支持向量机方法在山东山洪地质灾害预报中的应用试验

用支持向量机(SVM)方法根据T213数值资料和济南、淄博、泰安、莱芜4站的降水实况资料对山东山洪灾害多发的鲁中山区进行了降水分类预报试验。结果表明:多项式核和径向基核函数建立的模型较好地提炼了降水信息,都具有很高的预报技巧,客观性和实用性强,有很强的推广能力;用径向基核函数建的非线性降水分类模型优于用多项式核函数建立的线性降水分类预报,特别是资料减少时,非线性降水分类预报明显优于线性降水分类预报;低层大气湿度可能对线性降水分类有重要影响;建模时用的资料数据格式与实际业务中获得的数据格式应尽量保持一致。     

基于支持向量机的CloudSat卫星云分类算法

从基于云角色的分类思想出发,利用星载毫米波雷达探测资料提取云的特征参数,建立支持向量机（support vector machine,SVM）模型实现云的分类。通过与BP（back propagation）网络模型的分类结果进行对比,发现两种模型都具有较好的分类能力,但SVM模型的识别准确率更高,计算速度更快。基于CloudSat资料的云分类实例表明,SVM模型的分类结果与CloudSat数据处理中心（Data Processing Center,DPC）发布产品具有很好的一致性。     

基于多种算法优化SVM模型的 乌东德水电站降水量预报

基于粒子群优化(PSO)算法和遗传算法(GA)对支持向量机(SVM)的核函数及主要参数进行训练优化,分别建立PSO算法、GA的支持向量机模型(PSO_SVM、GA_SVM)。选用ECMWF及T639数值预报产品资料和乌东德水电站降水资料,普查最优预报因子,构建包含各种类型降水过程的训练样本和测试样本。比较分析SVM模型RBF和Sigmoid核函数优劣。尝试先分段寻找局部最优,再选择全局最优的参数优化方法。通过增大训练样本集、降低交叉验证准确率、迭代次数截断和控制惩罚系数范围的方法,提高模型的稳定性和泛化能力,防止过拟合和收敛缓慢现象。利用测试样本对SVM、PSO_SVM和GA_SVM三种方案进行对比检验,优化的GA_SVM预报效果较好且稳定。经2018年试报表明,GA_SVM逐3 h累计降水量预报TS评分在50%以上,漏报率在15%以下,与ECMWF和T639比较,该模型TS评分提高1. 4%。     

基于支持向量机和FY静止卫星云参数的降水预测技术

将支持向量机分类方法应用于降水与非降水的分类预测.选用FY静止卫星反演的云光学厚度、云顶温度、云顶高度、云有效粒子半径作为特征分量,以Micaps 1 h雨量资料作为是否降水的类别标签,建立预测降水与非降水的分类模型,针对安徽地区2008年5-11月资料进行分析.结果显示,降水类的预测准确率在40%～60%,非降水类的...     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

支持向量机在雷雨天气预报中的应用

支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。     

基于深度学习的积层混合云对流泡降水粒子特征研究

为实现对降水粒子的高精准分类,整理3 a机载探测降水粒子图像,构建山东省降水粒子图像数据集（Shandong Province Precipitation Particle Image Dataset, SD-PPID）。结合多维度混和的模型放缩方法,提出一种基于EfficientNet卷积神经网络的降水粒子识别模型（A Precipitation particle Recognition model based on EfficientNet convolutional neural Network,PREN）。通过多模型、多指标评价对比,验证了PREN模型具有较好的性能和分类识别能力,模型的识别准确率、精准率和召回率均为98%。使用PREN模型分析对流泡降水粒子特征,选取2次典型积层混合云降水过程的3个时段,结合机载Ka波段云雷达（Airborne Ka-Band Precipitation Cloud Radar,KPR）和DMT粒子测量系统（Droplet Measurement Technologies）分析对流泡内部与外部、不同强度和不同高度的降水粒子形状占比,并研究其降水...     

一种多时间尺度SVM局部短时临近降雨预测方法

近年来支持向量机(support vector machine,SVM)在气象领域得到了广泛应用,在该类应用中单一建模是目前普遍采用的一种思路,单一建模方法寻找的是大而泛的预测模型,预测的目标以面降雨为主。本研究针对每个气象站点进行单独动态建模,建模方法为多时间尺度SVM,探索建立一种动态SVM短时临近降水预测模型,充分考虑不同站点、不同时刻的气象要素差异,初步解决了单一建模过于注重整体规律、建立固定的整体预测函数模型而忽略不同站点、不同时刻局部气象变化的不足,并尝试提高短时临近降水预报的准确率。初步实现了地理空间上更高密度、更精细化的降雨预测,时间分辨率为1 h,TS评分始终保持在较高的水平,对1 h预测的TS评分平均可达40%以上,部分站点接近50%,且模型预测准确率具有一定的稳定性和参考价值。     

基于S波段双偏振雷达资料的降水粒子类型识别算法及应用

基于质量控制的S波段双偏振雷达格点化观测数据,利用模糊逻辑算法,结合降雨粒子散射和空间取向等特征建立了降水粒子类型识别算法,用于分析降水过程中降水粒子的空间分布情况及粒子类型的演变过程。该算法可以将降水粒子分为液态、冰态、混合态等不同种类,有助于发现影响降水多寡的云微物理关键结构。首先根据不同降水粒子的雷达回波特性得到隶属函数,其次根据不同雷达观测变量在判别粒子类型时的贡献不同,确定每个观测值对应的隶属函数值的权重,对各个函数值进行加权平均后,得到不同粒子类型对应的逻辑值。最后进行集成和退模糊化处理,选出每个格点中逻辑值的最大值,认为该值所代表的粒子类型即为该格点所代表的粒子类型。在确定观测值对应的隶属函数值的权重时,水平反射率因子和环境温度作为计算粒子类型的直接影响因子,不再进行加权平均计算,提出了基于S波段双偏振雷达参量和环境温度的降水粒子类型识别算法。通过华南前汛期一次降水过程,利用雷达观测降水资料,验证了该算法的合理性。验证结果表明,反演所得的"雨"类型的分布特征与实际观测降水的分布特征基本一致,证明该算法可以反映降水区域的粒子类型,识别结果基本合理。进一步研究发现在降水发生之前,空中存在大量"毛毛雨"类型的粒子,在降水发生时毛毛雨和雨粒子的变化呈负相关性,表明此次降水主要由毛毛雨碰并产生雨粒子并降落地面产生。     

基于支持向量机的雷暴大风识别方法

基于北京市观象台雷达基数据和加密自动气象站数据,利用支持向量机算法建立了雷暴大风天气的有效识别模型。首先确立了9个用于识别雷暴大风的预报因子:回波顶高、最大反射率因子、最大反射率因子所在高度、垂直积分液态水含量、垂直积分液态水含量随时间变率、垂直积分液态水含量密度、雷暴大风发生前最大反射率因子下降高度、风暴移动速度、速度谱宽。通过计算各预报因子在大风和非大风样本中的概率分布,得到对应的各项预报因子雷暴大风的隶属度,利用得到的隶属度函数对样本进行归一化处理。确立核函数和模型参数,利用支持向量机建立雷暴大风天气的提前识别和临近预警模型。通过对北京2017年7月7日飑线和2012年5月19日块状回波引起的灾害大风典型个例的识别效果检验,得到两个个例预测的命中率、误判率和临界成功指数分别为92.0%,22.1%,73.0%和99.1%,40.5%,59.2%,对于提高雷暴大风预警预报的准确率有一定帮助。     

基于支持向量机的雷达地物回波识别研究

多普勒天气雷达探测过程中的非气象因子会显著影响雷达资料的定量化应用,在雷达基数据的应用前需对雷达资料进行抑制地物杂波、去距离折叠和退速度模糊等质量控制。本文在现有的自动识别地物回波方法的基础上,提出了基于支持向量机（Support Vector Machine,SVM）识别雷达地物杂波的方法,2013年6-8月对安庆和常州两地的CINRAD/SA雷达观测资料进行雷达地物回波识别,并将其与运用人工神经网络（Artificial Neural Networks,ANNs）识别的结果进行对比,结果表明支持向量机方法能够取得更好的效果。在地物、降水回波总样本识别和地物回波识别方面更为有效;降水回波的误判方面,神经网络略优于支持向量机,但两者差异不大,都将降水回波的误判率控制在了一个较小的范围内;另外支持向量机方法较之神经网络方法对于训练样本数目的依赖性较小,在训练样本较少时,支持向量机方法仍能保持有效的识别效果。     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法(SVM),依据T213数值预报产品,对海口降水进行预报应用研究,结果表明:所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法（SVM）,依据T213数值预报产品,对海口降水进行预报应用研究,结果表明：所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。     

基于面向对象的降水粒子识别研究

双偏振雷达的主要用途之一就是降水粒子识别,目前主流的方法为模糊逻辑分类(FL),但是该方法仅使用单个距离库的信息,易受到噪声的影响。基于模糊逻辑方法的不足,利用聚类分析,提出了一种面向对象的降水粒子分类方法,即在模糊逻辑分类基础上考虑距离库与不同降水粒子的距离以及周围距离库类别信息。基于广州S波段双偏振雷达的观测数据进行降水粒子识别验证,结果表明使用的面向对象的降水粒子识别方法可有效地降低噪声对分类结果的影响,且符合降水粒子的微物理特征。     

多波段双偏振天气雷达识别降水类型的模拟研究

采用T矩阵法,通过建立降水粒子雷达探测模型,模拟不同相态单个粒子以及粒子群在入射波的波长、入射仰角,降水粒子类型、大小、形状、粒子谱分布以及下落过程中粒子的取向等不同条件下,雷达反射率因子Z、差分反射率因子ZDR、比差分相移KDP和零延迟相关系数CC等偏振参量特征,探讨利用多波长偏振雷达联合观测手段识别降水类型的方法,研究表明可用冰雹指数ZHH,S-ZHH,X、各偏振参量的取值范围及其在不同波长下的对比差异来识别降水粒子类型,为提高雷达对强对流天气下降水类型的识别能力,反演强对流系统降水相态的三维精细结构提供了有效的方法。     

南京地区霾预报方法试验研究

支持向量机(SVM)方法是基于统计学理论的一种新的机器学习方法,对解决小样本条件下的非线性问题非常有效.利用2004～2007年南京站的逐日常规观测资料以及同期南京市环境质量监测点的逐日污染物浓度资料,使用SVM分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日14时(北京时间,下同)能见度预报模型.预报试验结果...     

长沙机场阵列天气雷达地物识别算法

地物杂波是影响雷达产品准确性的重要因素。该文提出了一种改进的基于模糊逻辑的阵列天气雷达地物识别算法。在Kessinger模糊逻辑基础上,加入回波强度时间变化量（time variability of reflectivity factor,T_VR）参数,利用收集到的雷达数据统计出各输入参数的概率分布,确定隶属函数;分析T_VR参数对地物识别算法的贡献,并在不同天气情况下进行识别算法有效性验证。试验结果表明:加入T_VR参数,长沙机场阵列天气雷达地物识别准确率最大可提高4%,降水识别误判率最多可降低2%。该文提出的地物杂波识别算法,无降水时,地物识别准确率达96%;有降水时,地物识别准确率达92%;降水回波误判为地物杂波的误判率约为10%,能较好地区分降水回波和地物杂波。     

基于支持向量机的雷暴潜势预报初探

根据2008—2010年夏季邵阳地区的NCEP全球再分析资料(分辨率为1°×1°)和闪电定位资料,利用支持向量机(SVM)分类方法建立该地区雷暴潜势预报模型,并用测试样本检验了该模型的预报能力,同时与Logistic回归模型和Bayes判别法的预报效果进行了比较。结果表明,SVM模型的预报准确率为86.21%,虚警率为15.25%,漏报率为13.79%。对比三种模型的TSS技术评分,发现使用SVM方法建立的模型对邵阳地区雷暴预报的效果最好,评分值为0.79。因此,SVM方法所建立的模型可以为邵阳地区6 h的雷暴潜势预报提供一定的参考价值。     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.