聂若莹:基于AMDAR数据的对流云附近颠簸区预测方法研究论文

聂若莹:基于AMDAR数据的对流云附近颠簸区预测方法研究论文

本文主要研究内容

作者聂若莹(2019)在《基于AMDAR数据的对流云附近颠簸区预测方法研究》一文中研究指出: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。

Abstract

mu qian guo nei wai zhen dui dui liu yun dian bo de yu fang cuo shi jun wei li yong lei da jian ce bi kai gai ou yu ,cong er ke shi da bu fen de fei ji bi kai dui liu 。dan shi you yu fei ji dian bo yu qi liu su du you zhao jiang xiang guan xing ,er shang 、xia ye qi liu he gao lei da fan she lv suo dui ying de wei zhi yi ban bu tong ,fei ji cun zai zai lei da yi qi jian yi de an quan fan wei zhong fa sheng jiang dian bo de qing kuang ,gu yan jiu yi ge kuo yong yu shu ju yuan jiao shao de gao ceng bu wen ding qi liu zao cheng de dian bo yu ce mo xing ji you bi yao 。ben wen li yong ji zai xia chuan zi liao (ji AMDARshu ju )huo qu dian bo dian shu ju ,que ding dian bo dian zuo biao ,bing yu gai shi jian duan de wei xing yun tu jin hang bi dui ,de dao dui liu yun fu jin de dian bo dian ji ge 。jie ge NCEP/NCARzai fen xi zi liao ,hui zhi xiang guan wu li liang chang tu dui dian bo ge li jin hang wu li te zheng fen xi ,shai shua chu dui dui liu yun fu jin dian bo dian you chong da ying xiang de qi xiang yin su ,bing li yong duo yuan xian xing hui gui he an yi hui gui shen jing wang lao yi ji gai lv hui gui shen jing wang lao jian li yu ce mo xing ,bing dui ji jin hang dui bi ping jia 。jie guo biao ming ,an yi hui gui shen jing wang lao dui yu dui liu yun fu jin de dian bo yu ce you zhao jiao wei man yi de yu ce xiao guo 。shou xian jie shao le mu qian guo nei wai de xiang guan yan jiu yi ji dui liu yun fu jin de dian bo yan jiu yu ce mo xing jian li de bi yao xing he shu ju de huo qu yuan ji chu li gong ju 。ran hou jin hang le shu ju de cai ji he li yong wei xing yun tu shai shua chu suo xu de dui liu yun fu jin de dian bo dian ,bing jiang ji jin hang le tong hua chu li 。ben wen hai hui zhi le xiang guan wu li liang chang de shi liang tu ,bing jin hang fen xi zong jie de chu dian bo dian zong chu yu sheng jiang qi liu jiao jie chu ,qie bian jiao da huo shi chu yu shui ping wen du ti du jiao da de tong shi you you jiang lie de shang sheng huo xia chen qi liu 。ke yi kan chu gao kong chu feng xiang 、feng su ji wen du dui fei ji dian bo you jiao da ying xiang 。li yong wen du 、wei shi gao du 、wei xiang feng 、jing du feng 、chui zhi feng su zuo wei mo xing jian li de zi bian liang 。jin er li yong duo yuan xian xing hui gui fa pai chu le zhe xie zi bian liang yu dian bo zhi jian cun zai ming xian xian xing guan ji zhe yi ke neng xing ,tong shi yan zheng le zi bian liang bi ci zhi jian mo xiang guan xing 。yan zheng le chang yong de BPshen jing wang lao he RBFshen jing wang lao jun bu neng gou hen hao de chu li zhe chong shu ju fen bu jiao wei ji duan (jin cun zai chong du dian bo he mo dian bo liang chong zhuang kuang )ju xue xi yang ben jiao shao de qing kuang 。zui zhong shua qu le GRNNhe PNNjian li yu ce mo xing ,jun you liang hao de fan hua xing neng ,mo xu jin hang die dai ,ji suan liang xiao ,ke yi gao xiao ju zhun que de yu ce shi fou fa sheng dian bo 。you ji shi an yi hui gui shen jing wang lao ,shi yan zhong yu ce shi jian jun zai 0.11syi xia ,yu ce zhun que lv zui gao ke da 86.66%,ji zhong ,wei shi gao du 、chui zhi feng su 、wei xiang feng su dui dian bo yu ce de xiang guan xing jiao da ,ji shua qu zhe san zhe zuo wei zi bian liang shi zhun que lv zui gao 。zui hou gei chu le yu bao ji tong de chu bu she ji sai lu ,wei qian pa he guan zhi ren yuan shua qu jian yi rao fei lu xian di gong le fu zhu can kao zi liao 。

论文参考文献

  • [1].基于BP神经网络的航危雾霾预报模型研究[D]. 吴锐.武汉理工大学2015
  • [2].民航繁忙干线机票最低价格预测方法研究[D]. 蒋鹏.北京交通大学2019
  • [3].基于深度学习的气象要素格点预报模式订正[D]. 李紫丁.湖南师范大学2019
  • [4].机载光电稳瞄平台神经网络滑模控制技术研究[D]. 孙梅艳.长春理工大学2019
  • [5].卷积神经网络在低空空域无人机检测中的研究[D]. 甘雨涛.电子科技大学2019
  • [6].基于神经网络的涡轴航空发动机控制系统建模及优化研究[D]. 李国军.电子科技大学2019
  • [7].面向过程的实时状态监测与故障诊断方法研究[D]. 姜婕.北京交通大学2019
  • [8].改进BP神经网络在机票销售量预测中的研究[D]. 李冰珂.东北林业大学2019
  • [9].基于国航飞行故障系数的神经网络预测研究[D]. 朱炯名.天津工业大学2019
  • [10].基于神经网络的环境模型建立方法研究[D]. 付硕.北方工业大学2019
  • 读者推荐
  • [1].“部编本”语文教材课前预习提示研究[D]. 刘佳.曲阜师范大学2019
  • [2].互联网信贷对我国商业银行信贷效率的影响研究[D]. 庞若婷.西北大学2019
  • [3].我国飞机积冰区云微物理特征分析研究[D]. 孟鹏程.中国民用航空飞行学院2019
  • [4].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
  • [5].新时代公安服务供给问题研究[D]. 郝晓明.中共重庆市委党校2018
  • [6].我国飞机颠簸的主要时空分布特征研究[D]. 李呈祥.中国民用航空飞行学院2018
  • [7].基于NOAA数据资料的晴空湍流预测方法研究[D]. 刘雷.中国民用航空飞行学院2018
  • [8].应用AMDAR数据探寻高空颠簸区的方法研究[D]. 苏腾.中国民用航空飞行学院2016
  • [9].飞机颠簸产生的可能机制及其在天气预测上的应用[D]. 王淑翠.中国海洋大学2013
  • [10].我国产生飞机颠簸的特殊云状及其分布规律分析[D]. 孙智博.中国民用航空飞行学院2011
  • 论文详细介绍

    论文作者分别是来自中国民用航空飞行学院的聂若莹,发表于刊物中国民用航空飞行学院2019-07-04论文,是一篇关于对流云颠簸论文,广义回归神经网络论文,概率回归神经网络论文,中国民用航空飞行学院2019-07-04论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自中国民用航空飞行学院2019-07-04论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  

    聂若莹:基于AMDAR数据的对流云附近颠簸区预测方法研究论文
    下载Doc文档

    猜你喜欢