攀西地区月降水时序非线性特性分析

在介绍相空间重构理论的基础上, 以攀西地区4个站点47 a的月降水时间序列为例, 研究了该地月降水时间序列的非线性特性。首先, 运用定量的G-P关联维方法, 探讨了非线性分析的主要定量指标, 具体而言有, 饱和关联维数D2和柯尔莫哥诺夫熵, 计算表明攀西月降水时间序列具有一定的非线性混沌特性。其次, 结合定性的功率谱分析方法, 进一步验证了攀西月降水时序具有非线性特性。除此之外还应用Cao方法检验, 从而排除了月降水时序为随机序列的可能性。本文为进一步研究月降水时序数据的复杂性及其演化规律奠定了基础。      

攀西地区月降水时序非线性特性分析

在介绍相空间重构理论的基础上,以攀西地区4个站点47 a的月降水时间序列为例,研究了该地月降水时间序列的非线性特性。首先,运用定量的G-P关联维方法,探讨了非线性分析的主要定量指标,具体而言有,饱和关联维数D2和柯尔莫哥诺夫熵,计算表明攀西月降水时间序列具有一定的非线性混沌特性。其次,结合定性的功率谱分析方法,进一步验证了攀西月降水时序具有非线性特性。除此之外还应用Cao方法检验,从而排除了月降水时序为随机序列的可能性。本文为进一步研究月降水时序数据的复杂性及其演化规律奠定了基础。     

重建动力系统方法制作月降水量预报的试验

利用时间滞后延拓相空间的方法，将南京地区一维月降水量资料序列拓展成高维相空间，计算得到降水系统的分维数为３．６，表明该系统是一混沌系统，其自由度最小取４。在具有二次非线性项的假设下求解设定的动力系统程数，建立降水预报方程。预报检验结果表明，利用该方法作局地降水气候预报具有一定的准确度。     

基于遗传神经网络的乡镇降水量预报方法试验

利用T213数值预报产品.采用遗传算法与神经网络相结合的方法,进行了乡镇降水量预报模型的预报建模研究;并将这种遗传一神经网络乡镇降水量预报模型与逐步回归预报方法和中尺度模式降水输出结果进行对比分析,试验预报结果表明,遗传-神经网络方法在大雨以上降水具有更好的预报能力.     

长江三角洲汛期预报模式的研究及其初步应用

在短期自忆气候模式的基础上 ,着重考虑了区域性降水特点 ,组合均生函数时序模型 ,构造了区域降水预报模式。以降水预报为实例 ,计算表明 ,它能滚动制作月、季、年降水预报 ,尤其对汛期 (6～ 8月 )降水预报 ,具有相当好的预报能力。     

水文气象研究进展

从面向流域的定量降水估测与预报、流域水文模型、水文气象耦合预报三个方面系统介绍水文气象研究进展。研究指出,融合天气雷达、卫星遥感及实况降水等多源信息是精细化定量降水估测产品的主要发展方向;采用多模式降水预报集成技术是提高定量降水预报精度的重要途径;分布式水文模型是流域水文模型的发展方向;引入定量降水预报的水文气象耦合预报模式可以延长洪水预报预见期,水文集合预报是水文预报方法的有效解决途径,而数值预报模式与水文模型的双向耦合模式是另一重要发展方向。     

基于水土耦合机制的流域滑坡预报研究

降水诱发型滑坡灾害涉及水文与土壤失稳过程,是个非常复杂的预报难题。本研究应用CRESLIDE(Coupled Routing and Excess Storage and Slope-Infiltration-Distributed Equilibrium)模型,研究基于水土耦合机制的流域滑坡预报。模型输入格点降水由基于流域逐小时加密雨量站的反距离权重法插值获取;基于GIS、DEM和遥感技术,提取滑坡流域下垫面信息;采用分布式水文模型CREST模拟预报出滑坡研究区域的流域水文过程,作为中间变量驱动滑坡模型SLIDE,实现降水诱发型滑坡的预报。选择陕南月河流域2012年7月3—5日降水诱发型滑坡过程进行模拟预报,验证模型的适用性。结果表明,基于CRESLIDE模型的流域水土耦合滑坡预报模型在滑坡时空预报上表现稳定;通过ROC曲线分析CRESLIDE模型取得的特异性(87.8%)和敏感性(52.9%)均较好;本研究基于流域水土耦合机制研究滑坡机理预报,耦合了流域水文过程与土力学过程,使得流域水文模拟更为合理,在滑坡的预报与早期预警中表现良好,对同类滑坡预报有一定的借鉴意义。     

苏州市月降水、平均气温的多元相空间投影相似预报模式

根据相空间理论,用苏州月降水、月平均气温以及副高强度指数、极涡强度指数序列,重构多元相空间。采用投影相似算法建立了苏州月降水、平均气温的预报模型。在建模中依据历史模拟质量和模式稳定度标准,通过对投影次序,投影取点和各相型维数的理论范围进行全程测试,得到最佳预报模式。该模式在1996年业务预报中表现良好。调模过程反应模式优劣与投影次序关系密切,而对取点范围的变化反应不敏感。     

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.     

SVM方法在降水预报中的应用及改进

以T213数值模式输出产品为基础,结合常规观测的降水资料,利用SVM方法,进行了大量多因子的随机交叉验证,从而选出最优参数,建立了全国72个站点的降水预报模型,并用独立的样本对预报模型进行了检验.再通过计算正、负样本的贴近度来分析预报因子,实现了预报因子的筛选和降水预报模型的改进;检验结果表明:改进后的降水模型的预报结果优于改进前的.实时业务试运行的结果也显示SVM模型的降水预报效果好于T213模式直接输出的降水预报.