绵阳机场雷暴概率预报研究

本文对于2001～2005年的5～8月期间的昼间(北京时08：00～20：00时)在绵阳机场出现的雷暴天气，将雷暴发生前12 h内和雷暴发生当时的地面天气形势和高空天气形势进行统计表明：绵阳机场周围的中低空都有槽线或切变线存在；地面气压场主要为匀形场、冷锋、低涡和鞍型场4种型式.针对不同的地面型式，采用多元线性回归和逐步回归的统计回归分析方法，建立雷暴概率估计方程.从而找出了不同型式下，影响雷暴发生的关键因子和预报的着眼点，为当地雷暴的概率预报提供了依据.     

基于贝叶斯分类方法的雷暴预报

为了研究贝叶斯(Bayes)方法对单站雷暴预报的应用效能,利用2003年8月~2006年8月WRF模式数值预报产品和单站观测资料,采用朴素贝叶斯分类器(N-Bayes,naive Bayes classifier)和贝叶斯判别准则(D-Bayes,Bayes discriminatory criterion)两种方法,结合多种强对流天气指数场、Fisher准则和相关系数法的预报因子选取技术,分别建立了漳平、广州和湛江3个单站的雷暴预报模型;利用2007年8月资料,检验了模型预报效果,并与Fisher模型的预报效果进行了比较试验。结果表明:N-Bayes和D-Bayes两种模型有较强的雷暴预报能力,24~48 h雷暴预报CSI评分均超过0.23,准确率在72%以上,两者CSI评分接近,趋势相同;两种Bayes分类方法在预报效果上要优于Fisher判别方法。     

基于逐步回归和神经网络的北京市能见度预报对比

在研究北京市能见度变化特征的基础上,利用北京市环境监测站2015-2017年的空气污染物检测数据及同期美国国家环境预报中心的全球预报系统数值资料,筛选出主要的预报因子,分别用神经网络和多元逐步回归法建立预报模型,并进行试预报检验.结果表明,神经网络预报效果优于多元逐步回归,平均预报准确率达到75%(多元逐步回归为66%).神经网络在0～10 km能见度预报方面能够取得更好的效果,预测数据与观测值更为接近.     

基于GA-BP神经网络的自建点PM2.5浓度校准研究

为精准预报空气质量,以PM2.5为例对其自建点监测浓度进行校准,选取6种污染物浓度以及5个环境因素建立神经网络模型。BP算法由于权值和阈值的随机性可能存在局部最优、过渡拟合等缺陷,所以利用遗传算法优化BP神经网络,构建GA-BP神经网络模型。仿真结果表明,GA-BP神经网络的校准平均绝对百分比误差和均方误差分别为12.56%和0.0197,明显低于BP神经网络,说明该模型校准效果更好,能明显提高空气质量预报的准确率。     

BPSO优化朴素贝叶斯分类器的降水分级预报试验

为进一步研究朴素贝叶斯分类器在单站降水预报方面的应用效果,利用2008年至2011年6~9月份的T511数值预报产品和单站观测资料,采用2种不同适应度函数的二进制粒子群算法(简称BPSO)优化朴素贝叶斯分类器算法(BPSO-NB),对石家庄、太原、林西3站13~24h时段的晴雨和降水等级进行了预报试验。试报结果表明:BPSO-NB、BPSO-NB2模型3站平均晴雨预报准确率明显高于T511,均在85%以上,且BPSO-NB2(87.1%)最优;2种模型小雨、中雨TS评分也高于T511,BPSO-NB1(0.403、0.167)最优。BPSO-NB模型能有效降低T511空报次数。     

湖北省7—8月的前期环流特征及其在长期预报上的应用

本文以500毫巴月平均图和月距平图,用天气统计,逐步回归以及自然正交分解等方法,建立了湖北省江汉平原及东部地区7—8月份的雨量预报关系,并试作了1975年的预报,试报效果较好。     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

广东低温阴雨年景预测

在广东省低温阴雨天气的特征和类型研究的基础上,采用气候场主分量逐步回归预报模型,通过相关分析和逐步回归,求得低温阴雨场主分量与高度场、海温场、环流指数以及副高面积指数等因子场主分量之间的联系,建立了广东低温阴雨场前15个主分量预报方程,对广东10个代表站的1990年低温阴雨总日数作预测,其结果平均绝对误差约为4d。     

基于阴阳历叠加的中长期天气预报方法

采用在阴阳历叠加的基础上进行修正的方法,利用环渤海地区和青藏高原东北部地区1960-2010年地面测站降水、风速资料,探讨了阴阳历叠加法进行中长期天气预报的可行性.结果表明:对于不同地区,不同要素阴阳历叠加预报时最佳样本长度略有差异,降水预报时环渤海地区最佳样本长度为37 a,青藏高原东部地区最佳样本长度为20 a;对大风天气过程而言,环渤海地区最佳样本长度为34 a,青藏高原东北部地区为31 a.降水日预报检验表明,环渤海地区和青藏高原东北部地区降水日预报威胁评分(TS)呈单峰型变化,峰值均集中在夏季,6-8月降水日预报TS评分均高于0.4,两地各月降水日预报TS评分均高于气候概率.利用站点相关订正后,准确率最高可提高14.2%,最低提升了4.1%,平均提高9.8%,站点相关订正是有效的.两地大风预报准确率呈现单峰型分布特征,并在3-5月间为明显的波峰,且两地的预报TS评分均高于气候概率TS评分,预报是有效的.     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

怀化市雷暴大风的环境条件特征分析

本文选取怀化市2014年以来的52站次雷暴大风事件，采用分辨率0.25°×0.25°的ERA5再分析资料进行站点插值，对雷暴大风站点发生物理量值进行统计分析，发现：雷暴大风发生时需要一定的水汽总量，低层湿度条件较好，中层较干、环境温度直减率大，有利于强下沉气流的产生。CAPE均值在1327.6 J/kg,当CAPE值较小的情况下也有可能发生雷暴大风，有44%左右的雷暴大风属于弱垂直风切变条件下发生的。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。     

基于CCA-BP-BPNN释用模型的太平洋SST预报

为了有效提高预报精度,将一种基于神经网络并能综合有效利用全场信息的非线性释用技术应用到海洋SST预测上.通过CCA-BP法建立的典型因子,可以代表气象因子场与SST之间的大部分协方差关系,使气象因子与站点要素相关性大为提高,进而通过神经网络技术(BPNN)建立非线性预报模型.利用该模型尝试对热带太平洋表层海温形势(ENSO)进行预报,并建立了该区域逐点海温的预报方案.试报结果表明,该方法对预测春季海温形势有较好的效果,有效预报时效可达1 a以上;对6 a的3月份热带太平洋表层海温预报,平均绝对误差为0.22 ℃.该方法为海洋SST统计预报提供了一个值得参考的途径.     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM2.5浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响.结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨...     

淮北地区土壤墒情动态预测

利用与土壤墒情密切相关的气象因子,逐步回归分析1981—2003年土壤墒情变化与气象因子之间的关系,建立安徽省淮北地区各季节土壤墒情的预报模型;结果表明利用时间连续性较好的5个站点的土壤湿度、降水量、日照3个因子建立的预报模型,经检验可以应用到整个淮北地区,春夏秋冬各季节平均预报精度分别为88.92%、91.35%、91.96%、92.94%。     

基于模式输出统计预报方法的云量精细化预报

通过对T639数值预报产品的释用,结合地面气象观测站资料,以环渤海地区兴城站为例,建立了云量的精细化预报模型.从云形成的基本条件出发,选取4类天气学意义明确的预报因子:水汽类、大气不稳定度类、大气上升运动类和天气系统强度类,以总云量、低云量为预报对象,通过逐步回归法建立兴城站逐月、逐时次的云量预报方程.结果表明,云量主要受水汽、大气上升运动和大气不稳定度影响.回代检验结果表明,总云量平均绝对误差为20%,低云量平均绝对误差为16%,低云量的预报方程预报效果更好;总云量夏半年预报准确率更高,低云量冬半年预报准确率更高,可为云量精细化预报提供参考.     

基于非参数回归模型的局部线性估计云量预报方法研究

为研究云量的分布特点,本文利用历史观测资料,对新义州、定海、隆子3站的总云量和低云量进行了正态性检验,结果显示：总云量和低云量均未达到正态指标,具有一定的随机性.因此,在2004-2007年逐年1月T106L19模式产品和单站地面观测资料的基础上,采用适合被解释对象呈非未知分布的非参数方法——局部线性估计方法,选择合适的窗宽和核函数,创建了上述3站总云量和低云量的短期预报模型,包括不同的长度样本序列.同时,为了比较预报效果,还采用适合被解释对象呈正态分布的参数方法——逐步回归法,建立了相应的预报模型,并利用2003年1月1～31日的逐日T106L19模式产品和3站的云量历史观测资料,对各种预报模型进行了试报和效果的检验,结果表明：在3站的总云量、低云量的月平均准确率和月平均平均绝对误差的检验指标中,非参数局部线性估计的预报精度均高于逐步回归方法 使用短样本序列建立的自适应非参数局部线性估计预报模型与采用长样本序列建立的预报模型相比,效果相当.这意味着,在数值预报产品解释应用的云量预报中,非参数局部线性估计方法可以更合理地考虑其时间分布特征,尤其在缺乏较长时间的历史建模样本时,具有良好的应用前景.     

船载气象监测预报系统研发课题2013年度科技报告

课题采用流场分析和统计学习的方法,建立基于神经网络系统辨识和支持向量机的风场反演校正模型,计算出未受干扰风场中的风速风向数据,减小干扰风场与未受干扰风场风速风向之间的偏差;利用径向基概率神经网络和支持向量机方法进行分析研究,借助机器学习方法得到气象要素数据奇异值剔除模型,从而提高监测数据的有效性;应用区域平滑滤波和阈值剔除技术,采用基于雷达反射率阈值的识别算法,实现雷暴等危险天气的识别;采用MCT耦合器技术及消息传递的并行计算方式,实现区域海气模式耦合;采用动力诊断、支持向量机、多指标叠套等预报方法,建立海上雷暴、云的船用预报模型。     

基于GA优化BP神经网络辨识的Volterra级数核估计算法

为取得更有效的船舶运动预报效果,提出了一种利用遗传算法(GA)优化单输出三层反向传播(BP)神经网络辨识Volterra级数核的算法.在船舶航行姿态时间序列的混沌特性识别基础上,分析了GA、BP神经网络和Volterra级数模型的特征.利用GA优化BP神经网络获得最优的初始权值和阈值,根据BP神经网络算法求得最终的最优权值和阈值.进行Taylor级数分解,得到Volterra级数各阶核,对船舶的横摇运动时间序列进行多步预报.仿真实验表明:所提方法预报精度高、时间长,具有有效性和适应性.