XiaoMi-AI文件搜索系统
World File Search Systemrainfall
使用数据驱动的振荡模式预测改进了南亚季风降雨的季节预测
E. Bach，V。Krishnamurthy，S。Mote，J。Shukla，A。S。Sharma，E。Kalnay和M. Ghil（2024）。 “使用振荡模式的数据驱动预测，改善了南亚季风降雨的亚季节预测”。 国民议会E. Bach，V。Krishnamurthy，S。Mote，J。Shukla，A。S。Sharma，E。Kalnay和M. Ghil（2024）。“使用振荡模式的数据驱动预测，改善了南亚季风降雨的亚季节预测”。国民议会
CMIP6 GCM每日降雨降雨
全球气候模型（GCM）是确定气候系统将如何响应的复杂工具。但是，GCM的输出具有粗分辨率，这不适合盆地级建模。全球气候模型需要以局部/盆地量表进行缩小，以确定气候变化对水文反应的影响。本研究试图评估如何使用Arti B CIAL神经网络（ANN），变更因子（CF），K-Neareast邻居（KNN）和多个线性回归（MLR）在印度35个不同位置的各种大规模预测变量如何在印度35个不同位置繁殖局部规模的降雨。根据相关值进行预测变量的选择。作为潜在的预测因子，空气温度，地理电位高度，风速分量和特定B C时相对湿度的相对湿度，选择了海平面压力。比较四种不同统计数据的繁殖，例如，在选定站点的每日降雨量的PDF估算的各种统计数据，如所选位置的平均值，标准偏差，分位数 - 分位数，累积分布函数和内核密度估计。CF方法在几乎所有站点上的其他方法都优于其他方法（R 2 = 0.92 - 0.99，RMSE = 1.37 - 28.88 mm，NSE = - 16.55 - 0.99）。这也与IMD数据的概率分布模式相似。
朝着AI辅助的标准化框架，图像...
与隔离发生的危害相比，风和降雨极端的同时出现会产生更大的影响。这项研究评估了从两个角度来看，冬季，在冬季，热带气旋（ETC）产生的化合物极端。首先，我们用极端的风和降雨进行评估；使用风严重程度指数（WSI）和降雨严重程度指数（RSI）来测量占地面积的严重程度，该指数（RSI）占了这两种危险的强度，持续时间和面积。其次，我们评估了6小时的风和降雨量的局部共发生。我们从这两个角度量化了复合极端的可能性，并在控制（1981 - 2000年）和Future（2060 - 2081，RCP8.5）中的许多驱动程序（喷气流，旋风轨道和前线）中进行了表征，来自当地对流的2.2 KM Crimate Promimate Proimate Proime jections and Futor and Future（2060 - 2081，RCP8.5）。模拟表明，将来在同一风暴中产生极为严重的WSI和RSI的ETC的可能性增加，发生的频率高3.6倍（与对照中的18年相比，每5年一次）。这种频率的增加主要是由降雨强度增加驱动的，这主要是热力学驱动因素。但是，未来的风也随着强度增强的喷射流而增加，而这些事件中向南的流离失所的喷气和旋风轨道会导致温度的动态增强。这与Clausius-Clapeyron一致，这加剧了降雨，并且由于额外的潜热能而可能导致风速。未来的模拟还表明，在当地相互发生的风和极端降雨时，土地面积有所增加；尽管相对增加在冷锋附近最高，这在很大程度上解释了降雨量增加，这表明对流活动增加。在严重的WSI和RSI的暴风雨中，这些本地共同发生的极端情况更有可能，但不仅仅是局部共发生的，因此需要在ETC内部单独的驱动因素的巧合。总的来说，我们的兴趣揭示了许多促成复合风和降雨极端及其未来变化的因素。需要进一步的工作来通过对其他气候模型进行抽样来了解将来响应中的不确定性。
在欧洲各种降雨范围内，应用不同的方法在每日规模上建模干燥和湿法
摘要。可以使用Arrarrive时间（IT）共同传达降雨干咒和湿法（分别为DS和WS）的发生的建模（分别为DS和WS）。虽然建模的优点是需要单个拟合来描述所有降雨时间特征（包括湿链和干链，咒语概念的扩展），但对独立性的假设和续订的相同分布的假设和相同的分布在某些情况下可能不会在衍生的WS身上隐含地施加无内存的属性。In this study, two different methods for the modeling of rainfall time characteristics at the station scale have been applied: (i) a direct method (DM) that fits the discrete Lerch distribution to it records and that then derives ws and ds (as well as the corresponding chains) from the it distribution and (ii) an indirect method (IM) that fits the Lerch distribution to the ws and ds records separately, relaxing the assumptions续签过程。该应用程序在欧洲的六个站点上以广泛的降雨状态为特征，突出了几何分布如何并不总是合理地重现WS频率，即使它是通过LERCH分布很好地建模的。通过IM获得了改进的性能，这要归功于对续订时间的独立性和相同分布的假设的放松。将数据集分为两个时期时，将获得进一步改善，这表明这些推论可能会从考虑当地季节性的情况下受益。
新南威尔士州降雨司机的评论
图1：澳大利亚季节性降雨区。中位年降雨量（基于1900年至1999年的100年期）和季节性降雨的发生（与5月至10月相比，11月至4月的降雨量比中位降雨的比率）用于识别六个主要区域；夏季主导（潮湿的夏季，干燥的冬季），夏季（潮湿的夏季，低冬季降雨），统一（无晴朗的季节性），冬季（潮湿的冬季，低夏降雨），冬季占主导地位（潮湿的冬季，干燥的夏季）和干旱（低降雨）。来源：气象局http://www.bom.gov.au/jsp/ncc/climate_averages/climate-classifications/index.jsp。2图2：1900年至2022年之间的新南威尔士州和澳大利亚首都地区的年降雨量。1961 - 1990年之间的平均降雨量为556.2mm。资料来源：气象局； http://www.bom.gov.au/climate/ 3图3：2000年至2019年之间的4月至10月的降雨十分位于1900年至2019年的整个降雨记录。注意最近的湿年（2020，2021，2022）不包括在内。来源：http：//www.bom.gov.au/state-of-the-climate/。4图4：高分辨率（季节性 - 年分辨率）氢气候（降雨和/或温度）代理的位置。来源：Steiger等。24 5图5：在1000至2000 CE之间的每105年期间干燥，中性和潮湿年的比例。来源：Flack等。21 6图6：天气尺度天气的示意图和气候变化模式，对于新南威尔士州的降雨至关重要。来源：气象局。来源：https：//takvera.blogspot.com/2014/01/warming-may-spike-when-pacific-decadal.html。8图8：过去2000年的IPO时间赛。a）扩展法律圆顶IPO重建和Buckley等。43 IPO重建，从1300年至2011年，b）过去2000年。 黑线是使用Folland索引的观察性IPO。 来源：Vance等人42 9图9：LaNiña和ElNiño事件期间的平均步行者循环模式，海面温度和降雨反应的示意图。 11图10：ENSO与澳大利亚降雨的关系。 每个季节的南部振荡指数与澳大利亚降雨量之间的相关性a）DJF-夏季，b）妈妈 - 秋天，c）jja -jja -winter，d）儿子 - 春天。 仅显示95％水平的相关性。 数据周期：1889年至2006年。 来源：Risbey等5。 12图11：在开始阶段的Niño4指数与中太平洋埃尔尼诺事件和东太平洋厄尔尼诺事件的成熟阶段之间的皮尔逊相关系数。 来源：Freund等人61 13图12：在IOD正期和负面事件期间，平均步行者循环模式，海面温度和降雨响应的示意图。 来源：气象局。 16图13：南环模式。 a）南半球的年平均地面风，显示了极地伊斯特利，南极北部南大洋的中纬度西风腰带以及沿澳大利亚东部海岸线的东南贸易风。 使用ERE5 87重新分析表面风（10m）创建的数字。 来源：Hendon等。43 IPO重建，从1300年至2011年，b）过去2000年。黑线是使用Folland索引的观察性IPO。来源：Vance等人42 9图9：LaNiña和ElNiño事件期间的平均步行者循环模式，海面温度和降雨反应的示意图。11图10：ENSO与澳大利亚降雨的关系。每个季节的南部振荡指数与澳大利亚降雨量之间的相关性a）DJF-夏季，b）妈妈 - 秋天，c）jja -jja -winter，d）儿子 - 春天。仅显示95％水平的相关性。数据周期：1889年至2006年。来源：Risbey等5。12图11：在开始阶段的Niño4指数与中太平洋埃尔尼诺事件和东太平洋厄尔尼诺事件的成熟阶段之间的皮尔逊相关系数。来源：Freund等人61 13图12：在IOD正期和负面事件期间，平均步行者循环模式，海面温度和降雨响应的示意图。来源：气象局。16图13：南环模式。a）南半球的年平均地面风，显示了极地伊斯特利，南极北部南大洋的中纬度西风腰带以及沿澳大利亚东部海岸线的东南贸易风。使用ERE5 87重新分析表面风（10m）创建的数字。来源：Hendon等。赤道膨胀和中纬度西风带（由蓝色和红色箭头指示）的极点收缩的变异性以SAM为特征。b）季节性马歇尔山姆指数。来源：https：//climatedataguide.ucar.edu/climate-data/marshall-southern-nular-annular-mode-mode-sam-index-station-17图14：SAM对澳大利亚每日降雨的影响。每个澳大利亚季节正面和负SAM（SAM+减去SAM-）之间的每日降雨（阴影）和850-HPA风（向量）差异。在每个面板的右上列出了SAM的正和负阶段的天数。仅在复合每日异常与95％水平的零差异显着不同的情况下提供阴影。89 18图15：使用Marshall指数，代表代表印度洋偶极子的ElniñoSouthern振荡和偶极模式指数（DMI）的Marshall指数，海洋Niño指数（ONICNIño指数（ONI））的季节平均指数。年对应于十二月。*注意MAM图是年 + 1（例如MAM 2009代表2010年3月至5月的时期）。改编自Udy等人。82 21图16：东海岸旋风子类型。左 - 旋风簇轨道。右 - 第75个百分点降雨。来源：Gray等。115 22
降雨的同时气象极端变化和...
1广州大学，广州大学建筑与城市规划学院，中国510006； chenzijinggzhu@outlook.com（Z.C. ）; haojuny1202@outlook.com（H.Y. ）; lijianjun@gzhu.edu.cn（J.L. ）; chengliang.fan@gzhu.edu.cn（c.f.） 2广州大学的建筑设计与研究所，中国510405； ikeccch@outlook.com（B.C. ）; chewy0917@outlook.com（q.r。） 3广东污染过程和控制的广东省级主要实验室，环境科学与工程学院，广东大学石化技术大学，摩梅山525000，中国4号国家主要的实验室，土木工程和运输学院主要实验室。 mingl6371@outlook.com 5汤吉大学设计与创新学院，上海200092，中国； Zhoushiqi1965@outlook.com 6 Bartlett建筑学院，伦敦大学学院，伦敦WC1N 1EH，英国； ucbqy55@ucl.ac.uk 7新加坡南南技术大学的民用与环境工程学院，新加坡639798； ctansk@ntu.edu.sg *通信：landwangmo@outlook.com（M.W. ）; dqzhang3377@outlook.com（d.z。）1广州大学，广州大学建筑与城市规划学院，中国510006； chenzijinggzhu@outlook.com（Z.C.）; haojuny1202@outlook.com（H.Y.）; lijianjun@gzhu.edu.cn（J.L.）; chengliang.fan@gzhu.edu.cn（c.f.）2广州大学的建筑设计与研究所，中国510405； ikeccch@outlook.com（B.C. ）; chewy0917@outlook.com（q.r。） 3广东污染过程和控制的广东省级主要实验室，环境科学与工程学院，广东大学石化技术大学，摩梅山525000，中国4号国家主要的实验室，土木工程和运输学院主要实验室。 mingl6371@outlook.com 5汤吉大学设计与创新学院，上海200092，中国； Zhoushiqi1965@outlook.com 6 Bartlett建筑学院，伦敦大学学院，伦敦WC1N 1EH，英国； ucbqy55@ucl.ac.uk 7新加坡南南技术大学的民用与环境工程学院，新加坡639798； ctansk@ntu.edu.sg *通信：landwangmo@outlook.com（M.W. ）; dqzhang3377@outlook.com（d.z。）2广州大学的建筑设计与研究所，中国510405； ikeccch@outlook.com（B.C.）; chewy0917@outlook.com（q.r。）3广东污染过程和控制的广东省级主要实验室，环境科学与工程学院，广东大学石化技术大学，摩梅山525000，中国4号国家主要的实验室，土木工程和运输学院主要实验室。 mingl6371@outlook.com 5汤吉大学设计与创新学院，上海200092，中国； Zhoushiqi1965@outlook.com 6 Bartlett建筑学院，伦敦大学学院，伦敦WC1N 1EH，英国； ucbqy55@ucl.ac.uk 7新加坡南南技术大学的民用与环境工程学院，新加坡639798； ctansk@ntu.edu.sg *通信：landwangmo@outlook.com（M.W. ）; dqzhang3377@outlook.com（d.z。）3广东污染过程和控制的广东省级主要实验室，环境科学与工程学院，广东大学石化技术大学，摩梅山525000，中国4号国家主要的实验室，土木工程和运输学院主要实验室。 mingl6371@outlook.com 5汤吉大学设计与创新学院，上海200092，中国； Zhoushiqi1965@outlook.com 6 Bartlett建筑学院，伦敦大学学院，伦敦WC1N 1EH，英国； ucbqy55@ucl.ac.uk 7新加坡南南技术大学的民用与环境工程学院，新加坡639798； ctansk@ntu.edu.sg *通信：landwangmo@outlook.com（M.W.）; dqzhang3377@outlook.com（d.z。）
基于对流的气候模拟
摘要。大雨是水侵蚀的主要驱动力，这是对全球土壤和水资源的威胁。由于气候变化，降水（尤其是极端降水）在温暖的世界中正在增加，导致降雨侵蚀的增加。然而，常规的全球气候模型努力代表降雨事件，并且无法在高时空分辨率下提供降水数据，这是对未来降雨侵蚀的估算所需的。对流允许模拟（CPSS）提供高分辨率的降水数据，并更好地表示极端降雨事件，但它们大部分仅限于相对的小空间范围和短时间。在这里，我们第一次介绍了大型模型领域（例如中欧），基于使用代表性浓度路径8.5（RCP8.5）发射现象生成的高分辨率CPS气候数据。我们计算了过去（1971-2000），现在（2001- 2019年），不久的将来（2031–2060）和Far Future（2071–2100）的雨水侵蚀率。我们的资产表明，该地区河流河流的降雨侵蚀的未来侵蚀的未来可能会达到84％。这些增加远高于基于平均降水的回归估计的先前估计。我们确定，尽管剩余的局限性，CPS仍具有对土壤侵蚀的气候影响研究的敌对且目前尚未开发的潜力。因此，土壤侵蚀建模统一性应紧密遵循气候建模的最新和未来进步，以利用新的CPS来进行临床影响研究。
2021年7月中旬洪水的定量降雨分析...
摘要。2021年7月在欧洲中部的特殊浮游受到比利时的影响。由于降雨是此事件的触发因素，因此本研究的目的是根据两种观察数据来表征2021年7月13日至16日在比利时的降雨量。首先，已经汇总了比利时天气和水力服务所记录的高质量雨量测量表记录的观察结果并检查了质量。第二，已经证明，基于雷达的降雨产物可以在比利时高空间和时间分辨率下可靠地估计定量沉淀。这里对这些数据进行了几项分析，以描述事件期间降雨的空间和时间分布。这些分析表明，事件期间的降雨积累在大型方面达到了前所未有的水平。从1到3 d的持续时间累积显着超过了几个地方的200年回报水平，在200年的回报水平上，在Vesdre盆地的本地2和3 d值超过200年的回报水平。需要尽可能记录这样的破坏事件，并且必须与科学界共享可用的观察数据，以进行水文，城市规划方面的进一步研究，更普遍地，在所有多学科研究中，旨在识别和理解导致这种灾难的因素。因此，相应的降雨数据是在补充剂中自由提供的（Journée等，2023； Gouden-Hoofdt等，2023）。
2021年7月中旬洪水的定量降雨分析...
摘要。2021年7月在欧洲中部的特殊浮游受到比利时的影响。由于降雨是此事件的触发因素，因此本研究的目的是根据两种观察数据来表征2021年7月13日至16日在比利时的降雨量。首先，已经汇总了比利时天气和水力服务所记录的高质量雨量测量表记录的观察结果并检查了质量。第二，已经证明，基于雷达的降雨产物可以在比利时高空间和时间分辨率下可靠地估计定量沉淀。这里对这些数据进行了几项分析，以描述事件期间降雨的空间和时间分布。这些分析表明，事件期间的降雨积累在大型方面达到了前所未有的水平。从1到3 d的持续时间累积显着超过了几个地方的200年回报水平，在200年的回报水平上，在Vesdre盆地的本地2和3 d值超过200年的回报水平。需要尽可能记录这样的破坏事件，并且必须与科学界共享可用的观察数据，以进行水文，城市规划方面的进一步研究，更普遍地，在所有多学科研究中，旨在识别和理解导致这种灾难的因素。因此，相应的降雨数据是在补充剂中自由提供的（Journée等，2023； Gouden-Hoofdt等，2023）。
评估降雨全球产品可靠性以管理热带火山山区集水区的水资源
研究区域：水资源管理从根本上依赖于我们监测气候强迫变化的能力，特别是在热带山区环境中，降雨的时间和空间变化强烈控制着水资源的动态。在西爪哇岛，降雨的时间和空间分布因区域气候学和火山形态而存在显着差异，而可达性问题和气候现象的复杂性是可靠降雨地面仪器的限制因素。研究重点：在这里，我们评估气候再分析（CHELSA 和 TerraClimate）和卫星产品（CHIRPS）在捕捉降雨高分辨率空间变化方面的能力。使用 Kling-Gupta 效率得分的三个组成部分来估计每个全球产品的降雨量、变化和动态的准确性。由于直接统计比较受分辨率问题的影响，我们的方法是通过基于过程的方法完成的。根据已知的气候现象分析全球产品的空间和地形降雨模式。水文见解：看来，TerraClimate 为时间监测提供了最准确和稳定的估计。CHIRPS 显示的降雨模式与大气环流和火山形态一致，但高估了总体降雨量。本研究提出了一种评估仪器不足地区的全球气候产品的方法。结果表明，高分辨率全球产品对水资源管理颇具吸引力。然而，一些时间和空间偏差仍然限制了它们在操作目的上的整合。