供有力支持。
聂若莹[9]（2019）在《基于AMDAR数据的对流云附近颠簸区预测方法研究》文中认为目前国内外针对对流云颠簸的预防措施均为利用雷达监测避开该区域,从而可使大部分的飞机避开对流。但是由于飞机颠簸与气流速度有着强相关性,而上、下拽气流和高雷达反射率所对应的位置一般不同,飞机存在在雷达仪器建议的安全范围中发生强颠簸的情况,故研究一个适用于数据源较少的高层不稳定气流造成的颠簸预测模型极有必要。本文利用机载下传资料（即AMDAR数据）获取颠簸点数据,确定颠簸点坐标,并与该时间段的卫星云图进行比对,得到对流云附近的颠簸点集合。结合NCEP/NCAR再分析资料,绘制相关物理量场图对颠簸个例进行物理特征分析,筛选出对对流云附近颠簸点有重大影响的气象因素,并利用多元线性回归和广义回归神经网络以及概率回归神经网络建立预测模型,并对其进行对比评价。结果表明,广义回归神经网络对于对流云附近的颠簸预测有着较为满意的预测效果。首先介绍了目前国内外的相关研究以及对流云附近的颠簸研究预测模型建立的必要性和数据的获取源及处理工具。然后进行了数据的采集和利用卫星云图筛选出所需的对流云附近的颠簸点,并将其进行了同化处理。本文还绘制了相关物理量场的矢量图,并进行分析总结得出颠簸点总处于升降气流交界处,切变较大或是处于水平温度梯度较大的同时又有强烈的上升或下沉气流。可以看出高空处风向、风速及温度对飞机颠簸有较大影响。利用温度、位势高度、纬向风、经度风、垂直风速作为模型建立的自变量。进而利用多元线性回归法排除了这些自变量与颠簸之间存在明显线性关系这一可能性,同时验证了自变量彼此之间无相关性。验证了常用的BP神经网络和RBF神经网络均不能够很好的处理这种数据分布较为极端（仅存在重度颠簸和无颠簸两种状况）且学习样本较少的情况。最终选取了GRNN和PNN建立预测模型,均有良好的泛化性能,无需进行迭代,计算量小,可以高效且准确的预测是否发生颠簸。尤其是广义回归神经网络,试验中预测时间均在0.11s以下,预测准确率最高可达86.66%,其中,位势高度、垂直风速、纬向风速对颠簸预测的相关性较大,即选取这三者作为自变量时准确率最高。最后给出了预报系统的初步设计思路,为签派和管制人员选取建议绕飞路线提供了辅助参考资料。
徐佳男[10]（2018）在《中国地区飞机颠簸的气候特征及定量诊断》文中认为飞机颠簸是影响飞行安全的重要航空天气现象,是航空气象业务与科学研究的关注重点。本文基于飞机观测资料和ERA-Interim再分析资料,结合多种评估指标对7种颠簸指数在中国地区的诊断效果进行了对比分析。根据指数的对比结果,选取诊断效果较好的3种指数计算了中度及以上（MOG）飞机颠簸的发生频率,并统计了中国地区飞机颠簸的气候特征。最后,从气候平均和个例分析两方面,分析了指数物理量与飞机颠簸的对应关系,探究影响颠簸的因素,得到了如下结论:指数评估指标对不同指数的阈值变化的敏感程度不同,PODY和PODN具有相反的变化趋势且对于指数阈值的变化敏感;TSS和ETS评分的变化趋势一致且都对布朗指数、埃尔罗德指数1和水平温度梯度指数的阈值变化相对敏感。布朗指数是中国地区诊断效果最好的飞机颠簸指数,埃尔罗德指数1和水平温度梯度指数也有较好的诊断表现。中国地区飞机颠簸主要发生在400–200hPa高度上且高发区的高度从夏季到冬季略有下降,这可能与对流层顶随季节的变化有关。中国中东部地区、西藏东部和四川北部是飞机颠簸的高发区;华南地区和云南地区颠簸发生频率较小。高发区的位置在冬、春两季偏南,夏季偏西北,这可能与高空急流区随季节的南北移动相关;同时,颠簸高发区的范围和中心频率大小也有季节变化。中国中东部地区高空的颠簸高影响区中飞机颠簸具有一定的年际变化特征。急流区附近的强垂直风切变是影响飞机颠簸的主要因素。风场形变、绝对涡度、水平温度梯度和水平风切变也是造成中国中东部地区飞机颠簸的重要因素。而水平散度对于飞机颠簸的影响甚小。
二、NWP在颠簸预报中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、NWP在颠簸预报中的应用（论文提纲范文）
（1）基于飞机探测数据的高原飞机颠簸特征及其成因研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 第二章 数据与方法 |
| 2.1 数据介绍 |
| 2.1.1 航班统计 |
| 2.1.2 飞机探测数据 |
| 2.1.3 再分析数据 |
| 2.1.4 闪电数据 |
| 2.1.5 地理地形数据 |
| 2.1.6 风云卫星数据 |
| 2.2 方法介绍 |
| 2.2.1 飞机颠簸的识别 |
| 2.2.2 飞机颠簸的分类 |
| 2.2.3 功率谱密度 |
| 第三章 高原航线飞机颠簸时空分布特征 |
| 3.1 高原航线飞机颠簸特征分析 |
| 3.1.1 时间特征 |
| 3.1.2 飞机颠簸空间分布特征 |
| 3.2 飞机颠簸分类 |
| 3.2.1 对流诱发型颠簸 |
| 3.2.2 对流层顶/急流诱导型晴空颠簸 |
| 3.2.3 山地波诱导型晴空颠簸 |
| 第四章 对流诱发型飞机颠簸的分析 |
| 4.1 对流诱发颠簸与闪电活动的相对位置关系 |
| 4.1.1 稻城航线对流诱发颠簸与闪电活动的相对位置关系 |
| 4.1.2 九寨航线对流诱发颠簸与闪电活动的相对位置关系 |
| 4.1.3 拉萨航线对流诱发颠簸与闪电活动的相对位置关系 |
| 4.2 拉萨航线CIT案例分析 |
| 4.2.1 CIT前后黑体亮温变化 |
| 4.2.2 CIT前后闪电活动的时空变化特征 |
| 4.2.3 CIT功率谱密度分析 |
| 第五章 山地波诱导型晴空颠簸的分析 |
| 5.1 山地波诱导型晴空颠簸的垂直结构分析 |
| 5.2 山地波诱导型晴空颠簸典型案例分析 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（2）基于深度卷积神经网络的强对流天气预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 机器学习在强对流和降水监测中的应用 |
| 1.2.2 机器学习在强对流临近预报中的应用 |
| 1.2.3 机器学习在强对流短时和短期预报中的应用 |
| 1.2.4 小结与展望 |
| 1.3 问题的提出 |
| 1.4 论文章节安排 |
| 第2章 基于多源观测数据的闪电临近预报 |
| 2.1 研究背景 |
| 2.2 数据和方法 |
| 2.2.1 卫星数据 |
| 2.2.2 全国雷达拼图数据 |
| 2.2.3 闪电定位数据 |
| 2.2.4 地理范围选取 |
| 2.3 深度学习方法 |
| 2.3.1 闪电预报流程 |
| 2.3.2 训练集和测试集构建 |
| 2.3.3 深度学习模型 |
| 2.4 试验结果 |
| 2.4.1 检验结果 |
| 2.4.2 2018年8月23日预报个例分析 |
| 2.4.3 2018年8月4日预报个例分析 |
| 2.4.4 闪电初生预报和检验 |
| 2.5 结论和讨论 |
| 第3章 基于高分辨率数值预报和观测数据的闪电短时预报 |
| 3.1 研究背景 |
| 3.2 数据 |
| 3.2.1 观测数据 |
| 3.2.2 高分辨率数值天气预报数据 |
| 3.3 深度学习模型 |
| 3.3.1 深度学习模型结构 |
| 3.3.2 训练集和测试集 |
| 3.3.3 训练过程 |
| 3.4 试验结果 |
| 3.4.1 批量检验结果 |
| 3.4.2 个例检验结果-2018年8月21日 |
| 3.4.3 个例检验结果-2018年8月23日 |
| 3.5 小结 |
| 第4章 基于数值预报的强对流天气短期分类预报 |
| 4.1 引言 |
| 4.2 数据与方法 |
| 4.2.1 NCEP FNL分析资料 |
| 4.2.2 强对流天气实况数据 |
| 4.3 深度学习预报算法 |
| 4.3.1 训练样本和测试样本 |
| 4.3.2 深度学习模型构建 |
| 4.3.3 预报过程 |
| 4.4 结果评估 |
| 4.4.1 不同模型评估 |
| 4.4.2 个例预报评估 |
| 4.4.3 算法整体评估 |
| 4.5 小结 |
| 第5章 基于机器学习可视化的强对流机理规律研究 |
| 5.1 研究背景 |
| 5.2 数据和方法 |
| 5.2.1 预报因子重要性排序 |
| 5.2.2 变换重要性 |
| 5.2.3 特征图(feature map可视化) |
| 5.3 机器学习模型可解释性 |
| 5.3.1 基于NWP的分类强对流天气预报因子重要性排序 |
| 5.3.2 基于多源观测数据和HNWP数据进行短时预报的预报因子变换重要性 |
| 5.3.3 基于多源观测数据特征图可视化 |
| 5.4 小结与讨论 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）冷锋锋区飞机颠簸高发区特征研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 飞机颠簸的观测 |
| 1.2.2 飞机颠簸理论机制的研究 |
| 1.2.3 飞机颠簸时空分布特征的研究 |
| 1.2.4 飞机颠簸预报方法的研究 |
| 1.2.5 锋面天气系统的分析研究 |
| 1.3 本文研究的主要内容 |
| 1.4 研究技术路线 |
| 第二章 数据资料的来源及处理 |
| 2.1 AMDAR资料的来源 |
| 2.2 AMDAR资料的提取 |
| 2.3 欧洲中期天气预报中心数据提取 |
| 2.4 MATLAB处理nc文件及可视化 |
| 2.5 本章小结 |
| 第三章 锋区附近颠簸点信息的提取方法 |
| 3.1 锋区附近颠簸案例的采集及筛选 |
| 3.2 数据的预处理 |
| 3.3 本章小结 |
| 第四章 澳洲空域与航路结构 |
| 4.1 澳洲的空域结构及其分类 |
| 4.2 澳洲航线航路的概况 |
| 4.2.1 航路航线的简介 |
| 4.2.2 澳洲主要航路航线的汇总 |
| 4.3 本章小结 |
| 第五章 冷锋锋区飞机颠簸时空分布特征 |
| 5.1 冷锋锋区位置的确定 |
| 5.2 冷锋时空分布特征 |
| 5.2.1 澳洲冷锋事件时间分布特征 |
| 5.2.2 澳洲冷锋锋区空间结构特征 |
| 5.3 澳洲冷锋锋区颠簸空间特征 |
| 5.4 锋区及颠簸点移动时空特征 |
| 5.5 颠簸区与主要航路的关系 |
| 5.6 本章小结 |
| 第六章 重度颠簸高发区成因分析 |
| 6.1 重度颠簸高发区气候特征及其航空业发展 |
| 6.1.1 重度颠簸高发区气候特征 |
| 6.1.2 澳洲东南部航空业发展简介 |
| 6.2 锋区附近颠簸个例的分析 |
| 6.2.1 个例选取 |
| 6.2.2 温度场分析 |
| 6.2.3 流场分析 |
| 6.3 重度颠簸高发区物理场分析 |
| 6.4 重度颠簸高发区成因分析 |
| 6.4.1 外部成因分析 |
| 6.4.2 物理成因分析 |
| 6.5 本章小结 |
| 第七章 冷锋锋区颠簸的预报方法 |
| 7.1 改进颠簸指数预报方法 |
| 7.2 预报结果的评价 |
| 7.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（4）机器学习在强对流监测预报中的应用进展（论文提纲范文）
| 引言 |
| 1 机器学习在强对流监测中的应用 |
| 1.1 云和降水分类 |
| 1.2 定量降水估计与监测 |
| 1.3 冰雹和雷暴大风监测 |
| 1.4 风暴识别和追踪 |
| 1.5 深度学习在强对流监测中的应用 |
| 2 机器学习在强对流临近预报中的应用 |
| 2.1 基于雷达回波的外推预报 |
| 2.2 基于静止气象卫星资料的临近预报 |
| 2.3 综合多源资料的临近预报 |
| 2.4 深度学习在临近预报中的应用 |
| 3 机器学习在强对流短时和短期预报中的应用 |
| 3.1 基于探空观测的潜势预报 |
| 3.2 基于全球数值预报模式的潜势预报 |
| 3.3 基于高分辨率数值预报模式的强对流天气预报 |
| 3.4 深度学习在强对流短时和短期预报中的应用 |
| 4 存在的问题和未来发展 |
| 4.1 存在的问题 |
| 4.2 未来发展 |
| 5 结论 |
（5）AMDAR数据在数值天气预报中的影响评估（论文提纲范文）
| 0 引言 |
| 1 飞机自动化观测的发展历程 |
| 2 AMDAR气象要素观测特点 |
| 3 AMDAR观测的质量评估和偏差纠正 |
| 4 AMDAR观测对短时区域预报的影响 |
| 5 AMDAR观测对全球数值预报的影响 |
| 6 AMDAR观测影响的近期测试 |
| 7 我国AMDAR资料概况 |
| 8 结论 |
（6）第16章 温带气旋:气象学100年来的研究核心（论文提纲范文）
| 1 大气和历史的连续 |
| 2 温带气旋——大气层的阿甘 |
| 3 气旋和气旋生成理论 |
| a 两个新生的假设 |
| b 两种实质性理论 |
| c 两个改变范式的框架 |
| 4 温带气旋发生在哪里?急流和风暴路径 |
| a 全球性事件 |
| b 风暴轨迹的动力学 |
| 5 锋和锋生 |
| a 锋面观测 |
| b 锋的理论 |
| c 锋的诊断 |
| 6 气旋和锋面演变的概念模型 |
| a 挪威气旋模型 |
| b 卑尔根学派在20世纪中期的贡献 |
| c 卑尔根学派之后 |
| d 当代观点 |
| e 降水结构和雨带 |
| 7 预报 |
| a NWP的进展和系统误差 |
| b 集合的使用 |
| c 物理过程 |
| d 中尺度挑战 |
| e 机遇 |
| 8 过去、现在和将来 |
（7）飞机颠簸的分析与预防（论文提纲范文）
| 飞机颠簸形成机制及气象条件 |
| （一）锋面 |
| （二）高压脊 |
| （三）地面气旋 |
| （四）空中槽线和切变线 |
| （五）雷暴 |
| （六）晴空颠簸 |
| （七）地形颠簸 颠簸强度的计算 |
| （一）垂直过载 |
| （二）等效垂直阵风（DEVG) |
| （三）涡旋耗散率（EDR) 我国颠簸的分布 EDR在颠簸监控和预报中的应用 |
| （一）EDR数据网 |
| （二）厦航新技术和系统的发展 |
| （三）颠簸告警控制 |
| 1.放行讲解告警 |
| 2.实时监控告警 结语： |
（8）基于卫星数据的对流层顶颠簸区识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 飞机颠簸形成机制研究 |
| 1.2.2 飞机颠簸预报研究 |
| 1.2.3 对流层顶折叠研究 |
| 1.3 主要研究内容及意义 |
| 第二章 数据和方法介绍 |
| 2.1 数据介绍 |
| 2.1.1 风云2F静止卫星资料 |
| 2.1.2 ERA-Interim再分析数据 |
| 2.1.3 飞机探测数据 |
| 2.2 方法介绍 |
| 2.2.1 MATLAB处理工具 |
| 2.2.2 卫星数据的处理 |
| 2.3 本章小结 |
| 第三章 对流层顶折叠区的识别 |
| 3.1 对流层上部比湿的反演 |
| 3.1.1 比湿计算 |
| 3.1.2 云掩膜 |
| 3.2 折叠区边界的识别 |
| 3.2.1 数据等经纬度格点化 |
| 3.2.2 图像平滑 |
| 3.2.3 对流层顶折叠区边界 |
| 3.2.4 折叠边界优化 |
| 3.3 本章小结 |
| 第四章 基于机载数据颠簸数据的的对流层顶折叠区验证 |
| 4.1 1月22 日对流层顶折叠区颠簸的飞机验证 |
| 4.2 5月19 日对流层顶折叠区颠簸的飞机验证 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 后续工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（9）基于AMDAR数据的对流云附近颠簸区预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 对流云附近颠簸区预测方法的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 飞机颠簸的观测 |
| 1.2.2 理论机制研究 |
| 1.2.3 颠簸的预报方法研究 |
| 1.2.4 神经网络在天气预报中的应用 |
| 1.3 本文研究的主要内容 |
| 第二章 数据资料的获取与处理 |
| 2.1 颠簸数据的来源 |
| 2.1.1 AMDAR资料的提取方法 |
| 2.1.2 NCEP/NCAR再分析数据的获取方法 |
| 2.1.3 静止气象卫星云图数据的读取方法 |
| 2.2 颠簸及相关数据的处理软件基础 |
| 2.2.1 利用MATLAB处理nc文件和awx文件 |
| 2.2.2 利用Gr ADS绘图软件进行绘图处理 |
| 第三章 对流云附近颠簸点的数据提取方法 |
| 3.1 颠簸案例采集 |
| 3.2 颠簸案例的初步筛选 |
| 3.3 卫星云图中对流云的提取 |
| 3.4 数据同化处理 |
| 3.5 本章小结 |
| 第四章 对流云附近的颠簸个例物理特征分析 |
| 4.1 个例选取 |
| 4.2 流场分析 |
| 4.2.1 垂直速度的分析 |
| 4.2.2 散度的分析 |
| 4.2.3 涡度的分析 |
| 4.3 温度场的分析 |
| 4.4 本章小结 |
| 第五章 对流云附近颠簸的预测方法研究 |
| 5.1 基于多元线性回归的对流云附近颠簸的预测模型 |
| 5.1.1 多元线性回归模型概述 |
| 5.1.2 回归模型的变量选择 |
| 5.1.3 回归方程的分析及预测方程的确定 |
| 5.2 基于神经网络的对流云附近颠簸的预测模型 |
| 5.2.1 神经网络模型简介及模型的选定 |
| 5.2.2 GRNN模型概述 |
| 5.2.3 PNN模型概述 |
| 5.2.4 建立GRNN和 PNN网络模型 |
| 5.3 本章小结 |
| 第六章 对流云附近的颠簸预报系统初步设计 |
| 6.1 预报系统的设计思路 |
| 6.2 预报系统的界面设计 |
| 6.3 系统的局限性 |
| 6.4 本章小结 |
| 总结 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（10）中国地区飞机颠簸的气候特征及定量诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 飞机颠簸的形成机制和分类 |
| 1.3.2 飞机颠簸的观测与应用 |
| 1.3.3 飞机颠簸的预报方法 |
| 1.4 本文的研究内容 |
| 第二章 飞机颠簸指数的对比分析 |
| 2.1 资料与方法 |
| 2.1.1 资料 |
| 2.1.2 颠簸指数的计算方法 |
| 2.1.3 指数诊断效果的评估方法 |
| 2.2 颠簸指数的诊断效果分析 |
| 2.3 不同颠簸指数的综合对比 |
| 2.4 指数最优阈值的选取 |
| 2.5 本章小结 |
| 第三章 中国地区飞机颠簸的气候特征 |
| 3.1 飞机颠簸的垂直分布及季节变化 |
| 3.2 飞机颠簸的水平分布及季节变化 |
| 3.3 颠簸高影响区中飞机颠簸的年际变化 |
| 3.4 本章小结 |
| 第四章 飞机颠簸与指数物理量的分析 |
| 4.1 飞机颠簸与垂直风切变 |
| 4.2 飞机颠簸与风场形变 |
| 4.3 飞机颠簸与涡度 |
| 4.4 飞机颠簸与水平温度梯度 |
| 4.5 飞机颠簸与水平风切变 |
| 4.6 飞机颠簸与水平散度 |
| 4.7 飞机颠簸与急流 |
| 4.8 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文结论 |
| 5.2 本文的创新点 |
| 5.3 存在的问题与展望 |
| 参考文献 |
| 作者在读研期间科研成果简介 |
| 致谢 |
四、NWP在颠簸预报中的应用（论文参考文献）
- [1]基于飞机探测数据的高原飞机颠簸特征及其成因研究[D]. 方璘王昊. 中国民用航空飞行学院, 2021
- [2]基于深度卷积神经网络的强对流天气预报方法研究[D]. 周康辉. 中国气象科学研究院, 2021
- [3]冷锋锋区飞机颠簸高发区特征研究[D]. 张启凡. 中国民用航空飞行学院, 2021
- [4]机器学习在强对流监测预报中的应用进展[J]. 周康辉,郑永光,韩雷,董万胜. 气象, 2021(03)
- [5]AMDAR数据在数值天气预报中的影响评估[J]. 吕文忠,蔡秀华,孙京利. 气象科技进展, 2020(03)
- [6]第16章 温带气旋:气象学100年来的研究核心[J]. 大卫·舒尔茨,LANCE F.BOSART,BRIAN A.COLLE,HUW C.DAVIES,CHRISTOPHER DEARDEN,DANIEL KEYSER,OLIVIA MARTIUS,PAUL J.ROEBBER,W.JAMES STEENBURGH,HANS VOLKERT,ANDREW C.WINTERS,张萌,贾朋群. 气象科技进展, 2019(S1)
- [7]飞机颠簸的分析与预防[J]. 林毅杰. 民航管理, 2019(11)
- [8]基于卫星数据的对流层顶颠簸区识别技术研究[D]. 张誉. 中国民用航空飞行学院, 2020(09)
- [9]基于AMDAR数据的对流云附近颠簸区预测方法研究[D]. 聂若莹. 中国民用航空飞行学院, 2019(08)
- [10]中国地区飞机颠簸的气候特征及定量诊断[D]. 徐佳男. 成都信息工程大学, 2018(04)