条件数在台风移动路径预报中的应用

以1960-2001年41年中每年7月份西行进入南海海域的台风样本为基础，综合考虑台风移动路径的气候持续因子和数值预报产品的物理量场因子，运用条件数方法选取因子并建立回归方程，进行了台风路径的预报建模研究。由于采用条件数计算分析方法可以有效减少和控制自变量之间的复共线性关系，因此，所建立的台风移动路径模型具有较好的预报效果，24小时的预报误差仅为136．29km。另外，还进一步将该预报方法与国内外普遍采用的气候持续法台风移动路径预报方法进行了对比分析，结果表明，该方法的预报精度要高于气候持续法。     

基于BP神经网络和VSM的台风灾害经济损失评估

统计了对广东省造成直接经济损失的台风数据,包括致灾因子、孕灾环境和承灾体等评估因子,对数据进行无量纲化、归一化处理,作为验证模型的数据集。建立BP神经网络和空间向量模型(VSM)相结合的综合评估模型,利用BP神经网络进行初步预测,基于VSM对预测结果进行修正,从而构建台风灾害经济损失评估模型。将收集的历史台风经济损失数据分为训练和测试集,对模型进行训练和检验。经验证,采用BP神经网络和VSM相结合的台风灾害经济损失评估模型能够有效降低训练数据不足对评估结果的影响,平均误差率由30%降低到14%。     

华南台风灾害的风险熵-极限学习机预测模型研究

结合广义模糊熵原理和模糊c均值聚类方法构建华南台风灾害风险熵模型,对华南台风灾害进行风险分析,讨论其分布情况;利用灰色关联分析法,探讨华南台风灾害的灾情因子、致灾源因子分别和灾害风险熵之间的关系以及二者对风险熵的影响程度;建立基于极限学习机的非线性回归模型,以多元线性回归和BP神经网络两种方法作为对照组,进一步探讨风险熵与灾情因子和致灾源因子关系。结果表明,华南台风灾害风险熵值呈正态分布,与灾情因子和致灾源因子的灰色关联度分别为0.716 2和0.794 9,受灾情因子和致灾源因子的影响较大;利用构建的极限学习机模型预测的华南台风灾害风险熵值平均绝对误差为0.059,拟合优度为92.82%,将预测结果与常规的多元线性回归和BP神经网络方法的预测结果进行对比分析,结果表明,用构建的极限学习机模型预测华南台风灾害风险熵值,其性能比常规多元线性回归和BP神经网络方法有明显的改进。     

基于粒子群优化神经网络的台风灾情定量评估

准确的台风灾情评估,是做好防灾减灾工作、降低灾情的基础。通过分析台风灾情与致灾因子、孕灾环境和承灾体的相关关系,将时间和GDP引入到评估因子中。针对评估因子和台风灾情之间具有高度不确定的非线性关系,应用神经网络理论进行台风灾情评估,并将基于全局随机优化思想的粒子群优化(PSO)算法对BP神经网络的初始权值进行优化,以改进BP神经网络方法存在的对初始权值敏感、易陷入局部极小点的缺点,从而建立了PSO-BP网络台风灾情定量评估模型。将该模型应用到2007年台风灾情评估中,评估值与实际值基本符合,表明该模型能应用于台风灾情的定量评估。     

福建春季旱涝灾害BP人工神经网络预测模型

以动量BP人工神经网络模型对福建3-4月的春季旱涝进行了预测试验.试验结果表明:若前期冷空气偏强,会导致来年春季降水偏多,3个主分量的各因子均达到显著性水平;尽管福建春季降雨量具有明显的非线性演变特征,但从试报的5年来看,神经网络的预测评分可高达90分以上,逐步回归和最优子集最高不超过90分.因此,所提BP神经网络预报模型对福建春季降雨量有较好的预报效果,可供有关部门制定防灾减灾决策参考.     

基于离散型Hopfield神经网络的台风灾情评估模型

台风灾情评估对防台减灾和救灾工作十分重要,为此,提出并建立了一种基于离散型Hopfield神经网络的评估模型。该模型选取5个评估因子,根据广东省台风灾害历史数据,按灾害等级划分原则制定了评估因子5个等级的划分方法,然后将待分级的台风进行Hopfield编码,建立离散型Hopfield神经网络模型,并用实例对模型进行了验证,分析模型的不足,将评估因子的权重因素引入到模型中,使模型更加合理。     

2018年8月两次登陆北上台风移向的先兆信号分析

在分析台风“摩羯”（201814）和“温比亚”（201818）登陆北上异常路径的基础上,从近地面层气象要素场与台风位置动态配置入手,探寻了台风登陆后移向的近地面先兆信号,以此可修正数值模式的预报结果。主要结论如下:登陆后的台风尽管路径多变,但是近地面层气象要素还是会提供一些移向征兆。比如,地面3 h变压低值中心和地面露点高值中心,1 000 hPa高频流涡旋、渐近线或汇合点将是台风未来移动的方向;台风还有沿着流线密集带向其倒槽顶端移动的趋势。登陆后的台风没有趋暖性,而是沿地面温度低值区移动。由于地面要素受下垫面影响较为严重,所以在实际业务应用中应以地面3 h变压、地面露点与高频流场为主,地面温度和地面流场为辅。     

BP神经网络模型在地震应急人员伤亡评估中的应用

讨论了利用BP神经网络,对震后的死亡人数进行较为准确的评估,进而指导后续的地震应急工作。选取地震震级、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差、发震地人口密度和时间(白天、晚上或凌晨)等7项数据作为输入因子,以死亡人数作为输出因子,建立了BP神经网络模型,再以阳江、炉霍、鲁甸和景谷4次地震的该7项数据作为检测因子检测建立的神经网络。可以得出:由网络训练得到的结果与真实的死亡人数相差很小,结果对比比较理想。     

两种定性天气预报模型的对比分析

以南京１９６５～１９９４ 年４ 月平均气温作为预报量, 选取前期５００ ｈ Ｐａ 月平均高度场相关因子, 分别建立了事件概率回归预报模型和神经网络预报模型。通过对比分析发现, 在同等条件下,由于神经网络方法能更好地反映预报量与预报因子间的非线性关系, 并能有效避免采用事件概率回归方法预报建模时, 对预报因子分级造成信息损失的缺点。因此, 其拟合和预报效果明显优于传统的概率回归预报方法     

广东台风灾情预测系统研究

准确预测台风灾情对防台减灾具有重要意义。研究了广东省台风灾情的一种预测系统。该系统将广东省划分为4个区域,引入区域灾害易损性和台风路径类型作为评估因子,采用非线性的GA-BP神经网络,通过2000-2006年广东省台风数据训练和测试,建立了台风灾情预测模型。系统采用C#+Arc Engine进行二次开发,形成了一种集成GIS功能的台风灾情预测系统,以期为防台减灾工作提供决策辅助。     

基于数值模拟的台风危险性分析综述(Ⅱ)——随机抽样模拟与极值风速预测

台风危险性分析是台风损失估计及防灾减灾的基础。对基于数值模拟的台风危险性分析所采用的随机台风概率模型、随机抽样模拟方法和极值风速预测进行了回顾与评述,包括台风关键参数概率模型及其相关性、台风路径模型、台风登陆衰减和海陆风速转换模型以及台风极值风速概率模型,并针对我国东南沿海地区台风危险性分析数值模拟采用的相关模型给出了相关建议。     

1993年夏季的台风路径特征

１９９３年西北太平洋共生成２８个台风，其移动路径趋势有其独特性。有７个台风登陆日本；８个登陆菲律宾；７个台风登陆我国广东和海南省，直接损失高达７０亿元，为１９４９年以来最严重的一年。但没有一个台风登陆华东和华北沿海，这也是极为罕见的。本文分析了１９９３年台风移动的天气学原因，及其与厄尼诺现象的关系。并着重分析了台风移动路径的卫星云图特征。从而有助于判别台风究竟是北上转向，还是西行登陆我国。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

改进的物元可拓模型在台风灾害预评估中的应用

以数值天气预报产品为信息源,选择降水量、降水强度、最大风速、经济易损性作为评价因子,建立了可拓模型,并进行了台风灾前的灾害预测性评估。针对物元可拓法在台风灾害预评估应用中的不足之处(当待评估的数据超出某一指标评价指标范围,其关联度函数就会出现无法计算的情况),对原有模型中经典域的量值作规格化处理和改变关联度计算,以海南岛的台风历史灾害数据为基础,建立了新的评估模型,并将GIS与评估模型结合开展实例应用,结果表明:该方法是可行性。     

长三角地区台风危险性定量分析

台风灾害是影响我国最主要的自然灾害之一。由于地处西北太平洋西侧,长三角地区每年都会受到台风的侵袭。根据中国气象局公布的1949-2010年西北太平洋台风最佳路径数据,首先提取了影响长三角16个城市的台风最大风速数据,分别从台风影响频次、强度和最大风速极值分布的角度定量地分析了各个城市的台风灾害危险性,并通过对比分析得出了台风灾害危险性在长三角地区的分布状况。结果显示,台风影响频次和强度都呈现从东南向西北递减的趋势,综合台风影响频次、强度和极端台风重现水平,这16个城市可以划分为3个危险等级:"高危险"城市,包括台州、绍兴、宁波和舟山;"中危险"城市,包括杭州、上海、嘉兴、湖州、无锡和苏州;"低危险"城市,包括南通、常州、镇江、南京、泰州和扬州。致灾因子危险性定量评估是灾害风险评估中重要的一环,研究结果可供制定长三角地区台风灾害防灾规划参考。     

基于BP神经网络的饱和砂土液化判别方法

基于唐山地震中大量的砂土液化现场实测资料,选取描述地震动特性的烈度、震中距、地面峰值加速度和描述砂土层埋藏环境条件的地下水位、标贯点深度(土层深度)、上覆非液化覆盖土层厚度、有效覆盖压力,以及表示砂土自身属性的标准贯入锤击数、平均粒径、不均匀系数、修正标贯击数共11个指标的不同组合作为输入变量,采用快速BP算法和LM算法构造了饱和砂土液化判别的BP神经网络预测模型.通过所建网络模型的训练、验证和应用,结果表明:(1)所建14个BP神经网络模型都是有效的,液化判别的准确度与模型输入变量的不同组合有关;(2)增加网络模型的节点(考虑因素较多)并不一定能够提高BP神经网络模型的液化判别准确度,反而增加了BP神经网络模型的复杂性和学习时间;(3)两种算法的BP神经网络模型都有很高的液化判别准确度,LM算法的计算速率要比快速BP算法快得多,但在计算过程中需要更多的内存,建议采用LM算法;(4)采用所提BP神经网络模型的权值与阈值进行其它预测样本的液化判别时,判别结果可能偏于保守;(5)从影响砂土液化的主要因素、获取指标难易程度考虑,在与<建筑抗震设计规范>砂土液化判别公式考虑指标一致的情况下,建议采用BP神经网络模型M4或M5a,该模型简单、方便,且其预测准确度远高于<建筑抗震设计规范>的砂土液化判别准确度.     

Shapiro台风风场模型及其数值模拟

我国东南沿海是世界上台风最集中的地区之一,也是我国经济最发达和财富最集中的地区,台风引起的灾害损失巨大.数值模拟方法是目前进行台风危险性分析和估算极值风速普遍采用的方法,已有较多风场模型应用于台风区的极值风速估算,Shapiro风场模型是其中之一.首先介绍了Shapiro台风风场模型,然后采用有限差分法求解描述该风场模型的非线性偏微分方程组,利用两个实测台风的风速记录对该模型进行了验证,对该风场模型在我国东南沿海地区的应用做了初步尝试.     

人工神经网络在台风预报中的应用初探

为了探索人工神经网络应用于台风分类预报的可能性，用具有Ｓ－特特性函数的Ｂ－Ｐ网络对每类台风的标准样本进行训练，由训练结束后的权值和阈值及待预报样本的因子测值，计算出网络输出值，作出台风分类预报。文中的实例表明人工神经网络用于台风预报具有客观性、可行性和实用性。