渤海连续冰层关键力学参数预报模式

为反映海冰的物理和力学特性，利用实验室获取水平方向加载冰样的单轴压缩强度、三点弯曲强度和侧限剪切强度与孔隙率间的统计关系，把海冰温度、盐度和密度对强度的效应统一起来，建立了预报模式。之后，依据渤海海冰多年调查资料和近期研究成果，将冰层内的温度、盐度和密度表示成气温、水温和冰厚的函数，获得冰层的孔隙率剖面，进而得到冰层力学参数剖面。在选取冰层平均强度时还考虑了渤海冰层底部骨架部分有厚度无强度的特点，实现了利用已知冰厚、气温和水温预报冰层水平方向强度分布的目标。     

Lorenz系统混沌解序列可预报性的统计检验

利用Lorenz简化热对流模式产生了吸引子区域内的混沌解序列，对截取的序列进行了乎稳性和正态性检验．按照3种情形分别选取样本，并应用统计预报中的ARMA模型、多元线性回归模型、多项式回归模型和均值生成函数模型等作出项报。比较分析表明：所选取方程组产生的混池解序列，呈现非周期、非乎稳、非正态特性等极不规则的分布，导致几种统计模型对于两个不稳定平衡状态间的不确定的突变情形基本失去了预报能力，系统行为几乎无法预测，其根本原因在于系统的混沌特性。但在某一不稳定平衡状态内，序列段呈现振幅不断放大的准周期振荡，具有一定的规律性，几种统计模型预报的效果较好，说明在应用统计方法进行预报的前提下，系统行为存在着局部时段的有限的可预报性。     

Logistic回归及其在概率降水预报中的应用

介绍了一种气象上较少应用的Logistic回归的原理和计算方法，并利用1999年3月1日至2001年5月30日期间，国家气象局T106模式输出的80个物理量场及其导出场资料和福州地区降水的0、1化资料，采用Logistic回归方法，制作春季福州24h降水概率预报，并与事件概率回归方法作了比较。结果表明，该方法对二分类变量有较好的预报效果。     

BP自适应网络在数值预报产品的释用

提出了动态指标库的概念，即不同时次采取不同的指标库，同时次在网络自适应时采取不断更新指标库的阈值，采取先建立消空指标库对样本进行消空，提高了降水样本在整体样本中的概率，然后利用BP(Back Propagation)网络作了大连短期的12h和24h降水有、无的预报，设计了网络的自适应算法，并在降水有、无预报中加以应用。结果表明，此方法比没有做消空样本和网络自适应的降水TS评分有所提高，在数值产品解释应用中更具有实际意义。     

基于Lyapunov指数的预报方法及在气象预报中的应用

介绍了混沌时间序列的Lyapunov指数预报分析方法，并应用混沌方法对气象预测时间序列进行处理，把其混沌特性应用于气象预报中。根据气象时间观测数据计算了重构相空间嵌入维数D2和Lyapunov指数。结合实际例子对Lyapunov指数预测方法进行了验证。     

人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势,采用BP算法,基于大量矿井突水样本实例建立了突水预报神经网络模型,并将该模型用于实际预报,并取得了较好的效果。结果表明,模型具有较强的实用性。为了提高模型的预测精度,在训练样本的选择上还应具有一定的代表性。     

城市大气污染预报模式的研究进展

介绍了城市大气污染预报模式的国内外研究现状,并对它们采用的预报系统及结果作了简要阐述。美国目前已发展到第三代Momdel-3CMAQ模式系统,中国已开发了3套较成熟的模式系统。文中指出中国城市大气污染预报模式存在的问题,并对发展方向进行了探讨。     

煤炭自燃早期预报的模糊聚类关联分析法

针对煤炭自燃危险程度的模糊聚类分析预报法存在的不确定性，提出用关联分析法对其进行补充、修正与完善。即用模糊聚类分析法分类后，用关联分析法求待预报样本与各类之间的关联度，根据相关程度预报，将两种方法组合成模糊聚类关联分析预报法。用该法对煤炭自燃早期预测预报，不仅克服了模糊聚类单一分析预报法的不足，使定性预报转为定量预报，而且提高了预报的准确程度，为有针对性的控制煤炭自燃提供了更科学的依据。     

AR模式误差修正方程参数抗差估计

把抗差理论引入自回归(Auto-Regressive，简称AR)模型的参数估计中，利用抗差系统具有的抗差能力，可以阻止非正常因素进入系统，保证洪水预报精度。为此，首先介绍几种常用估计方案(Huber估计、IGG估计)的抗差特征函数，然后与传统的最小二乘法进行比较，最后给出算例。算例表明：对于正常观测值，采用Huber法、IGG法及LSM法均能取得比较满意的结果；如观测值中存在粗差(非正常值)，则用LSM法估计的结果就很不合理，而用Huber法及IGG法能取得较好结果。     

煤与瓦斯突出的神经网络预测分析

煤与瓦斯突出是一个复杂的过程 ,做好预测预报工作显得尤为重要。本文通过建立煤与瓦斯突出的人工神经网络预测模型、原始样本的学习 ,可预测待报样本的突出情况 ,并进行了实例分析。经过检验 ,该预测模型的预测精度较高。图 1 ,表 2 ,参 3。