1) Precipitation in last July to September
7～9月份降水量
2) April-September rainfall
4～9月降水
3) Precipitation from June to September
6-9月降水
4) monthly rainfall
月降水量
1.
Hourly rainfall model for building energy simulation (2): stochastic simulation of monthly rainfall;
建筑能耗分析用逐时降雨模型(2):月降水量随机模拟
5) monthly precipitation
月降水量
1.
In this paper,we took Xianju County,Zhejiang Province as the example and analyzed the temporal distribution characteristics of monthly precipitation.
以浙江省仙居县为例,通过分析月降水量的时间分布类型,选择了县内10个降水量测站,分别以上张水文站和苗寮水文站为基本站,以其它7个水文站和括苍山气象站为订正站,对基本站和订正站的月降水量之间进行相关分析,并采用月降水量相对系数的稳定性特征对各订正站的月降水量进行了时间序列订正,然后,从订正误差的角度分别对订正结果进行了分析。
2.
Results show that solar activity and ENSO have their different affects on the monthly precipitation, monthly means of the barometric pressure and temperature in different time scales.
运用 2进小波的分解与重构技术分析了太阳活动、厄尔尼诺 -南方涛动 (ENSO)与上海地区月降水量、月均气压和月均温度序列之间的可能关系。
3.
Based on the monthly precipitation data of 272 stations in China,the generality of the spatial probability distribution model(PDF) of the precipitation was explored.
结果表明 ,描述中国区域月降水量水平空间分布非均匀性的普适分布律以 Γ分布的 PDF(Probability Density Function)最适宜 ;讨论了其分布参数的季节和年际变化及其气候意义 ,并用分区拟合结果验证了该分布型的普适
6) monthly mean rainfall
月降水量
1.
The applied example is monthly mean rainfall the north area of Guangxi in April.
针对目前 BP神经网络在实际气象预报应用中 ,网络结构难以确定以及网络极易陷入局部解问题 ,用遗传算法优化神经网络的连接权和网络结构 ,并在遗传进化过程中采取保留最佳个体的方法 ,建立基于遗传算法的 BP网络模型 ,并以广西的月降水量进行实例分析 ,计算结果表明 ,该方法预报精度高、而且稳定 。
2.
Upon using an artificial neural network (ANN) a new short term climate forecast model with the monthly mean rainfall in June in the north of Guangxi as predictand is developed by means of making empirical orthogonal functions (EOF) to the predictors of previous 500hPa height and sea surface temperatures (SSTs), and selecting the high relative principal components.
对月降水量的前期 5 0 0hPa高度场、海温场相关预报因子进行EOF展开 ,并取其中与预报量相关程度较高的主成分 ,结合人工神经网络技术 ,建立了一种新的短期气候预测模型。
补充资料：月份
1.见"月分"。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条