用遗传算法重构副热带高压特征指数的非线性动力模型

用遗传算法从离散时间序列资料中反演重构了非线性动力模型。首先, 用Lorenz系统的时间积分数据进行模型重构试验，随后，对十年平均的副热带高压形态指数时间序列进行动力模型参数反演和仿真预报试验。结果表明，遗传算法具有的全局搜索和并行计算优势能够较为准确地描述和刻画副热带高压活动，能对副高活动进行较为准确的描述与建模，是诊断和预测副热带高压等复杂天气系统活动的一条有效途径。     

时间序列混合模型及其在原油价格预测中的应用

在时间序列建模时,随机扰动项经常表现出非高斯性质,造成传统的时序模型的估计和预测偏误．针对这个问题,提出一种新的时间序列混合模型———多维高斯混合转移分布模型（ＭＧＭＴＤ模型）,用来处理残差项不是白噪声的情况,并提出采用遗传算法进行参数估计．将新提出的ＭＧＭＴＤ模型应用于对国际原油价格的预测分析中,进行模型的可行性检验．实证结果显示,ＭＧＭＴＤ模型可以得到较好的预测结果．     

济南降水的二元时间序列分析与预报

利用么枕生选择对游程和转折点的分析研究成果，分析了济南年降水量的游程和转折特征，并应用游程记录和二元时间序列分别建立AR（K）模式，对济南年降水量进行预测分析。     

基于模糊时间序列的华南台风登陆时最大风速极值预测模型

利用1995—2017年登陆华南地区的台风登陆时最大风速极值数据,构建基于模糊时间序列的台风登陆时最大风速极值预测模型,并将该模型与传统时间序列ARIMA模型作对比。其预测结果表明,模糊时间序列的平均绝对误差、平均相对误差和均方根误差分别为2.621 m·s-1、0.066和2.727 m·s-1,预测的精确度明显高于传统时间序列ARIMA模型,同时也表明将模糊时间序列应用于登陆时最大风速极值的预测能够获得较理想的预测结果。     

场时间序列预测方法及其预测能力的试验分析

给出场时间序列预测思想的提出及其理论基础,并在此基础上,给出场时间序列预测理论的思路及方法,并针对一个理想混沌时间序列进行预测能力的试验分析.初步结果表明,场时间序列预测方法可以提高单点时间序列的"遍历性",提高预测精度.     

模糊时间序列模型在短期气候预测中的应用

将模糊时间序列模型引入短期气候预报,利用重庆34个地面气象观测站的逐日观测资料(1971—2007年)和重庆市旱涝灾害监测预警决策服务系统计算的干旱指数和洪涝指数等资料,运用模糊时间序列模型分别对2001—2007年重庆市城口县1月降水、1月平均气温的预报结果(年度预测)和重庆市春旱指数的预报结果(年度预测)进行了模糊时间序列分析,预测了2004—2007年的发展趋势,用2004—2007年实测值与预测结果进行了比较,并与加权集成、人工神经网络集成、数据挖掘集成等模型进行了精度比较和分析.结果表明:模糊时间序列模型各项精度评定指标优良,并且计算简单,具有一定的实用价值.     

新疆阿勒泰地区山绵羊死亡率灰色马尔柯夫预测

灰色ＧＭ（１，１）预测与马尔柯夫预测的优点可以相互补充，将两者结合起来对随机性和波动性较大的数据序列进行预测，精度更高。本文采用灰色与马尔柯夫两种预测的组合模型，对新疆阿勒泰地区山绵羊死亡率的时间序列进行了分析，并预测了１９９２的可能死亡率情况，为该地区畜牧业生产发展和防灾减灾提供了科学依据。     

基于时间序列模型与残差控制图的兰州市空气质量研究

利用2003-2012年兰州市月均空气污染指数API和季节性时间序列模型SARIMA,对数据序列进行拟合并对其变化趋势进行了分析,研究其演变趋势并选取空气质量良好(月平均API150)的月份(2012年6月2013年2月),选用时间序列模型ARIMA(1,1,1)进行拟合,再结合残差控制图,对2013年3月日平均API预测监控。结果表明,SARIM A(0,1,1)×(0,1,1)12模型较好的拟合了近10年兰州市API的变化趋势,兰州市的空气污染大致呈冬、春季污染相对较重,夏、秋季相对较轻,空气质量总体在逐渐好转。适合该地区短时间尺度的时间序列模型是ARIMA(1,1,1),结合残差控制图对2013年3月API进行预测监控,结果显示6,9,10,11,12和13日超出控制限,对6日和9日提出预警。预测结果与实际结果相吻合,证实了将时间序列模型与残差控制图结合预测监控大气污染的有效性。     

正交筛选模型在气候变化预测中的应用

利用时间序列经适当数学变换后生成的均生函数，建立了一个可用于长期气候变化趋势预测的数学模型，并将此模型用于四川地区年平均气温及年降水总量的历史拟合及预测。结果表明：模型对较长时间序列的多步预测有较好的效果。     

El Nino事件的概率预测研究

根据19８５４－１９９３年期间的ＥlNino事件资料序列，通过正态性，独立性等统计检验，确定序列的性质，利用Ｍarkov随机过程和一阶自回归建立预测模式，给出了下次发生ＥlNino事件的时间可能在２００２年前后，２００１年发生的概率为４４％，２００２年发生的概率为６１％。     

TIMESERIES PREDICTION MODEL CONSISTING OF ARTIFICIAL NEURAL NETWORK AND GENETIC ALGORITHM

The paper introduces the basic concept and flow diagram of genetic algorithm (GA) and themerits and demerits of artificial neural network (ANN) as a timeseries prediction model andthereupon developed is a new model with ANN and GA in combination. Eventually, calculationsare presented with the results and model examined.     

TIMESERIES PREDICTION MODEL CONSISTING OF ARTIFICIAL NEURAL NETWORK AND GENETIC ALGORITHM*

The paper introduces the basic concept and flow diagram of genetic algorithm(GA) and the merits and demerits of artificial neural network(ANN) as a timeseries prediction model and thereupon developed is a new model with ANN and GA in combination. Eventually, calculations are presented with the results and model examined.     

对流边界层的大涡模拟研究

本文建立了一个均匀平坦地面上对流边界层的大涡模式,模式考虑了水汽,采用了考虑浮力和固壁影响订正的一阶闭合。并用所建模式进行了由热扰动发展的对流边界层的模拟及其对地表热状况变化响应的初步探讨性模拟工作。通过模拟认为,模式较好地反映了对流边界层的主要结构。     

基于TMI产品资料对数值模式水凝物模拟能力的检验分析

本文利用热带测雨卫星(Tropical Rainfall Measuring Mission,TRMM)搭载微波成像仪(TRMM Microwave Imager,TMI)的探测及反演结果,结合微波辐射传输模式,就2004年17号台风暹芭(Chaba)过程,对AREM(Advanced Regional Eta-coo...     

北京气候中心大气模式对季节内振荡的模拟

对北京气候中心大气模式(BCC AGCM2.0.1)模拟热带季节内振荡的能力进行了检验.北京气候中心新一代气候模式(BCC AGCM2.0.1)是在原中国国家气候中心模式的基础上参考NCAR CAM3改进形成的.新模式中引进了一个新的参考大气和参考面气压.因此原模式的预报量中的气温(T)和地面气压(p_s)则变为它们对参考大气气温的偏差和对参考面气压的偏差.模式还加入了新的Zhang-Mcfarlane对流参数化方案,并对其参数计算方法进行调整和改进.此外还对模式边界层处理、雪盖计算等进行了改进.上述模式在实测的月海温作为下边界条件的情况下运行52年(1949年9月-2001年10月).然后对运行结果中的季节内振荡的状况进行分析,主要结果如下:NCAR CAM3模式模拟热带季节内振荡的能力很差,主要表现在模拟的热带季节内振荡强度很弱;东移波与西移波的强度很接近,而实际观测中是东移波的能量要远大于西移波;季节内振荡的季节变化及空间分布与观测相差很远.北京气候中心大气模式(BCC AGCM2.0.1)模拟热带季节内振荡的能力有显著的提高.模拟的热带季节内振荡很明显,强度接近于观测结果;模拟东移波的能量要大于西移波,这与观测较为一致;季节内振荡的季节变化和空间分布与观测相差不大.总的来看,BCC AGCM2.0.1模式在模拟热带季节内振荡方面比CAM3模式有明显的改进.     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

Improvement of the K-profile Model for the Planetary Boundary Layer based on Large Eddy Simulation Data

Modifications of the widely used K-profile model of the planetary boundary layer (PBL), reported by Troen and Mahrt (TM) in 1986, are proposed and their effects examined by comparison with large eddy simulation (LES) data. The modifications involve three parts. First, the heat flux from the entrainment at the inversion layer is incorporated into the heat and momentum profiles, and it is used to predict the growth of the PBL directly. Second, profiles of the velocity scale and the Prandtl number in the PBL are proposed, in contrast to the constant values used in the TM model. Finally, non-local mixing of momentum was included. The results from the new PBL model and the original TM model are compared with LES data. The TM model was found to give too high PBL heights in the PBL with strong shear, and too low heights for the convection-dominated PBL, which causes unrealistic heat flux profiles. The new PBL model improves the predictability of the PBL height and produces profiles that are more realistic. Moreover, the new PBL model produces more realistic profiles of potential temperature and velocity. We also investigated how each of these three modifications affects the results, and found that explicit representation of the entrainment rate is the most critical.     

初论双三次数值模式

讨论在数学Rn空间里,存在孔斯双三次曲面拟合的可能数值模式(以下称双三次数值模式)。双三次数值模式特点是,在诊断上对天气系统中的由各个物理定律表述的(离散点)大气物理量场,可通过数学三次样条函数做双三次曲面拟合,则模式大气(包括天气系统)的各个物理量场均达到二阶可导,即是大气运动方程中的各个物理量场都存在各自的一、二阶空间微商,从而可以对模式大气与天气系统做时间积分。与有限差分模式和谱模式存在所谓的空间截断误差和波数截断误差相比较,双三次数值模式存在所谓的空间拟合误差,恰是现行有限差分模式空间截断误差的高阶小量。而双三次数值模式具有谱模式准确计算空间微商的优点,且双三次数值模式的数学构架能够较好地适应大气运动动力框架,是可与有限差分模式和谱模式相比较的另一数值分析新算法的气象数值模式。     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

The Performance of Atmospheric Component Model R42L9 of GOALS／LASG

This paper examines the performance of an atmospheric general circulation model (AGCM) developed at the State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics, Institute of Atmospheric Physics (LASG/IAP). It is a spectral model truncated at R42(2.8125°long×1.66°lat) resolution and with nine vertical levels, and referred to as R42L9/LASG hereafter. It is also the new version of atmospheric component model R15L9 of the global ocean-atmosphere-land system (GOALS/LASG). A 40-year simulation in which the model is forced with the climatological monthly mean sea surface temperature is compared with the 40-year (1958-97) U.S. National Center for Environmental Prediction (NGEP) global reanalysis and the 22-year (1979-2000) Xie-Arkin monthly precipitation climatology. The mean DJF and JJA geographical distributions of precipitation, sea level pressure, 500-hPa geopotential height, 850-hPa and 200-hPa zonal wind, and other fields averaged for the last 30-year integrat