数值预报产品的误差订正方法

提出了一种基于统计学的数值预报产品误差订正的新方法,该方法根据模式前几个预报时次的误差计算出后面预报时次的误差,通过订正进一步提高了数值预报产品的精度,从而使其能够在日常天气预报中起到更好的作用.为了验证该方法的订正效果,设计了基于T213数值预报产品的订正方案并进行了试验.结果表明,订正方案稳定可靠,订正效果显著,明显减小了各时次的预报误差.另外,该订正方法计算量小,对计算机设备要求不高,便于在各级气象台站推广使用.     

数值预报产品的历史相似订正方法研究

针对数值预报存在误差的基本事实,提出了一套利用历史相似资料订正数值预报的方案,利用2003-2008年T213 L31数值预报产品和1948-2007年的NCEP资料,建立了100～1000 hPa等压面的高度场、温度场、风场、垂直速度场和水汽场的24～240 h预报的24 h变量订正方程.采用24 h变量相关系数和均方根误差两个指标,对2009-2010年的T213,L31高度场和温度场、数值预报产品的试应用订正效果进行了检验.结果表明:以24 h变量相关系数衡量,高度场和温度场预报订正效果都是正面的,预报时效为96～192 h,订正效果最明显;以均方根误差衡量,高度场和温度场预报订正效果同样是显著改进的;订正效果存在区域差异,高度场订正效果高纬度显著,低纬度差一些;温度场订正效果低纬度要显著一些.     

利用NCEP产品制作舟山港口精细化风力预报方法研究

利用美国每天4次发布的NCEP10mU、V风资料和舟山各港口海岛自动气象站网的每小时最大风和极大风资料,将30°N附近各经度上NCEP的风速资料在一定假设下订正到海面状态,并非线性地内插到站点位置,合成后与自动气象站资料在16个方位上进行对比,分别得到两者之间的关系式。在取得一个样本的时段内(3h),其起始时刻和结束时刻各有一个NCEP10m风资料预报值,将这两个预报值分别与自动气象站资料建立一个关系式,使得3h内的风有两个预报方程,预报时可以得到两个预报值。将此两个预报值进行最简单的集合得到集合预报值,试报结果表明用此方法预报效果令人满意。     

集合Kalman滤波同化方法在福建沿岸潮汐数值模拟和预报中的应用研究

为了提高潮汐数值模拟和预报的准确度,利用《2009潮汐表》,建立了含集合Kalman滤波同化模块的潮汐数值预报模型,对集合Kalman滤波同化模块中的参数进行确定,并对同化效果进行了检验.为了确定集合Kalman滤波同化模块中的参数(主要是集合数和截断半径),考虑了42种参数组合,在这些组合中,以模拟准确度和计算相同时段的潮汐值所需时间为标准,存在最优的参数组合:其中,东山、厦门、娘宫、崇武4个站最优的截断半径为35 km,三沙站最优截断半径为30 km,5个站的最优集合数均为20.实验结果表明:将集合Kalman滤波同化方法用于潮汐数值预报模拟中是可行的,同化验潮站的潮汐表上的潮位数据对验潮站本身及其邻近网格点的潮汐模拟改进最大;当5个站不同化调和数据进去的时候,东山、厦门、娘宫、崇武4个站的模拟准确度,在未来12 h仍然有所提高.     

QPE产品的误差评估和订正检验——以伊宁县为例

以新疆伊宁县为研究区,运用2013-2017年定量降水估测(Quantitative Precipitation Estimetion, QPE)小时产品以及区域自动站小时降水数据,通过相关分析法和多元线性回归模型对QPE数据进行误差订正,并从不同降水量级、高程以及空间分布对订正前后的QPE小时产品进行误差评估.经误差分析得出,订正前QPE小时产品大多存在低估现象,随着降水量级的增加,误差依次增大,空间误差分布四周低,且东北方向的误差要大于西南方向;利用海拔、经度、距雷达距离3个对研究区降水影响较大的要素,建立多元线性回归订正模型,订正后的QPE小时产品在不同降水量级、不同高程以及空间分布上的估测能力较订正前均有不同程度的提升.     

基于大数据的城市土地利用分类研究——以西宁市为例

以西宁市为例,基于宜出行和兴趣点（points of interest,POI）2类常用大数据以及最大似然、支持向量机和神经网络3种常用分类方法,开展了城市土地利用分类研究．通过对比不同数据与方法组合下的城市土地利用分类精度,确定了提取城市土地利用信息的最优数据组合方式和分类方法．并基于分类结果对西宁市的城市土地利用格局进行了分析．结果显示,基于POI和宜出行数据的神经网络分类方法获取的研究区城市土地利用信息精度最高,总体精度为71.25%,Kappa系数为0.62．主要原因在于综合POI和宜出行可以更加充分地反映不同土地利用类型的特征,而神经网络可以有效综合多源大数据的信息．因此,基于多源大数据和神经网络为快速有效地获取城市土地利用信息提供了有效途径,具有较大的应用潜力．      

水文模型模拟预报的多源数据同化方法及应用研究进展

介绍了水文遥感数据同化中常用的数据同化方法,总结了变分和顺序两类数据同化常用方法的优势与不足;以土壤湿度与径流两个水文变量的数据同化研究为重点,探讨了土壤湿度、径流、降水、蒸散发、积雪等多源数据在水文模型模拟预报中的同化研究进展及其在同化应用中存在的问题;最后,从数据同化方法、多源数据同化应用方面总结了水文遥感数据同化的未来发展方向,提出遥感、地面等多源数据的同化在改进水文模型模拟预报方面的应用潜力将会随着遥感观测技术与反演方法的改进、水文模型结构的完善以及数据同化方法的优化而不断增大,多源数据在水文模型模拟预报中的综合应用将是水文遥感数据同化发展的必然趋势。     

基于多源数据的城市文化街区识别——以大连市为例

利用多种开源数据,基于城市空间识别理论与方法,通过计量模型和空间分析技术,以大连市中心城区为例,探索城市文化街区的识别方法.文化街区具有空间、功能、活力3种特征属性,可以从产业和功能的视角划分为两级类型,它是文化产业发展和城市街区更新的纽带;依据文化街区的特征属性和城市空间识别方法,首次构建了文化街区评价的指标体系,提...     

数学书写与数学解题成绩间的相关性研究——以“集合”为例

高中学生的数学书写能够展现出学生的数学思维及数学认知水平.以“集合”内容为例,在文献分析的基础上,对高中学生的数学解题过程进行调查研究.结果发现：学生数学书写的4个维度中,书写逻辑性表现最差;学生的数学书写总体水平及各维度水平皆与其解题成绩之间存在正相关关系,且书写逻辑水平更能反映出学生的解题能力;在解决不同难度的问题时,学生的数学书写水平存在显著差异;不同解题成绩的学生在数学书写方面的差异性略显复杂.因而,教师在教学过程中应当重视数学书写,规范学生的解题过程,培养学生的逻辑思维能力,从而提高学生的解题能力.     

基于深度学习的滑坡监测与早期预警方法研究

研究的浅层滑坡成灾机理及成灾模式分析、面向大数据分析的空间多源数据获取及融合、基于深度卷积神经网络模型的滑坡演变过程模拟、滑坡演化的定量评估模型和早期预警系统建设等4个有机部分,构成了一个从理论到方法再到应用的相对完整的技术主线。其中对浅层滑坡成灾机理及成灾模式分析为后三者的提供理论指导,面向大数据分析的空间多源数据获取及融合是基于深度卷积神经网络模型的滑坡演变过程模拟的数据基础,滑坡演化的定量评估模型和早期预警系统建设为技术路线的实现、验证与应用部分。     

环境空气质量预报准确率研究

在分析多年空气自动监测数据的基础上,选用统计预报模式(多元线性回归)和数值预报模式(CAPPS)两种模式同步应用,以源解析结论为数据修正程序,很好地解决了安阳市在空气质量预报方面准确率低的问题.安阳市2005年1月~9月环境空气质量预报PM10浓度预报准确率为74.70%.     

支持向量机在农业经济预测中的研究

提出了一种基于支持向量机预测农业经济产值的方法.利用14年的棉花数据建立支持向量机预测模型,运用该模型预测了5年的棉花产量,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测是有效的.     

基于选择性的贝叶斯分类器集成方法

提出一种基于选择性的贝叶斯分类器集成方法．该方法为避免数据预处理时的属性约简对分类效果的直接影响，在训练集上通过随机属性选取生成若干属性子集，并以这些子集训练不同的贝叶斯分类器，进而采用遗传算法优选贝叶斯分类器集成，其适应度函数综合了分类器的精度和差异度两项指标．实验中，将该方法与已有方法在UCI的标准数据集上进行了性能比较，并将该方法用于C^3I系统中的威胁度估计。     

基于改进Fisher准则与极限学习机集成的图像隐写分析

集成分类器是目前图像隐写分析中广泛使用的分类器。针对集成分类器中基分类器受离群样本影响较大,集成策略效果不佳的缺点,提出一种基于改进Fisher准则与极限学习机集成的图像隐写分析算法。首先,通过重新定义类内散度矩阵以提高Fisher准则模型的准确性,之后基于改进的Fisher准则并使用Bagging算法训练若干基分类器,最后使用极限学习机作为元分类器来建立基分类器集合与正确决策之间的联系。实验结果表明,在不同的隐写算法与嵌入率的条件下,与传统集成分类器和基于选择性集成的集成分类器相比,所提算法降低了3.5%与1.8%的检测错误率,说明能够有效提高集成分类器的检测精度。     

基于集成学习的信号控制交叉口排队长度估计

基于电子警察(LPR)数据和网联车辆轨迹数据,提出了一种基于集成学习的信号控制交叉口排队长度估计方法。通过分析不同数据条件下估计方法的适用条件和精度水平,运用随机森林方法设计集成学习器,并构建电子警察和网联车辆轨迹感知信息及不同方法估计结果和真实排队长度之间的非线性映射关系。仿真结果表明：本方法的平均绝对误差为1.3 m·周期^-1·车道^-1,平均绝对百分比误差为1.4%。     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

基于机器学习的车队数据分析

为了增强新一代车辆的功能和安全性,收集了大量的车辆行驶历史数据,利用机器学习方法创建基于规则的计算模型,以检测车队中的故障车辆。详细介绍了模型的设计步骤,并通过低压电池的电气故障测试进行该方法的有效性验证。分析结果可供后续车型台架测试参考。     

一种利用不可行解的贝叶斯网学习算法

现有的基于打分搜索的贝叶斯网学习方法都是利用满足有向无环图的可行解进行学习.在搜索过程中遇到不可行解时,这类算法简单地去除不可行解或将不可行解转化为可行解.然而,有的不可行解中往往蕴含着有价值的信息.本文提出一种新的贝叶斯网学习方法ISEC,同时利用可行解和不可行解学习贝叶斯网络,并提出针对不可行解的选择策略,在学习过程中可以有效地利用不可行解中的有用信息.实验结果表明,ISEC能够比仅利用可行解的方法更快地学习到更优的贝叶斯网.     

集成学习在直线振动筛的应用及参数优化

针对振幅、振动方向角、振频、筛长、筛孔、筛丝直径,及筛面倾角7个因素的不同水平,共设计442组实验方案,在EDEM软件中进行模拟仿真;结合集成学习的方法对所得的实验数据进行建模和综合分析,得出不同振动参数对筛分效率的影响权重.结果表明:筛面位于波谷和波峰时,筛上颗粒平均质心位置与筛网位置的距离不一样,当差值约为1.3倍的筛孔尺寸时,其筛分效果好,且对应的触筛角度值在12°～23°浮动.     

噪声数据下基于模型权重与随机子空间的集成学习

针对训练集中类标号存在噪声的情况,提高分类模型的稳定性和分类精度是分类建模的目标。文章通过随机化邻域属性约简,生成多个邻域可分子空间,从而形成不同的基分类模型;通过基分类模型的预测结果及一致性原则学习基分类模型权重,降低了噪声对基分类模型权重学习的影响;最后利用模型权重融合基分类模型的分类结果获得测试样本的类别,并通过仿真实验验证该方法的有效性。