一、多时次EOF迭代方法在川渝伏旱预测中的应用(论文文献综述)
俞婷婷[1](2017)在《利用X波段雷达图像估计有效波高的改进方法》文中研究表明海洋开发和利用是我国近期重点战略规划之一,其中海洋监测为首要问题。本文给出改进经验正交函数(EOF)恢复有效波高(SWH)的方法,克服了EOF方法在模态分解时的缺陷,提出旋转经验正交函数(REOF)方法恢复波高新技术。基于SWH与雷达回波强度信噪比的平方根成线性的关系,分别建立了SWH和REOF方法获得的主成分的标准差之间的线性关系,以及SWH和REOF方法获得的主成分的Shannon熵之间的线性关系。按照渤海湾X波段雷达图像时间序列,利用REOF方法获取了SWH。浮标采集的SWH与该改进算法获取的SWH之间的相关系数要优于浮标和EOF方法恢复的SWH之间的相关系数。实验结果显示,本文中提出的算法可以很好的提取SWH,且比通过EOF方法提取SWH的效果更好。
罗明美[2](2013)在《基于AMSR-E和ANN人工神经网络的淮河流域土壤水分反演研究》文中进行了进一步梳理土壤水分是土壤中各种形态(或能态)水的统称,它是进行作物旱情监测的最基本因子。准确进行干旱监测与预测对农业的可持续发展意义重大,淮河流域在我国农业生产中已占有举足轻重的地位,但该流域干旱灾害频发,旱灾已对该流域及我国的农业经济造成了巨大损失,因此对淮河流域地区进行土壤水分的预测非常有必要。传统的土壤水分监测方法速度慢且需花费大量人力物力,更重要的是难以满足实时、大范围监测需要。传统的AMSR-E土壤水分产品数据是基于物理意义根据大气传播过程针对全球建立的土壤水分反演模型,很难准确反映出某一具体区域的土壤水分情况,而基于ANN(人工神经网络)和(?)AMSR-E数据建立的土壤水分反演模型具有区域针对性,该模型能不断自我学习和改进以达到最好的反演结果。BPNN (BP人工神经网络)是目前最流行、应用最广泛的ANN模型,它通过简单非线性处理单元的复合映射可获得复杂系统的非线性处理能力,在土壤水分反演的应用方面具有较大优势。本研究基于AMSR-E数据建立BPNN模型,对淮河流域土壤水分进行反演,建立预测较准确的网络模型,以期获得较好的反演结果,最后能为淮河流域提供精度更高的土壤水分产品,以达到能准确监测该区域农业旱灾情况的目的。本研究采用淮河流域2006年~2010年的土壤水分观测数据和AMSR-E数据,以AMSR-E的不同波段作为输入因子。首先,对输入因子进行优选和数据预处理;然后,利用已处理数据分别构建2因子、3因子和4因子的BPNN模型对土壤水分进行反演;最后,结合研究区降雨量、蒸发量数据及标准降水指数(SPI)对筛选出的最优BPNN模型进行验证、分析与评估。通过研究,得出以下结论:1、平原和植被较少地区,优选因子数多的BPNN模型对土壤水分的反演结果好于优选因子数少的模型;低山丘陵和植被较多的地区,优选因子数少的BPNN模型反演结果好于优选因子数多的BPNN模型。总的来说,2因子模型效果较差,次于3因子和4因子模型,说明BPNN模型的反演精度在优选输入因子数为3和4时较高。2、AMSR-E土壤水分产品对降水量的极值变化比BPNN模型的模拟值更敏感。与观测值、AMSR-E土壤水分产品和BPNN模型模拟值所反映的干旱发生时间相比,在降水量长期较少时具有一定滞后性。3、AMSR-E土壤水分产品不仅与实测值误差很大,不能准确反映出真实值的大小与范围,而且在时间和空间上的分布与观测值总体趋势也不一致。而BPNN模型模拟值与观测值数值大小很接近,分布趋势在时间和空间上也趋于一致。4、研究结果表明BPNN模型模拟的干旱区域空间分布趋势和AMSR-E土壤水分产品相比与SPI指数反映的更接近。本研究表明基于AMSR-E和BPNN建立的模型反演土壤水分的效果比传统的AMSR-E自带方程反演的效果好,也说明该模型对淮河流域的干旱监测具有良好的使用价值与应用前景,但通过试验发现在建立该模型时仍有一些问题有待进一步探索,如(?)AMSR-E数据的空间分辨率较低,这是模拟效果不好的一大原因。如果要提高其空间分辨率,还需将多源遥感数据融合,比如将MODIS数据和AMSR-E数据的融合。
熊开国[3](2012)在《中国汛期降水模式误差主分量相似预报研究》文中提出本工作主要是针对提高我国季节预报业务模式对我国汛期降水预报水平这一问题而提出。基于相似-动力预报基本原理,在不改进和发展当前模式的基础上,从反问题的角度,充分利用已有历史资料,通过模式的后处理对模式误差进行统计预报。针对动力模式预报误差的估计问题及模式误差的局地性特点,提出将模式误差的直接相似订正问题转化成具有针对性的模式误差主分量的相似预报。客观上将模式误差主分量分成可预报和不可预报两部分,对于可预报部分采用演化相似最优多因子动态配置方案进行相似预报,而对于不可预报部分则用系统平均代替。考虑到外强迫演变对气候的重要影响,提出了演化相似的概念并发展了一种科学合理的演化相似判据,这相当于吸收了预报因子在一个季节时间内的时空演变信息。在对模式误差主分量进行相似预报的过程中,在预报年前期通过所有潜在的预报因子对该主分量预报技巧的排序,确定预报该主分量的主导因子;其后,基于该因子,通过相关分析等方法在预报因子排序中挑选出对该主分量有一定预报技巧且相对独立的预报因子集,并对因子集中的这些因子进行优化配置回报试验,确定最优配置预报因子;最后,用预报该主分量最优配置预报因子预报该主分量预报年时间系数。基于国家气候中心季节和月动力延伸期预报业务模式、CMAP降水资料、NCEP/NCAR2米温度资料及国家气候中心气候系统诊断预报室74项环流指数和NOAA40个气候指数,首先对该方案中的一些关键技术问题进行了研究。其后,将中国按地理分区分成华南、长江中下游、华北、东北、西北东部、西北西部、西藏和西南8区,对中国各区域季节降水和温度,月降水和温度开展了实际业务预报试验。为检验动力、动力-统计和统计三种预报方法的预报技巧差别,还将该方案推广至季节和月降水、温度的统计预报,并在此基础上研究了降水和温度可预报性的时空分布特征。得到的主要结果和结论如下:1.本工作的特点之一就是充分利用了预报因子的演化相似信息,在利用因子的演化相似进行统计预报时提出了一种科学的演化相似判据即相似指数,实践证实了该相似判据在判断因子演化相似问题上的合理性。而在预报因子问题上提出了一种确定最优预报因子配置的方法,即最优多因子动态配置方法,该方法先通过确定主导因子及演化相似因子,再对因子进行相关分析和自由配置组合预报的方式克服了预报因子自由度大和预报因子之间的相关关系等问题的困扰,并实践证明了最优多因子动态配置方式对预报技巧的改进。2.从实际业务预报2005-2011年中国区域汛期降水预报技巧看来,整体而言4种相似预报方案的预报技巧都较系统误差订正预报高,系统误差订正预报2005-2010年的平均ACC为0.02,而4种相似预报方案的ACC分别为0.11、0.19、0.15和0.10,以基于模式误差主分量相似预报因子的CMAP降水主分量相似预报的预报技巧最高,CMAP主分量相似预报次之,其次是模式误差主分量相似预报,在加入2011年预报结果后,系统误差订正预报及4种相似预报方法预报近7年的平均ACC变成0.06、0.14、0.19、0.15和0.13。3.区域汛期降水可预报性上,近几年模式系统误差订正预报在长江中下游和华北有较高预报技巧;模式误差主分量相似预报除在华北区域预报技巧不及系统误差订正预报,其他区域均有不同程度的改进,以长江中下游、东北、西北西、西藏和西南的改进最大,其中在除西北西以外的区域,相似动力预报体现出了较高的预报技巧;对于基于模式误差主分量相似预报因子的汛期降水主分量相似预报,该方案在除华南和华北以外的区域均表现出较高的预报技巧,特别对于长江中下游、西北东和西藏区域,近6年平均预报ACC都在0.4以上;汛期降水主分量相似预报方案在华南、东北和西藏体现出较高预报技巧,基于其预报因子的模式误差主分量相似预报方案预报技巧位于华南、东北、西北东西藏和西南。4.从近几年预报各区域汛期降水模式误差第一模态的主导因子看来,模式预报中国东部区域汛期降水误差受北半球副高影响较大,对于华北还有极涡的影响,而西部区域则主要受大西洋副高及nino区海温的影响。近几年CGCM模式预报中国区域夏季温度的误差主要受前冬的一些环流和下垫面异常影响,而西藏高原(25°N-35°N,80°E-100°E)在近几年是主要因素之一,2011年开始,似乎这一因素的影响在减弱而北半球各种极涡的影响在增强。5.在季节可预报性上,对于中国区域降水的预报,模式在冬春两季的预报技巧明显高于夏秋,而动力统计预报和统计预报则在夏冬更有预报技巧。对于温度,模式预报秋冬两季预报技巧明显高于春夏,可能是模式本身在秋冬两季预报技巧已经很高,因此动力统计预报对这两季节温度预报技巧几乎没有改进,只是在秋季的预报RMSE有一定减小,而对于模式预报技巧相对较低的春夏两季,动力统计预报则使得模式在这两季的预报ACC有一定提高。6.在近几年前汛期和后汛期降水预报上,对于华南区域,模式误差主分量相似预报方法对DERF模式预报该区域降水几乎没有改进,归纳起来可能的原因有以下几方面:(1)该区域降水的复杂性;(2)模式在这两时段本身没有什么预报技巧;(3)还可能属于方案本身的缺陷。然而就中国区域而言,模式误差主分量相似预报方法对模式预报这两月降水还是略有改进,将近6年前汛和后汛模式预报平均ACC分别由0.07和0.02提高到0.08和0.03,以在华北、东北和西北等区域的提高最为明显。7.在月降水和温度可预报性上,模式预报2005-2010年的温度和降水的平均技巧分别是0.38和0.13,和前人的结论非常一致。整体看来模式误差主分量相似预报对DERF模式对月降水和温度的改进都比较有限,但对月降水预报的改进要大于温度,对降水预报的改进在有些区域和月份也比较明显,如华南夏季降水及东北春夏降水等。而纯粹的统计预报在月降水和温度预报中的预报能力都不及模式误差主分量相似预报和DERF模式预报。这可能是由于月动力延伸期预报的初值在月预报中起着重要作用,特别是在天气预报的可预报期限内,初值对预报起着决定性的作用,外强迫对于月预报有一定作用,但不是决定性作用的缘故。8.不管是最优多因子动态配置的模式误差主分量相似预报还是基于其预报因子的降水、温度主分量相似预报在季节及月降水和温度中均表现出了一定技巧,在一些区域改进了模式对该区域降水和温度的预报水平,显示出了动力统计相结合这一思想的优越性。从相似场个数及可预报模态个数对相似动力预报的影响看来,两者对于相似动力预报都有很大影响,合适的相似场个数或可预报模态个数都能较大地提高区域汛期降水和温度的预报技巧。相似动力预报中不同区域,不同气象要素都有各自的最优相似个数,相似预报中相似个数应具有时间、空间和对象的针对性。
王延意[4](2011)在《基于经验正交函数分解的声速剖面重构及软件实现》文中提出声速剖面对水下声传播有着重要影响,对于一个声纳系统的设计而言,更需要知道其水域内声速分布。总之,声速剖面在水声学研究中起着至关重要的作用。本文对大量已有的历史水文数据进行了归纳、整理,形成不同海域的历史水文数据库,并对这些历史数据进行经验正交分解,得到特征值对应的特征向量,然后算出经验正交函数(EOF:Empirical Orthogonal Function)的系数,最后结合实测深度及声速重构出声速剖面。论文着重研究了如何选取实测深度及其对应的声速来重构声速剖面的问题,论证了使得均方根误差最小的选取深度的原则,对不同环境下的声速剖面重构结果进行了系统的分析。论文中采用的重构声速剖面的方法经大量的仿真实验进行了验证,并且具有计算速度快,精度高,性能稳定等优点。算法采用C语言编程,通过VC++实现声速剖面重构软件,软件中包括传播损失计算,电子海图,海底参数反演等功能,形成完整的声场计算软件。
王永远[5](2001)在《全国各省市气象科技期刊文摘⑦》文中研究表明
李跃清,汪宝山,廖崇明[6](2000)在《多时次EOF迭代方法在川渝伏旱预测中的应用》文中研究指明应用北太平洋海温资料 ,分析了川渝地区盛夏雨量与海温的联系 ,在关键海区海温与川渝伏旱气候非同步联系的基础上 ,建立了多时次海温EOF迭代方法 ,进行了川渝地区盛夏伏旱的短期气候预测。实际应用表明 :以前期多时次海温为预报因子 ,通过历史独立预报试验建立的多时次EOF迭代伏旱预测模型 ,预见期长 ,准确率高 ,并可实现滚动预测 ,具有明显的预报技巧和应用价值
马振锋[7](1999)在《1998年四川讯期旱涝预测方法评述》文中提出对1998 年汛期(6- 8 月)旱涝趋势预测方法进行了回顾,并结合1998 年汛期旱涝成因对方法中考虑的物理因子作了分析。
马振锋[8](1997)在《1996年四川省汛期旱涝预测评述》文中研究指明回顾了1996年汛期滚动预报服务情况,检验了汛期预报效果,指出了1996年汛期预报取得的成绩与存在的不足.并结合1996年汛期天气气候特点,对1996年汛期预报技术方法进行了总结.
二、多时次EOF迭代方法在川渝伏旱预测中的应用(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、多时次EOF迭代方法在川渝伏旱预测中的应用(论文提纲范文)
(1)利用X波段雷达图像估计有效波高的改进方法(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 引言 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本文研究的主要内容和意义 |
1.4 论文的组织结构 |
第2章 X波段雷达系统组成及遥测原理 |
2.1 WaMoSII波流监测系统 |
2.1.1 系统描述 |
2.1.2 系统组成 |
2.1.3 技术指标 |
2.2 雷达基本概念 |
2.2.1 雷达方程 |
2.2.2 脉冲长度和脉冲重复频率 |
2.2.3 雷达分辨率 |
2.2.4 极化 |
2.3 雷达成像理论 |
2.3.1 Bragg散射模型 |
2.3.2 双尺度模型 |
2.4 雷达成像的主要调制机理 |
2.4.1 风动力调制 |
2.4.2 阴影调制 |
2.4.3 倾斜调制 |
2.4.4 流体力学调制 |
2.4.5 轨道调制 |
2.5 基于X波段雷达的海浪信息提取算法原理 |
2.5.1 算法简介 |
2.5.2 三维傅立叶变换(3DFFT) |
2.5.3 带通滤波 |
2.5.4 调制传递函数(MTF) |
2.5.5 海浪方向谱 |
2.6 本章小结 |
第3章 EOF方法和REOF方法 |
3.1 EOF方法的原理 |
3.1.1 EOF方法的优点 |
3.1.2 EOF方法的缺点 |
3.2 EOF方法的主要应用 |
3.3 REOF方法的原理 |
3.4 REOF方法的物理意义 |
3.5 REOF方法在实际问题中的应用 |
3.6 本章小结 |
第4章 基于标准差提取有效波高的改进算法 |
4.1 一元线性回归 |
4.1.1 基本概念 |
4.1.2 正态线性回归模型 |
4.2 有效波高的计算 |
4.3 实验分析 |
4.3.1 实验时间及地点,数据的采集 |
4.3.2 雷达数据 |
4.3.3 提取有效波高的对比结果 |
4.4 本章总结 |
第5章 基于信息熵提取有效波高的改进算法 |
5.1 信息熵综述 |
5.1.1 信息熵的概念 |
5.1.2 信息熵的性质 |
5.1.3 信息熵的应用 |
5.2 有效波高估计 |
5.3 实验结果 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(2)基于AMSR-E和ANN人工神经网络的淮河流域土壤水分反演研究(论文提纲范文)
摘要 |
ABSTRACT |
1 前言 |
1.1 研究目的及意义 |
1.2 国内外研究现状 |
1.2.0 遥感土壤水分反演研究 |
1.2.1 人工神经网络理论概述 |
1.2.2 人工智能技术的MATLAB实现 |
1.3 研究目标和内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 技术路线 |
2 试验设计 |
2.1 研究区域概况 |
2.2 试验方法 |
2.3 数据来源及处理 |
2.3.1 数据来源 |
2.3.2 数据处理 |
3 神经网络建模方法 |
3.1 土壤水分反演建模步骤 |
3.1.1 数据准备及预处理 |
3.1.2 模型输入输出向量确定 |
3.1.3 创建模型并设置相应参数 |
3.1.4 样本分组 |
3.1.5 训练模型 |
3.1.6 测试和修改模型 |
3.2 反演土壤水分精度评价方法 |
3.3 输入因子组合优选 |
4 BPNN模型建模结果与分析 |
4.1 BPNN模型反演土壤水分时空验证 |
4.1.1 BPNN模型反演土壤水分时间验证 |
4.1.2 BPNN模型反演土壤水分空间验证 |
4.1.3 BPNN模型反演土壤水分时空验证的综合分析 |
4.2 基于SPI指数验证BPNN模型 |
5 结论与讨论 |
5.1 主要结论 |
5.2 讨论与展望 |
6 参考文献 |
致谢 |
附录1:驻马店处的BP神经网络模型程序代码 |
附录2:评价函数的计算程序代码 |
攻读硕士学位期间参加的科研项目 |
(3)中国汛期降水模式误差主分量相似预报研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 汛期降水预报方法 |
1.1.1 统计预报 |
1.1.2 动力预报 |
1.2 模式误差订正 |
1.2.1 模式误差的来源 |
1.2.2 模式误差订正方法 |
1.3 动力统计预报与相似误差订正 |
1.3.1 动力统计预报 |
1.3.2 相似误差订正 |
1.4 问题提出及研究内容 |
1.5 本文的主要创新之处 |
第二章 相似动力预报基本原理 |
第三章 模式和资料 |
3.1 模式介绍 |
3.1.1 CGCM模式 |
3.1.1.1 T63L16 ACGM全球大气环流模式 |
3.1.1.2 L30T63 OCGM全球海洋环流模式 |
3.1.2 月动力延伸预报模式DERF |
3.2 资料 |
3.3 预报评估方法/检验标准 |
3.4 小结 |
第四章 汛期降水模式误差主分量相似预报方法和策略 |
4.1 模式误差场主分量相似预报 |
4.2 演化相似与相似指数 |
4.3 预报因子选取规则 |
4.4 试验设计 |
4.4.1 汛期降水模式误差主分量相似预报 |
4.4.2 基于汛期降水模式误差主分量相似预报因子的降水主分量相似预报 |
4.4.3 汛期降水主分量相似预报 |
4.4.4 基于汛期降水主分量相似预报因子的模式误差主分量相似预报 |
4.5 结论和讨论 |
第五章 汛期降水模式误差主分量相似预报的业务应用 |
5.1 2005-2010年汛期降水预报 |
5.1.1 东北区域2005-2010年汛期降水预报 |
5.1.2 中国区域2005-2010年汛期降水预报 |
5.2 2011年汛期降水预报个例分析 |
5.2.1 2011年东北区域汛期降水预报 |
5.2.1.1 预报2011年东北区域汛期降水的因子与相似年 |
5.2.1.2 东北区域2011年汛期降水模式预报误差的相似性 |
5.2.1.3 2011年东北区域汛期降水预报结果分析 |
5.2.2 2011年中国区域汛期降水预报 |
5.3 中国各区域汛期降水预报因子分析 |
5.4 结论和讨论 |
第六章 季节降水和温度模式误差主分量相似预报 |
6.1 季节降水和温度预报 |
6.1.1 2005-2010年中国区域夏季温度预报 |
6.1.2 2011年中国区域夏季温度预报 |
6.1.3 春季降水和温度预报 |
6.1.4 秋季降水和温度预报 |
6.1.5 冬季降水和温度预报 |
6.2 季节降水和温度可预报性 |
6.3 本章小结 |
第七章 月动力延伸期降水和温度模式误差主分量相似预报 |
7.1 延伸期预报中的可预报性 |
7.2 月动力延伸期预报进展 |
7.3 前、后汛期降水预报 |
7.3.1 前汛期5月降水预报 |
7.3.2 后汛期9月降水预报 |
7.4 延伸期可预报性问题 |
7.4.1 延伸期降水可预报性 |
7.4.2 延伸期温度可预报性 |
7.5 结论 |
第八章 模式误差主分量预报中的若干问题 |
8.1 相似场选取个数问题 |
8.1.1 汛期降水相似动力预报相似场个数选取 |
8.1.2 汛期温度相似动力预报相似场选取 |
8.1.3 最优相似个数对汛期降水和温度的预报 |
8.2 初值与季节预报 |
8.2.1 初值与季节降水预报 |
8.2.2 初值与季节温度预报 |
8.3 可预报模态 |
8.4 优化配置预报因子问题 |
8.5 本章小结 |
第九章 总结、讨论与展望 |
9.1 全文总结 |
9.2 讨论和展望 |
参考文献 |
个人简介及在学期间发表论文 |
致谢 |
(4)基于经验正交函数分解的声速剖面重构及软件实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 立题背景及意义 |
1.2 国内外研究现状 |
1.3 论文的主要研究内容 |
第2章 基于经验正交分解的声速剖面重构原理 |
2.1 经验正交函数在实际问题中的应用 |
2.2 基于EOF方法反演声速剖面的可行性 |
2.3 基于EOF的声速剖面重构原理 |
2.3.1 影响声速剖面的环境因素 |
2.3.2 声速剖面的经验正交函数表示 |
2.4 误差计算 |
2.5 本章小结 |
第3章 声速剖面重构研究 |
3.1 历史水文数据处理 |
3.1.1 声速数据的分类及插值处理 |
3.1.2 数据的经验正交分解及求解EOF系数 |
3.2 声速剖面重构结果 |
3.2.1 基于典型海域水文数据重构的声速剖面 |
3.2.2 基于特殊海域水文数据重构的声速剖面 |
3.3 优化声速剖面重构结果及论证 |
3.4 本章小结 |
第4章 基于声速剖面重构的声场计算软件 |
4.1 声场计算软件概述 |
4.2 声速剖面重构软件 |
4.2.1 历史环境参数设置及数据库管理 |
4.2.2 声速设置模式 |
4.2.3 声速剖面重构及显示 |
4.3 传播损失计算软件 |
4.4 电子海图显示软件 |
4.5 海底参数反演软件及正算软件 |
4.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(6)多时次EOF迭代方法在川渝伏旱预测中的应用(论文提纲范文)
1 引言 |
2 资料与方法 |
3 相关分析和因子选取 |
4 伏旱气候预测 |
5 结论 |
四、多时次EOF迭代方法在川渝伏旱预测中的应用(论文参考文献)
- [1]利用X波段雷达图像估计有效波高的改进方法[D]. 俞婷婷. 天津大学, 2017(09)
- [2]基于AMSR-E和ANN人工神经网络的淮河流域土壤水分反演研究[D]. 罗明美. 四川农业大学, 2013(03)
- [3]中国汛期降水模式误差主分量相似预报研究[D]. 熊开国. 兰州大学, 2012(09)
- [4]基于经验正交函数分解的声速剖面重构及软件实现[D]. 王延意. 哈尔滨工程大学, 2011(05)
- [5]全国各省市气象科技期刊文摘⑦[J]. 王永远. 山西气象, 2001(01)
- [6]多时次EOF迭代方法在川渝伏旱预测中的应用[J]. 李跃清,汪宝山,廖崇明. 四川气象, 2000(04)
- [7]1998年四川讯期旱涝预测方法评述[J]. 马振锋. 四川气象, 1999(03)
- [8]1996年四川省汛期旱涝预测评述[J]. 马振锋. 四川气象, 1997(04)