低温雨雪过程的粒子群-支持向量回归预报方法

低温雨雪冰冻灾害是多种气象要素在同时段、同区域相互配合迭加影响而形成的,具有显著的非线性、时变性特征,预报难度很大。为此首先采用逐步回归与核主成分分析相结合的因子特征提取构建模型的输入矩阵。进一步采用粒子群算法对支持向量回归预报模型的相关参数进行优化,以华南广西区域持续性低温雨雪冰冻天气过程的冷湿指数作为预报对象,建立粒子群-非线性支持向量回归预报模型(PSO-SVR)。由独立样本对比预报试验结果表明,在建模样本相同、预报因子相同的条件下,粒子群-支持向量回归预报模型对严重过程和一般过程低温雨雪天气过程冷湿指数的独立样本预报平均绝对误差分别为7.39和7.65;而相应的回归预报方程对这两种过程的独立样本预报平均绝对误差分别为11.18和7.94,显示了PSO-SVR预报模型的预报误差明显小于一般的线性回归方法。     

基于多种预测模型的玉米低温冷害预测集成模型

引入大气环流特征量因子、500hPa高度场因子、太平洋海温因子以及预报量本身的均值周期因子等四类因子的低温冷害预测子模型来建立玉米低温冷害预测集成模型。利用该集成模型预报下一年温度等级时，将上一年的实况资料输入预测模型，滚动预测，克服了统计模型预报时效短的缺点，且试报准确性高，无错报。     

适用于我国华南广西区域冬季的冷湿指数计算方法研究

根据我国华南冬季气温、降水的气候特点,使用广西国家级地面气象站的逐日平均气温和降水量数据,进行了我国南方湿冷程度表征指标的计算方法分析研究,通过细分不同量级的降水量对冬季低温冷害程度的影响,提出一种适用于华南广西区域冬季的冷湿指数计算方法,将这种新的冬季冷湿指数计算方法与以往的计算方法进行对比分析,结果表明,新指数在很大程度上修正原冷湿指数受降水量干扰太大的缺陷,是一种更为合理的适用于华南广西区域的冬季低温冷湿指数计算新方法。利用这种新方法计算的冷湿指数,以区域性低温雨雪冰冻事件为基础,同时兼顾低温雨雪冰冻事件的时间持续性,识别出一般区域性低温雨雪冰冻事件89例,严重区域性低温雨雪冰冻事件12例。识别结果与实际灾情记录比较符合。     

遗传—神经网络集合预报方法在广西热带气旋降水预报中的应用

利用多维尺度分析可以从一系列数据集的相似性信息中发掘其中的潜在结构信息,并通过样本点间的相似度构建相似矩阵,再将相似矩阵映射到低维欧氏距离空间获取新的特征的能力。论文以1980—2015年共36年的广西热带气旋逐日降水量为基础,综合考虑热带气旋降水的数值预报产品物理量预报因子,采用多维尺度分析的预报因子信息数据挖掘技术,以进化计算的遗传算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行遗传—神经网络的广西热带气旋降水集合预报模型研究。遗传—神经网络的集成个体的输入因子是通过选出相关程度较高的数值预报产品的物理量场格点因子,同时网络的输出是通过多维尺度降维方法对初选预报因子群进行合理的降维处理来实现的。通过对2011—2015年影响广西的22个热带气旋共94个独立样本的试验预报的统计结果表明,对于暴雨以上量级的预报,广西89站的预报平均TS评分达到了0.3;同区域同样本的对比分析表明,新预报模型5年的TS评分比欧洲细网格的TS评分提高了15%以上;进一步对大量级的降雨落区的预报对比分析表明,新方案的预报效果比欧洲中心的预报更理想。     

旱涝灾害的门限神经网络预报模型

根据旱涝灾害具有非线性和突变性的演变特征，提出了利用门限值和门限变量构造神经网络的旱涝灾害预报新方法。由于该方法可以根据预报量与预报因子间的不同相关关系构成不同的神经网络学习矩阵，因此实际的预报计算结果表明，该方法对历史样本的拟合和预报精度比一般的逐步回归方法有明显提高。     

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。     

东北区夏季低温冷害的长期预报

利用东北区三大站(沈阳、长春、哈尔滨)50年(1951-2000年)夏季平均气温、前冬和夏季500hPa高度场、距平场及副高面积指数和海温场资料,对东北夏季低温冷害的环流特征进行了分析,建立了东北区夏季低温冷害预报模式;用春季高度距平平均场建立了夏季低温冷害天气预报模型。结果表明,东北区低温冷害与冬季副高面积指数及500 hPa乌拉尔山附近的高度值呈正相关,与冬季西风漂流区附近(40°~45°N,160°~150°N)海温场呈反相关;所建方程及模式预报拟合率和预报准确率都比较高,且可提前3个月左右进行预报。     

东北区夏季低温冷害的长期预报方法研究

利用东北区三大站(沈阳、长春、哈尔滨)50年(1951～2000年)夏季平均气温、前冬和夏季500hPa高度场、距平场及副高面积指数、海温场资料,对东北夏季低温冷害的环流特征进行了分析,建立了东北区夏季低温冷害预报模式;用春季高度距平平均场建立了夏季低温冷害天气预报模型.结果表明,东北区低温冷害与冬季副高面积指数及500hPa乌拉尔山附近的高度值呈正相关关系,与冬季西风漂流区附近(40°～45°N,160°～150°N)海温场呈反相关关系.所建方程及模式预报拟合率和预报准确率都比较高,可提前三个月左右做出预报.     

基于自然正交展开的神经网络长期预报模型

对月降水量的前期500hPa高度场、海温场相关预报因子进行E0F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。将这种新的预报模型与同样根据这些预报因子建立的回归预报模型进行了对比分析。结果表明，这种新的短期气候预测模型由于集中了众多预报因子的预报信息，并有效地利用了神经网络方法的非线性映射能力，因此比传统预报方法的预报精度显著提高，并且稳定性好，具有很好的应用前景。     

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     

基于遗传-神经网络的电网流域面雨量预报方法研究

以重点水力发电厂和大中型水库为主要考量,并兼顾地形地貌和中小河流的分布特征,将广西划分为23个电网流域,研究了基于非线性的神经网络电网流域面雨量预报方法。以5-6月龙滩近库区、龙江流域等6个电网流域为例,利用遗传算法优化BP神经网络的连接权和网络结构,建立了各电网流域的遗传-神经网络电网流域面雨量预报模型。对独立样本的预报结果表明,基于遗传-神经网络的电网流域面雨量预报模型的预报能力要优于传统的逐步回归预报模型,也明显优于日本、德国数值模式预报产品所换算成的电网流域面雨量预报,并与气象部门同期制作的综合面雨量预报产品能力相当,因而,遗传-神经网络面雨量集合预报模型有较好的业务应用前景。     

基于模糊综合判别的森林火险等级预报研究

森林火险气象因子的预报具有很大的不确定和模糊性,而依赖于气象预报因子的森林火险预报同样具有等级判别的模糊性.以海南岛森林火险气象等级预报为例建立森林火险预报模糊数学模型,研究建立森林火险预报模糊综合判别数学模型的关键技术,并分析对比模糊数学模型与其它常用森林火险预报方法模型的优劣.结果表明模糊数学模型在海南岛森林火险等级预报中显现出明显优势,它能够更好地分辨出高森林火险与低森林火险,较好反映森林火险等级与气象因子之间存在的复杂关系.     

基于模糊聚类算法的洪水预报研究

考虑降雨时空分布、降雨平均强度和土壤初始含水量对洪水过程的影响,将这些影响因子分为数值特征影响因子和属性特征影响因子,运用模糊C均值算法对历史洪水样本模糊聚类,然后根据不同的类建立不同的洪水预报模型。实例验证表明,该方法可以有效提高洪水预报的精度。     

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。     

信息矩阵方法在面雨量预报集成中的应用

对多种数值天气预报降水产品进行集成应用,是克服单一预报模式缺点、提高预报准确率的有效途径。任何预报集成方法其本质是建立输入-输出关系,在数学上可以用函数关系表达。给出了用信息矩阵识别这种函数关系的方法,并以面雨量预报为例建立了集成方案。利用欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)两种数值模式降水预报产品分别计算输出了淮河流域面雨量预报产品。利用地面观测雨量资料,采用泰森多边形法计算流域面雨量实况。将2011年6-8月ECMWF、JMA面雨量预报产品和面雨量实况资料作为学习样本,构建了模糊关系矩阵。利用2012年6-8月ECMWF、JMA两种数值模式面雨量预报产品进行了集成预报试验。采用降水分级检验评分(TS)方法,对比分析了ECMWF、JMA以及集成预报(CFCST)的预报性能。结果表明:基于信息矩阵方法的面雨量集成预报性能总体上高于单个预报成员。     

基于多普勒天气雷达体扫资料的下击暴流预警方法研究

本文利用新一代多普勒天气雷达体扫数据、自动气象探空站和地面大风测站资料,对2009-2013年湖北省大风天气过程的风暴特征量进行相关统计分析,通过云模型和支持向量机(SVM)等方法确定了包含环境、反射率和径向速度特征的9个下击暴流雷达预警指标。基于已确定的预警指标,分别利用Bayes和BP神经网络两种方法建立了下击暴流预报模型,通过识别结果检验表明,两种算法均能有效区分大风与非大风。Bayes方法大风击中率(POD)可以达到81.8%,大风和非大风预报准确率为86.7%,虚警率(FAR)和失误率(FOM)分别为5.2%和18.1%,TS评分0.77; BP神经网络非线性预报方法对大风的识别准确率为84%。进一步证明了提出的下击暴流雷达指标的可预报性和实用性。     

基于递归小波神经网络的江苏城镇夏季最高气温预报预警技术

针对目前数值天气预报产品释用方法上所存在的释用因子固化,无法应对特殊转折性天气的问题,应用一种基于动态因子检验的递归小波神经网络(Recurrent Wavelet Neural Network,RWNN)对江苏城镇夏季最高气温进行释用。该方法可以自动选取气象要素且无需建立回归方程,具有泛用性好、灵活性高的特点。使用该方法基于T639的2017-2018年6-8月资料建立了江苏省南京、徐州、射阳、常州、苏州5地的最高气温预报预警模型。实验结果表明:南京、徐州、射阳3地模型的TT2和HSS35评分较反向传播神经网络方法分别平均提高了9个百分点和0.15,同时较卡尔曼滤波方法分别平均提高了17个百分点和0.2。     

吉林省夏季低温的预测因子研究

为了有效地防御吉林省夏季出现的低温冷害，对夏季低温的预测因子进行了研究。通过概率统计、合成分析和相关分析等方法，对吉林省夏季气温与环流场、海温场、ENSO循环、太阳活动、极涡和西太平洋副热带高压等的对应关系进行了研究，运用几率波的概念，提炼出有预报意义的几率关键区。结果表明，前期环流场和海温场持续异常均会造成吉林省夏季低温；早发型的El Nino事件当年，晚发型的El Nino事件次年，太阳黑子谷值年以及前一年夏末秋初极涡中心纬度偏北、秋冬季副高面积指数偏小，易导致吉林省夏季低温；前一年冬季关键区几率波点数和模型场关键区几率波点数的一致率达40%以上时，吉林省夏季也容易出现低温。     

海洋冰情预测的径向基函数网络模型

为了提高非线性时序预测模型的精度,利用自相关技术分析了海洋冰情时序的延迟特性,据此确定了RBF网络的输入、输出向量,给出了MATLAB环境下海洋冰情预测的高精度径向基函数(RBF)神经网络的结构、设计、仿真函数和图形结果的输出方法,建立了海洋冰情预测的高精度RBF网络模型.使用27年的海洋冰情实测资料进行了网络的训练和检验,并将之用于预测,各训练样本的误差为0.0,预测值的精度高于门限自回归模型预测的精度.实例分析表明,所构建的RBF网络模型能充分利用预报因子的信息和神经网络方法的非线性映射能力,模型稳定性好,精度高,可广泛应用于各种自然灾害的非线性时序动态预测.     

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.