基于高斯随机扰动的潜在蒸散敏感性分析

旨在定量分析不同气象要素对潜在蒸散量敏感性大小的时空分布,以期为提高蒸散量计算精度提供依据。以1961年1月1日—2012年12月31日的日观测资料为基础,通过添加高斯分布随机扰动,计算各要素的敏感系数。研究表明：安徽全区年尺度上,日照时数和平均风速的敏感性最高,敏感系数分为0.1258和0.1089;月尺度上,4—9月蒸散量的主要敏感因素为日照时数,10月至次年3月的主要敏感因素为平均风速和实际水汽压。敏感性空间分布不均,淮河以北地区平均风速为主要敏感因素;淮河以南地区则仍是日照时数为主要敏感因素。     

自动观测与人工观测能见度的差异性分析及检验

利用安徽省安庆气象观测站2012年自动观测与人工观测能见度资料,分析不同观测时次和不同天气现象的自动观测与人工观测能见度的差异性。采用相关系数法计算不同情形下的自动观测与人工观测能见度的相关性。通过差值的统计特征分析不同观测时次和不同天气现象的自动观测与人工观测能见度的差异性,并利用符号检验法和Wilcoxon秩检验法对两者的差异性进行假设检验。结果表明,不同观测时次的自动观测和人工观测能见度近似呈完全正相关性,不同天气现象的自动观测和人工观测能见度的相关性也较高;不同观测时次和不同天气现象的自动观测和人工观测能见度均存在显著性差异。     

基于Logistic回归建立霜自动判识模型

利用安徽省23个典型气象站2003?2017年观测数据,根据无霜日的气象要素阈值条件进行质量控制,在此基础上,构建各气象站基于Logistic回归的霜自动判识模型,并对模型的霜判识效果进行评估。结果表明：（1）通过气温、风速和降水量等气象要素阈值,能够有效判定出安徽各站当日无霜现象;（2）各气象站的霜判识模型均入选了温度、湿度和风速等相关要素作为判识因子,入选要素的时次多集中在4：00?8：00区间;（3）独立样本检验表明,基于Logistic回归的霜判识模型对安徽地区霜的平均判识准确率、命中率、漏判率、空判率和TS评分分别为89.0%、91.6%、8.4%、15.8%和78.2%,表明模型对安徽地区的霜具有较好的判识能力;（4）与Bayes判别模型对比发现,基于Logistic回归的霜判识模型在准确率、空判率和TS评分方面表现更优,可以使用Logistic回归模型实现霜的自动化判识。