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。     

三种智能计算低温冷害预报模型的对比分析研究

为了探索不同的非线性智能计算预报建模方法在冬季低温冷害预报中的应用效果,利用广西区域逐日平均气温和降水资料计算得出的1951-2018年冷湿指数作为预报量。通过计算该预报量与前期再分析资料中的各种物理量相关得出预报因子。首先利用逐步回归方法,从初选的相关预报因子中,客观选出9个预报因子,再对未选入的预报因子作核主成分非线性降维计算,选出方差贡献最大的核主成分因子,作为各预报模型的输入因子。分别采用模糊神经网络方法(FNN)、遗传算法的神经网络集成(GA-ANN)预报方法以及粒子群算法的支持向量机(SVM-PSO)集成预报方法三种不同的智能计算预报建模方法建立预报模型,对2012-2018年的20次低温冷湿天气进行预报对比试验。结果表明,在同样的预报建模样本条件下,模糊神经网络预报模型对20个独立样本预报平均绝对误差最小。进一步的计算还表明,这三种智能计算预报模型均比同样预报建模样本和预报因子的线性回归预报平均绝对误差要小,显示了非线性智能计算预报建模方法,对于具有明显非线性变化特征的冬季低温冷害天气过程,比线性预报方法有更好的预报能力。     

年度洪涝灾害风险评估模型及其应用——以湖南为例

依据灾害概率风险评估理论,考虑汛期降水的可预报性,基于历史洪涝灾害事件,尝试性地构建了年度洪涝灾害风险评估模型,以湖南为例,对评估模型进行了检验与应用。结果表明:模型建立了前期海温和环流指数等因子与汛期区域降水时空分布的回归预报方程,应用概率风险分析得到年度不同降水下直接经济损失分布,结合蒙特卡洛仿真模拟求解损失的超越概率曲线,评估年度洪涝灾害单次最大可能损失、年度总损失以及年期望损失;模型集"未来年度汛期降水预测"、"降水与损失分布关系拟合"、"损失超越概率评估"于一体,是对全过程年度洪涝灾害风险评估方法的新探索;湖南年度洪涝灾害评估案例表明该模型可操作,结果与实际情况相符。研究可为完善灾害风险评估内容与技术方法提供新视角,亦可为开展业务实践提供方法借鉴。     

冰情预报的投影寻踪回归模型

将投影寻踪回归模型应用于黑龙江上游江段开河日期的预报,并与GA-BP模型预报的结果进行了对比分析.结果表明,投影寻踪回归模型预报的精度及稳定性较高,其性能优于常用的GA-BP模型.预报采用理论分析与多元逐步回归分析相结合的方法筛选预报因子,既可确保不遗漏基本影响因子,又能剔除对目标值影响不显著的因子,用于确定冰情预报的预报因子较为适宜.     

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。     

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。     

全国小麦条锈病长期预报模型比较研究

选择上年1月至当年4月为预报时段，采用预报因子膨化技术，将大气环流特征量按月依次组合成不同时段，计算出不同膨化时段的74项大气环流特征量距平值。从这些值中选出与全国小麦条锈病发病面积率距平相关显著的关键时段关键环流因子，建立了全国小麦条锈病发病面积率距平预报模型Ⅰ。与未采用因子膨化技术建立的预报模型Ⅱ相比，模型Ⅰ的预报准确率有显著的提高。同时发现，大气环流特征量与全国小麦条锈病发生流行之间存在着很好的相关性。     

旱涝趋势的投影寻踪预测模型

介绍了投影寻踪回归（ＰＰＲ）建模的基本原理和算法实现。选用太阳黑子年平均数和旱涝分型的转移概率作因子，建立了长江中下游旱涝趋势的ＰＰＲ预测模型，并与用相同资料建立的Ｂ－Ｐ神经网络模型预测结果进行了比较。     

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。     

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。     

基于Elman神经网络模型的我国农业受灾面积预测研究

农业受灾面积顶测是从以往受灾面积的数据中总结受灾面积变化的规律性，并用这个规律动态地顶测未来的受灾面积．人工神经网络的诸多特性能较好地处理农业灾害顶测问题。为此，介绍了Elman神经网络的结构、算法和基于Elman神经网络的农业受灾面积顶测．实验结果和自回归顶测对照表明，Elman神经网络的顶测方法更精确。     

基于SSA-MGF的偏最小二乘回归神经网络的预报模型

本文采用奇异谱分析（Singular Spectrum Analysis,SSA）方法对原始降水序列重构,并用均生函数（Mean Generating Function, MGF）方法对重构系列构造延拓矩阵,以此作为自变量,原始降水序列作为因变量, 再利用偏最小二乘法提取对因变量影响强的成分作为神经网络的输入因子,原始序列作为输出因子,建立神经网络预测模型.通过对广西全区6月份降水量进行实际建模并与其它方法进行对比预测试验,结果表明,基于SSA-MGF的偏最小二乘回归神经网络预测模型较好,是一种具有较高应用价值的预测方法.     

排水刚性桩处置可液化倾斜场地的振动台试验研究∗

排水刚性桩将竖向排水体和刚性桩相结合,是一种有效的地基抗液化处理措施。但目前对排水刚性桩在可液化倾斜场地中抗液化侧向变形的性能研究还比较缺乏,制约了其推广与应用。通过振动台试验,开展了可液化倾斜场地中排水刚性桩和普通刚性桩的对比研究,从土体内部动孔压响应、液化土体的流动性质、桩顶水平位移等角度研究了排水刚性桩对可液化倾斜场地的处理效果,并考虑了群桩布置形式的影响。结果表明,排水刚性桩是一种有效的加固可液化倾斜场地的处理措施,可以较好的限制液化土体侧向变形;相同群桩布置形式下,排水刚性桩限制土体流动变形效果优于普通刚性桩,且这种限制效果在坡顶位置更为明显;对于普通刚性桩,群桩梅花形布置形式相对于正方形布置形式能更好的阻止液化土体的流动变形,而对于排水刚性桩,群桩布置形式影响较小。     

基于神经网络的洪水预报研究

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自学习和自适应等一系列优点,因而用它来进行洪水预报是可行的.对洪水预报问题,初步建立了基于神经网络的洪水预报系统,给出了应用实例.     

Decision Tree-Based Classifier Combined with Neural-Based Predictor for Water-Stage Forecasts in a River Basin During Typhoons: A Case Study in Taiwan

To solve the complicated problem of water-stage predictions under the interaction of upstream flows and tidal effects during typhoon attacks, this article presents a novel approach to river-stage predictions. The proposed CART-ANN model combines both the decision trees (classification and regression trees [CART]) and the artificial neural network (ANN) techniques, which comprise the multilayer perceptron (MLP) and radial basis function (RBFNN). The combined CART-ANN model involves a two-step predicting process. First, the CART stage-level classifier can classify the river stages into higher, middle, and lower levels. Then, the ANN-based water-stage predictors are employed to predict the water stages. The proposed model was applied to the Tanshui River Basin in Taiwan. The Taipei Bridge, which is close to the estuary and affected by tidal effects, was taken as the study gauge. The mean square error and the mean absolute error were used for evaluating the variance and bias performances of the models. This study makes two contributions. First, the CART-MLP and CART-RBF were modeled to predict river stages under tidal effects during typhoons, and they were compared with three benchmark models, CART, back-propagation neural network, and RBFNN. Second, the CART-RBF successfully demonstrated that it achieved more accurate prediction than CART-MLP and three benchmark models.     

基于天气分型的北京地区雷电潜势预报预警系统

对1997-2006年457个雷暴过程的环流形势进行对比分析,将北京地区的雷暴天气分为东北低涡低槽、贝蒙低涡低槽、西来槽等11种雷暴天气型;利用南郊观象台(54511站)的探空资料计算对流有效位能、抬升指数和相对风暴螺旋度等33个对流参数,通过与北京地区SAFAIR3000获取的闪电定位资料进行统计分析,提取BCAPE、BLI、MDCI、BIC、KNEW和SWISS等6个对流参数作为北京地区潜势预报参数;采用事件概率回归(REEP)方法,利用获取的6个对流参数作为变量,形成了11种雷暴天气型下的潜势预报方法。利用WRF模式的预报场,建立适用于北京地区3～36 h雷电潜势预报系统。个例实验结果表明其具有较好准确性。由于该系统建立过程中使用了高分辨率探测资料和中尺度模式的输出结果,实现了雷电潜势预报由点到面,由粗到细的突破,对北京地区雷电预警预报具有一定的应用价值。     

膨胀土路基水毁灾害及其粗糙神经网络预测

通过对膨胀土地质灾害的总结，提出了膨胀土路基水毁灾害的分类分级方法，并根据常用的地质灾害预测办法，指出膨胀土路基水毁灾害的预测是一个典型的非线性问题，当考虑降雨、干旱等气候因素耦合影响时，宜进行危险性点评估。提出了采用粗糙神经网络对膨胀土路基水毁灾害进行评价和预测的方法，并运用粗糙集理论确定了该神经网络的结构。同时，以某膨胀土路基水毁大型模型试验的数据为例，进行了灾害预测，结果表明，将粗糙神经网络运用于膨胀土路基的水毁灾害预测是切实可行的。     

广西夏季异常降雨量的前馈网络预报模型

以1957～2001年广西37个基准站的夏季(6～8月)平均降水量为基础,将夏季降水量距平百分率大于等于20%、小于等于-23%作为异常多雨和少雨年,建立广西夏季降水量"0、1"化的异常序列,利用前馈网络的非线性映射技术,构造广西夏季降水异常预报模型.通过对该模型的预报检验分析发现,该预报模型不仅能准确地报出历史样本的异常多雨和异常少雨年,并且对2002～2004年的独立样本预报也全部正确.这为异常降水的短期气候预测业务工作提供了新的思路和方法.     

不同热力背景对城市降雨（暴雨）的影响（Ⅲ）：—基于人工神经网络的集成预报模型

在对降雨系统时序规律分析的基础上,提出了基于人工神经网络的集成降雨时序分析与预报模型,根据上海市降雨和实际测点布置的特点,提出了两套降雨预报策略,根据热力背景的不同,建立了城市降雨空间差异预报模型,经初步验证,该模型具有较高精度,可为城市规划,排水市政工程建设服务。