北京小海陀山区雪面温度预报模型研究

基于2019年10月至2020年3月北京市延庆小海陀山区高海拔站点二海坨站和低海拔站点长虫沟站逐时气象观测数据,分析小海陀山区雪面温度演变特征及其与气象因子的相关性。采用BP神经网络及逐步回归方法建立该地区两站的雪温预报模型并进行效果检验。结果表明:(1)小海陀山区积雪时段雪温逐小时变化幅度较气温更显著,雪温与气温及总辐射呈明显正相关,气温及总辐射是影响雪温变化的主要因子;(2)基于神经网络方法建立的雪温预报模型效果优于逐步回归方法建立的雪温预报模型,模型效果低海拔站点优于高海拔站点,夜间优于白天;(3)区分白天与夜间的分时段建模方案更适用于低海拔站点。     

BP神经网络模型在O3质量浓度预报中的应用

采用BP神经网络和逐步线性回归两种模型,以2014—2017年汕头市金平环境监测子站的6种污染物质量浓度以及同期汕头市国家基准气象观测站37类地面气象观测数据为预报因子,对该站O3最大8h质量浓度进行预测。结果表明:两种预报模型在历史数据拟合效果上并不存在明显差异,总体上冬春季的模型拟合度高于夏秋季。在2017年7和12月2个独立样本的预报效果检验中,BP网络模型预报准确指数(d)分别比回归模型高10.4%和0.8%;BP网络模型预报级别准确率(TS)分别比回归模型高12.9%和3.3%。BP网络模型无论在预报精度还是预报稳定度上均明显优于回归模型。夏秋季降水因子的影响常导致BP模型预报值出现正误差,冬春季冷空气南下的影响常导致BP模型预报出现负误差。     

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。     

PCA-BP神经网络在SO2浓度预报中的应用

将基于主成分分析(PCA)的BP神经网络预报方法引入大气污染预报,建立SO2浓度预报模型.结果表明:应用主成分分析对数据进行前处理,以原始预报因子的主成分作为BP神经网络的输入,降低了数据维数,消除了样本间存在的相关性,大大加快了BP神经网络的收敛速度.对模型进行预报验证,预报值与实际值之间的绝对误差为0.0098,预报值与实际值的相关系数达到0.885,得到较好的预报效果.并且比一般的BP神经网络模型具有较高的拟合和预报精度.     

基于数值预报产品的地面气温BP-MOS预报方法

在山东省临沂市气象局开发的"中尺度数值预报业务系统"的基础上,利用高分辨率的数值预报产品和地面气温观测资料,建立了地面气温的BP神经网络方法预报模型。检验结果表明BP神经网络模型的气温预报准确率高于逐步回归模型和MM5模式输出的气温预报准确率,可应用于实际预报业务中来制作气温的精细化预报。     

基于全连接神经网络方法的日最高气温预报

为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日—2020年12月31日欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）高分辨率模式（high resolution,HRES）输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高21.74%和14.17%）,在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高40.98%和20.33%）,且预报性能更加稳定。     

基于多神经网络的动态权重集成温度预报订正研究

基于CMA-GD模式预报数据,利用多神经网络的动态权重集成方法,开展了贵州省温度预报订正研究,最终获得本地化温度预报订正产品。结果表明：(1) 在对历史数据检验评估的基础上,利用多种神经网络方法可有效降低模式系统误差,通过BP、BP_GA、WAVENN、GRNN、LSTM等神经网络订正,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低0.01～0.17 ℃;(2) 考虑到不同神经网络订正结果的差异性,采用动态权重方案对订正结果进行优势集成可显著提升预报可靠性。经集成后的温度预报效果优于模式直接输出和各神经网络订正结果,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低14.93%,预报准确率提升8.24%。此外,动态权重集成后的订正结果还表现出较好的稳定性。基于该方法形成的本地化客观预报订正产品可为提升贵州复杂地形下温度预报质量以及精细化预报服务水平提供参考依据。     

亚洲夏季风系统成员与西太平洋副高的相关特征分析

利用500hPa月平均高度距平场派生出涡度变化、经向风切变、纬向风切变等变量场。从1958～2001年6月500hPa月平均高度距平场及其派生变量场中选取预报因子,并将各个场中的因子分别作EOF分解,得到浓缩了初选因子变量大部分信息的综合预报因子,用以建立同月的广西月降水量的BP神经网络预报模型。进而利用2002～2005年月动力延伸集合预报产品及其派生变量,对广西6月降水量作BP神经网络降尺度释用预报。作为对比试验,以相同的预报量,从1957～2000年5～12月及1958～2001年1～4月500hPa月平均高度距平场中选取预报因子,并作相同处理,建立前期综合因子的广西6月降水量BP神经网络预报模型。独立样本试验结果表明,利用同期综合因子建立的BP神经网络降尺度预报模型的拟合精度优于利用前期综合因子建立的预报模型,但预报效果依赖于月动力延伸集合预报产品。     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

基于Catboost和Stacking融合模型的 长江中下游短时临近降水预报研究

用中国自动站与CMORPH降水产品融合的逐小时降水量网格数据集、全球预报系统(Global Forecasting System, GFS)模式再分析资料,将机器学习特征算法筛选的特征变量作为模型输入数据,运用Catboost模型和以Catboost和随机森林为初级模型、径向基神经网络为次级模型的融合模型预测未来6 h累计降水等级,并应用公平TS评分(Equal Threat Score,ETS)、真实技巧评分(True Skill Statistic,TSS)、混淆矩阵、预报偏差(Bias值)、击中率(Probability of Detection,POD)对预报结果进行检验分析。结果表明:优化变量的输入有利于提高模型的准确率;Catboost模型和融合模型都可以在一定程度上辨别晴雨状况;仅非动力学变量参与的融合模型对雨区预报准确率最高,但容易将暴雨雨区预报得更加广泛。总体而言,融合模型具有更强、更稳定的预报性能,中到暴雨量级预报准确率还待进一步提高。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆（LSTM）的气象预测方法。方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息。通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测。通过实验以及与经典机器学习预测方法的比较,验证了本文方法在气象预测中的有效性,进一步提升了气象预测的准确性,各项预测值的均方检验误差平均值为0.35。      

多模式温度集成预报

基于中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式2 m高温度预报, 利用神经网络方法中的BP网络建立了我国600多个站的温度集成预报系统, 该预报系统的预报时效为72 h, 间隔为3 h。通过对2004年1—5月的预报结果检验, 表明:集成的温度预报结果明显优于3个模式单独的预报结果, 72 h内预报的平均绝对误差在3 ℃以内, 并且不存在明显的系统误差, 预报达到了一定的精度, 可以为预报员提供定时、定点精细的客观温度预报参考。分区的检验结果表明:不同区域预报误差存在差别, 新疆和西藏误差比较大, 而长江流域和华南地区误差很小, 并且不同区域系统误差的情况也不相同。从总体情况看, 预报误差还存在日变化, 一般来讲, 夜间的预报误差小于白天。     

基于MATLAB神经网络对大同市气溶胶浓度预测

通过对大同市2011-2012年PM10质量浓度、有关气象要素和参数进行随机抽样、分组,建立单隐含层BP神经网络、多隐含层BP神经网络以及RBF网络对以上数据进行调试和训练,得出：就2011-2012年预测PM10日均质量浓度样本而言,按预测效果好坏排序,多隐含层最佳BP神经网络＞单隐含层最佳BP神经网络＞RBF神经网络;从网络最小误差总和来看,三种网络对夏秋两季的预报效果最好;从预测值和实测值的拟合效果来看,RBF网络对春季和冬季PM10质量浓度的预测效果最好;多隐含层BP网络对秋季PM10质量浓度的预测效果最好;三种神经网络对夏季PM10质量浓度的预测效果都很好,优劣性差异不大.     

重庆市区雾的天气特征分析及预报方法研究

分析了重庆市区雾的特点、天气特征及温、湿等气象要素垂直分布特征,利用重庆站的观测资料选取适当的诊断因子,采用动态学习率BP算法的人工神经网络对重庆市区能见度进行了拟合和预报检验。研究表明:55年以来,重庆年雾日数总体呈逐年下降趋势,同时轻雾日数急剧上升,这种变化可能主要与城市热岛效应增强和空气污染状况加重有关;发展成熟的辐射雾大多具有逆温的稳定结构,雾顶上下温度、湿度存在明显跃变特征;神经网络模型具有较强的自适应学习和非线性映射能力,对能见度为0~1 km雾的报出率为83%,Ts评分达到69%,平均预报误差为0.384 km。除常规气象要素外,通过M指数、Ri数、凝结核、辐射状况和其他物理量的引入,以及对因子网络输入值的技术处理,明显提高了神经网络对雾尤其浓雾的预报能力,其对能见度在0.4 km以下浓雾预报的Ts评分可达89.5%。模型结果对重庆市区雾的预报具有良好的参考价值。     

基于GRU神经网络的雷州半岛近海岸能见度短临预报研究

近海岸大气能见度变化具有复杂的非线性和局地性特征,且近海岸气象观测站少,一直是精细化预报业务的难点。利用GRU(Gated Recurrent Unit)神经网络,采用广东省湛江市国家基本气象站及其周边上下游观测资料,构建了雷州半岛近海岸能见度1 h时效短临预报的多站GRU模型、单站GRU模型和逐步回归预报模型,并进行了检验评估。结果表明,相比传统的逐步回归方法,GRU神经网络能更好地识别上下游能见度的时空变化特征,多站GRU模型平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)评分均明显好于多元逐步回归模型。模型结构对能见度短临预报效果至关重要,将上下游的气象特征引入到能见度短临预报模型可显著提升预报效果。多站GRU模型在个例检验中较单站GRU模型的MAE、RMSE分别下降了36%和29%,R2提高了30%,表明多站GRU神经网络对能见度预报具有明显优势,为近海岸能见度的精细化短临预报提供了新思路。     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

RLS-BP人工神经网络算法在降水预报中的应用

RLS—BP是一种新发展起来、自动设置网络主要参数和具有快速收敛能力的人工神经网络模型，用预报对象动态消空处理加以改进，应用于大连地区短中期降水MOS预报，实施了其预报效果与普通BP网络对比的试验。结果表明，改进后的新模型既提高了降水的预报精度，又有良好的计算稳定性．并且适合推广应用于气温、能见度等诸多气象要素的预报和预测问题。     

季风转换对深圳地区呼吸系统疾病的影响及预测研究

深圳地处我国华南沿海季风敏感区,为探究季风等气象和污染要素对其呼吸系统疾病发病的影响和其预测相关就诊风险的可行性,本文利用当地2015-2016年呼吸系统疾病就诊人数资料及同期气象和污染物资料,并运用BP人工神经网络和LSTM网络构建呼吸系统疾病就诊人数预测模型。结果显示:每年九月份开始,冬季风的冷胁迫效应会使相关人群呼吸系统疾病发病人数波动式增加,直至次年冬季风向夏季风转换前的三月份发病人数达到峰值；而夏季风控制期间当地居民呼吸系统疾病发病人数呈波动式减少态势,比峰值期间减少35%；另外,该地不同呼吸系统疾病其主控因素也不相同；对比两种预测模型,总体上LSTM网络预报模型对深圳呼吸系统疾病风险预测准确率更高,可以满足健康气象预报服务业务需求。     

BP神经网络法在大气污染预报中的应用研究

近年来将BP网络模型应用到大气污染浓度预报中 ,并建立了大气污染物浓度的神经网络预报模型。将计算结果与监测值进行了验证 ,结果表明 :TSP的计算值与观测值之间的绝对误差为 4× 1 0 - 3～ 3× 1 0 - 2 mg·m- 3,NOX 的计算值与观测值之间的绝对误差为 5× 1 0 - 3～ 2× 1 0 - 2 mg·m- 3;且具有较好的相关性。BP模型是目前最为广泛应用的神经网络模型之一 ,它是一种简单而又非常有效的算法 ,BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。