基于主成分分析的人工智能台风路径预报模型

利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的遗传算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。     

基于局部线性嵌入的人工智能台风强度集合预报模型

利用局部线性嵌入算法通过学习挖掘高维数据集的内在几何结构,高效地实现维数约简和特征提取的能力,论文以2001—2012年共12年6—9月西北太平洋海域内生成的台风样本为基础,将气候持续因子作为台风强度的基本预报因子,采用局部线性嵌入的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的粒子群算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风强度预报模型的建模研究。在建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行预报试验。试验对比结果表明,前者较后者在6、7、8和9月24 h台风强度预报中,平均绝对误差分别下降了23.34%、24.46%、19.41%和27.45%,4个月的平均绝对误差下降了23.10%;48 h台风强度预报中,6—9月平均绝对误差分别下降了44.82%、16.73%、0.89%和49.26%,4个月的平均绝对误差下降了25.54%。进一步研究发现,在变动局部线性嵌入算法忌近邻个数的情况下,建立的台风强度集合预报模型,其预报结果稳定可靠,相对于气候持续法均为正的预报技巧水平,为台风强度客观预报提供了新的预报工具和预报建模方法。     

南海热带气旋大风的遗传－神经网络集合预报

利用1980-2012年的南海热带气旋实况资料和NCEP/NCAR再分析资料,将热带气旋定位中心周边6×6格点上的地面风速作为预报对象,以气候持续预报因子和前期风速预报因子作为模型输入,采用遗传—神经网络集合预报方法,进行热带气旋定位中心周边36个格点上的风速预报模型的预报建模研究.分别对2008-2012年7-9月共368个独立预报样本进行遗传-神经网络集合方法的分月预报结果表明,南海热带气旋中心周边风速24h的预报平均绝对误差为2.35m.s-1.另外,本文还进一步将该预报方法与国内外普遍采用的逐步回归预报模型进行对比分析,在相同的预报量和预报因子的条件下的对比分析表明,新预报模型对≥10m.s-1的强风预报结果较逐步回归方法的优势明显,预报性能较好,可为沿海热带气旋大风预报提供新的参考.     

低温雨雪过程的粒子群-神经网络预报模型

利用逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料,通过分析提取我国南方区域持续性低温雨雪过程及其预报因子,使用粒子群-神经网络方法建立非线性的统计集合预报模型 (PSONN-EPM),对我国南方区域持续性低温雨雪过程进行预报试验。结果表明:以过程的冷湿程度及影响范围为标准,将低温雨雪过程分为一般过程和严重过程,并建立不同的预报模型效果较好。通过10 d独立样本预报试验看,基于粒子群-神经网络方法建立的集合预报模型比基于逐步回归方法建立的预报模型的预报平均相对误差小,对严重过程预报能力高于对一般过程预报,且这种非线性统计集合建模方法在建模过程中不需要调整神经网络参数,在实际预报业务中值得尝试。     

南海热带气旋强度预报的线性模型与非线性模型研究

以1980—2012年共33 a的6—10月在南海生成或西行进入南海海域的热带气旋样本为基础,采用线性回归方法和非线性人工神经网络方法,分别进行12～72 h各个预报时效的南海热带气旋强度预报模型建模研究。根据相同的热带气旋个例,相同的预报因子,将逐步回归预报模型、BP神经网络预报模型和遗传-神经网络预报模型进行比较。试验预报结果表明,非线性的神经网络预报模型比线性的回归模型有更好的预报能力;而同为非线性模型,遗传-神经网络模型比BP神经网络预报模型预报能力更强。      

用非线性逐步回归方法作台风预测试验

利用非线性逐步回归方法作台风活动趋势的预报,在回归方程中考虑了预报因子与预报量之间的非线性关系,回归方程中选入的非线性因子具有较高的相关显著性,对１９９５－１９９７年台风预测试验表明,非线性因子在预报中起着及其重要的作用。取得了较好的预报效果。     

延伸期暴雨过程的神经网络预报技术应用初探

利用DERF2.0延伸期环流预报数据资料,首先使用暴雨过程信号指标就一般降水和暴雨过程进行分类,结果延伸期逐日降水分类预报准确率为65%。最后利用逐步回归和粒子群-神经网络方法就延伸期暴雨综合强度进行建模预报,逐步回归方法在F=3条件下对广西暴雨综合强度预报误差最小;粒子群-神经网络预报误差均小于逐步回归方法,相对误差较逐步回归方法预报效果最好的方程减小了32.5%,可见粒子群-神经网络在延伸期定量化预报中具有很好的应用前景。     

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.     

复共线性关系对逐步回归预报方程的影响研究

针对气象预报中常用的逐步回归预报建模方法,由于没有直接考虑筛选出的预报因子之间可能存在复共线性关系会影响气象预报方程的预报性能问题,提出了在初选的大量气象预报因子(自变量)中,采用条件数计算分析方法,选择复共线性关系小的预报因子组合建立预报模型的方法.以重要气象灾害的预报难点--台风预报为例,用大样本分别建立了12个台风移动经度、纬度的条件数预报方程和逐步回归预报方程.对比分析结果表明,由于条件数计算分析有效控制了预报因子间的复共线性关系,因此,在相同的预报因子(自变量)和预报对象(因变量)条件下,分月建立的条件数台风移动路径预报方程,虽然历史建模样本的拟合精度略低于逐步回归预报方程,但是对独立样本的预报精度明显提高,其中7、8和9月条件数预报方程的预报误差平均为153.9 km,而相应的逐步回归预报误差平均为229.2 km,两者相差75.3 km.进一步研究发现,在F值分别取1.0、2.0和3.0的情况下,建立的台风移动路径的逐步回归预报方程,其预报误差也明显大于条件数预报方程.另外,由于预报因子组合的复共线性的影响,逐步回归方程还出现了在个别点预报误差极大的不合理情况.     

基于遗传—神经网络方法的广西台风灾害评估模型研究

选取1981—2018年影响广西且灾情记录比较完整的86个台风样本,基于台风灾害伤亡人数、直接经济损失划分灾情等级,选取致灾因子,利用遗传算法与神经网络相结合的方法建立广西台风灾害评估模型。结果表明：选取的台风灾害致灾因子与台风灾情等级之间具有显著的相关性,构建的遗传—神经网络集合预报模型对台风灾情预估效果较好,训练样本拟合一致率为86.1%,测试样本预报准确率为71.4%,其中严重和较重的台风灾情等级预报结果与实况基本一致,较轻等级的预报准确率达83.3%。     

夏季南海台风移动路径的一种客观预报方法

以1960—2003年共44a夏季的7月、8月、9月西行进入南海海域的台风样本为基础,综合考虑南海台风移动路径的气候持续因子和数值预报产品物理量因子,运用条件数方法选取因子并建立回归方程,进行台风路径预报模型的预报建模研究。通过对比分析发现,基于条件数方法的南海台风移动路径模型具有较好的预报效果,7月、8月、9月3个月24h台风路径预报的平均距离误差为153．9km,预报能力明显高于目前国内外的其他一些台风路径客观预报方法。该方法的预报精度相对于逐步回归方法有了很大的提高,相对于气候持续法也为正的预报技巧水平。     

Shapley-模糊神经网络方法在华南台风卫星云图的长时效滚动预测中的应用

为了更好地利用大量的卫星云图观测资料来提高台风暴雨的预报能力,解决并提高对台风强降水云系变化的预报精度,延长对未来云系变化的预报时效,构建基于合作对策Shapley-模糊神经网络的华南区域台风卫星云图非线性智能计算滚动集合预测模型,对增强卫星云图资料在台风暴雨天气预报中的实用性和及时性具有重要意义。依据2013—2016年华南区域台风影响过程的卫星云图,采用类似于数值预报模式的集合预报方法,通过对间隔6 h的卫星云图云顶亮温样本序列做经验正交函数分解,将提取出的时间系数作为云图预报建模的预报分量。考虑台风云系的发展变化主要受云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用k-近邻互信息估计的分步式变量选择算法,通过两步过程实现相关变量的选择与弱相关变量的剔除,分别建立相应时间系数的Shapley-模糊神经网络集合预报模型,进一步将预报得到的各时间系数与空间向量合成,重构得到未来时刻的卫星云图预报图,实现了云图6—72 h的长时效客观滚动预测。试验结果表明,新方案所预测的云图与实况云图相关较高,重构云图的基本轮廓、纹理特征分布、清晰度以及云系强弱方面都比较接近原始云图。另外,研究进一步基于相同的云图预报因子,针对同样的建模和预报样本采用多元线性回归方案进行和新方案一致的云图预测。对比结果表明,这种非线性预报模型比线性方案能更好地预报未来较长时效台风云团的发展、移动的主要特征和变化趋势,其预测的云图与实际云图的主要特征更相似。云图预报时效达到了72 h,具有业务实用价值。      

金沙江下游多种面雨量集成预报方法的对比分析

集成方法有利于提高降水要素预报的准确性和可预报性。本文基于格点实况资料和智能网格预报、西南区域数值预报、ECMWF模式预报、GRAPES模式预报产品,以面雨量为研究对象,采用多元回归法、BP神经网络法、评分权重法、加权集成预报法和算术平均法,得到集成面雨量预报,再运用平均绝对误差、模糊评分、正确率、TS评分、偏差分析等方法,对2020年4—10月金沙江下游面雨量预报效果进行对比分析。结果表明：多元回归集成法和BP神经网络法的预报效果总体上优于其他几种集成方法。在考虑流域面雨量的预报量级时,下游可以采用预报量级较小的模式和集成方法。集成后偏差百分比均有降低,且多元回归法和BP神经网络法对预报量级较小的模式有矫正作用。在面雨量有无、小雨和中雨预报中,多元回归法集成效果较好,在大雨量级预报中,BP神经网络法集成效果较好。这些结论可为流域面雨量预报提供参考借鉴。     

基于集合Kalman滤波数据同化的热带气旋路径集合预报研究

构建了一个基于集合Kalman滤波数据同化的热带气旋集合预报系统，通过积云参数化方案和边界层参数化方案的9个不同组合，采用MM5模式进行了不同时间的短时预报。对预报结果使用“镜像法”得到18个初始成员，为同化提供初始背景集合。将人造台风作为观测场，同化后的结果作为集合预报的初值，通过不同参数组合的MM5模式进行集合预报。对2003～2004年16个台风个例的分析表明，初始成员产生方法能够对热带气旋的要素场、中心强度和位置进行合理扰动。同化结果使台风强度得到加强，结构更接近实际。基于同化的集合路径预报结果要优于未同化的集合预报。使用“镜像法”增加集合成员提高了预报准确度，路径预报误差在48小时和72小时分别低于200 km和250 km。     

台风路径数值预报实时订正技术及其集成应用

以台风路径数值预报的短时效预报偏差和目标时效（指所需订正的时效）的纬度预报为预报因子,采用多元线性回归方法建立了台风路径预报的偏差预估方程,继而对台风路径预报进行实时订正。本文以12 h为短时效,通过对欧洲中期天气预报中心确定性预报模式（ECMWF-IFS）和集合预报模式（ECMWF-EPS）的台风路径预报的应用,得到以下结论:2018年试报结果表明,24 h、36 h、48 h、60 h、72 h、84 h订正后的ECMWF-IFS台风路径预报的平均距离误差分别比订正前减小了7.3 km、9.3 km、8.9 km、6.5 km、6.9 km、2.6 km,总体来说较强台风（指12 h的台风强度实况≥32.7 m s?1）路径预报的订正效果更好。尝试了先对ECMWF-EPS各成员的台风路径预报进行订正,再进行集成预报,并对比了以下5种方式得到的台风路径预报:“订正后的确定性预报”、“所有集合预报成员集合平均”、“优选集合预报成员集合平均”、“所有集合预报成员先订正再集合平均”和“优选集合预报成员先订正再集合平均”,2018年试报结果表明,对于平均距离误差,24 h和36 h“优选集合预报成员先订正再集合平均”最小,48 h和60 h“所有集合预报成员先订正再集合平均”最小,72 h和84 h“优选集合预报成员集合平均”最小,如果在业务中有针对性地进行应用,有望获得一个在各预报时效表现都较优异的台风路径客观综合预报结果。24 h、36 h、48 h、60 h“优选集合预报成员先订正再集合平均”的平均距离误差分别比“所有集合预报成员集合平均”减小了13.3 km、11.7 km、10.0 km、7.6 km,比中央气象台官方预报（对应的时效为12 h、24 h、36 h、48 h）减小了0.7 km、2.0 km、3.9 km、2.4 km。     

GRAPES区域集合预报条件性台风涡旋重定位方法研究

为了在集合预报中更合理描述台风涡旋中心定位的不确定性,采用2009—2018年中国气象局和日本气象厅台风最佳路径数据,分析台风最佳路径涡旋中心定位的不确定性特征,在此基础上设计条件性台风涡旋重定位方法（Conditional Typhoon Vortex Relocation,CTVR）,构建集合成员台风涡旋中心重定位阈值条件、台风涡旋分离数学处理及涡旋重定位等数学处理过程,利用中国气象局数值预报中心区域集合预报系统（Global/Regional Assimilation and Prediciton System-Regional Ensemble System,GRAPES-REPS）对2018年西北太平洋上的3个台风（1808号“玛莉亚”、1824号“谭美”和1825号“康妮”）进行轴对称结构和轴对称+非对称结构条件性台风涡旋重定位两种方案的集合预报试验和检验评估。结果表明:（1）中国气象局和日本气象厅台风最佳路径误差平均值为13.72 km,可视为台风涡旋中心定位不确定性的合理估计值;（2）统计检验结果和典型个例分析表明,采用轴对称结构和轴对称+非对称结构条件性台风涡旋重定位方法的台风集合预报路径误差及集合预报一致性结果比较接近;（3）条件性台风涡旋重定位方法可以有效改进GRAPES-REPS区域集合预报台风路径概率预报效果,如台风路径集合预报平均误差有所减小,集合预报一致性（路径离散度与路径均方根误差比值）增大,特别是预报初期概率预报效果改进更为显著,而预报中后期改进有限;（4）通过对“玛莉亚”台风集合预报诊断分析发现,经过条件性台风涡旋重定位后,各集合成员的台风路径误差在预报初期明显减小且路径收敛,但随着预报时效的延长台风路径逐渐发散。应用条件性台风涡旋重定位方法后,台风涡旋环流与大尺度环境场仍然比较连续协调,且台风涡旋环流外的大尺度环境场具有一致性特点,最低气压误差、最大风速误差和降水预报技巧基本不变。可见,条件性台风涡旋重定位方法的应用可以提供更准确的台风路径预报不确定性信息,帮助预报员做出更准确的预报决策。      

最优子集的神经网络预报建模研究

作者尝试用最优子集方法进行神经网络长期预报模型的建模方法研究。结果表明,在很多情况下,由于最优子集方法比逐步回归方法能选取更好的预报因子,因此所构造的神经网络预报模型具有更好的拟合和预报效果,这为神经网络在长期预报的应用研究提供了新的思路和方法。     

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料,采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比,结果如下:（1）相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优（少云击中率平均提高24 %,多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。