区域降水数值预报产品人工神经网络释用预报研究

利用T213、日本细网格降水预报等数值预报产品,采用人工神经网络方法进行预报释用。通过聚类分析方法对广西自治区测站进行分类,简化预报对象,对数量众多的T213数值预报产品采用自然正交分解(EOF)方法,浓缩大量因子的有效信息,并结合日本降水预报因子建立广西5~6月区域降水量级的逐日人工神经网络预报模型。运用与实际业务预报相同的方法进行逐日预报试验。结果表明,用这种数值预报产品释用方法建立广西3个预报区域的B-P人工神经网络预报模型对中雨以上降水量级预报的TS评分分别为0.55、0.5和0.26,比目前业务预报中参考使用的T213和日本数值预报产品降水预报具有更好的预报效果。     

短期数值预报产品统计释用系统

短期数值预报产品统计释用系统是在吸收了各地ＭＯＳ预报应用研究和使用数值预报产品的经验的基础上，开展的以ＥＣＭＷＦ产品为基础的释用研究而建立起来的一套从资料处理、预报模型研制到日常业务运行的全自动化数值预报产品解释应用系统，该系统能够很好地应用于目前的Ｔ（６３）产品的释用。     

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象，采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解，有效浓缩数值预报产品因子的预报信息，并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验，并与T213的降水预报进行对比分析。结果表明，本文建立的3个区域日平均降水量神经网络预报模型，在预报性能上明显优于同期的T213降水预报。     

低纬度地区局地暴雨的神经网络预报方法研究

以南宁市所辖8个站暴雨集中的6-8月逐日降水量作为预报对象,采用人工神经网络方法进行了新的数值预报产品释用预报方法研究.通过运用动力相似法,结合日本降水预报模式对未来暴雨发生的可能性进行判别,然后通过对欧洲中期数值预报中心预报场进行滑动分区车氏展开计算,求出与降水量序列相关较好的预报因子,并对这些因子进行自然正交分解,有效浓缩数值预报产品因子,建立了南宁市逐日暴雨的神经网络释用预报模型.利用该预报模型,对2006年6-8月的逐日暴雨预报试验结果表明,该预报模型对南宁市的暴雨强降水具有很好的预报能力.     

台风大风预报研究回顾

大风是台风引发的三大灾害之一,考虑到现有的台风大风研究相对较少、预报经验也比较不足,因此对其预报方法进行回顾总结具有十分重要的意义。从经验预报、统计预报、数值模式预报及数值预报产品释用等4个方向梳理了台风大风预报技术的研究与应用现状:天气图、卫星云图和雷达图是经验预报中非常重要的工具;统计预报根据方法的不同可细分为回归预报、客观相似预报和气候持续性预报;数值模式预报方面,国内外多家机构都研发了相应的台风大风预报产品;数值预报产品的释用目前则包含了动力释用、统计释用和人工智能释用。同时总结了上述4类预报方法各自的优势和不足。最后,讨论了未来研究与实际业务中进一步提高台风大风预报能力的可能发展方向。     

短期数值预报产品统计释用系统

短期数值预报产品计释用系统是在吸收了各地ＭＯＳ预报应用研究和使用数值预报产品的经验的基础上，开展的以ＥＣＭＷＦ产品为基础的释用研究而建立起来的一套从资料处理、预报模型研制到日常业务运行的全自动化数值预报产品解释应用系统，该系统能够很好地应用于目前的Ｔ６３产品的释用。     

合肥市大雾预报方法建立与应用

利用主成分分析方法对2012～2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究，应用因子荷载点聚图将合肥市县大雾划分为2个区：中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性，全市和分片分别确定与大雾密切相关的高影响因子，利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下，通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明：数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优，技巧评分大幅提升，而两类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果要更好。     

基于全场信息的数值预报产品释用方法研究

对于短期气候时间尺度预报来说, 短期内尚无有效方法提高数值预报产品精度, 建立一种能综合有效利用全场信息的非线性释用方法, 通过统计释用提高短期气候的预报准确率, 是一条可行的途径。通过CCA-BP法建立的典型因子, 可以代表因子场与站点预报要素之间的大部分协方差关系, 使因子与站点要素相关性大为提高, 进而通过神经网络技术 (BPNN) 建立非线性预报模型, 实现上述目标。以平潭、福州站10月旬平均温度、降水距平百分率预报为例, 分别使用CCA-BP-BPNN模型和插值模型对1983-2001年资料建立预报方程, 对2002-2005年的试报结果表明:解释预报对数值预报产品做了较大修正,使预报产品具有一定的使用意义及参考价值。从各项评价指标来看,CCA-BP-BPNN模型优于插值模型。该方法为提高短期气候数值预报产品的释用精度提供了一个值得参考的途径。     

合肥市大雾预报方法的建立与应用

利用主成分分析方法对2012—2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究,应用因子荷载点聚图将合肥市县大雾划分为2个区:中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性,全市和分片分别确定与大雾密切相关的高影响因子,利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下,通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明:数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优,技巧评分大幅提升,而2类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果更好。     

数值预报产品统计释用技术在热带气旋路径客观预报中的应用

首先对应用数值预报产品统计释用技术的效果进行了统计,结果表明,数值预报产品统计释用技术的应用改善了热带气旋路径客观预报中预报因子的预报能力,提高了模式的预报技巧并拓展了有效预报时效。继而对热带气旋路径客观预报中若干统计释用技术问题进行了讨论,并指出：在应用数值预报产品构造热带气旋路径客观预报模式时,采用大样本资料和完全预报方法,细心构造反映各种天气系统特征和物理量场的预报因子,应用多时刻ＮＷＰ产品并对ＮＷＰ产品进行统计订正。对多种预报模式的预报结果进行综合集成等技术是提高预报技巧和稳定性的有效途径。     

一种改进的BP算法及在降水预报中的应用

传统BP(back propagation)算法在实际应用中具有网络结构参数和学习训练参数难以确定、泛化能力差、训练学习易陷入局部极小点等问题。该文在传统BP算法的基础上,提出一种改进算法,在训练过程中能自动确定各种参数,并避免陷入局部极小点,提高网络的泛化能力。利用2003—2005年5—9月中国国家气象中心T213的数值预报产品,通过动力诊断得出反映降水的物理量,然后从中挑选出与降水关系较好的25个因子,连同中国国家气象中心T213模式、日本气象厅业务模式和德国气象局业务模式相应的降水量预报结果作为预报因子。采用改进的BP算法建立江淮流域68个站24 h降水(08:00—08:00,北京时)3个等级(降水量≥0.1 mm,降水量≥10 mm,降水量≥25 mm)的预报模型。通过对2006—2007年5—9月68个站试报结果表明:改进BP算法对降水预报的TS评分大大高于传统BP算法,也高于几种模式的降水预报结果,同时,改进算法使降水预报的平均空报率、漏报率明显降低。     

人工神经网络技术发展及在大气科学领域的应用

20世纪80年代以来，人工神经网络技术在理论和应用研究方面有了快速的发展，并在众多学科领域取得了大量的应用研究成果。文章首先概述了国外有关人工神经网络理论研究发展的主要过程及我国开展神经网络理论和应用研究的状况。重点介绍了国内外大气学科中，关于神经网络方法在中、短期天气预报，短期气候预测，农业气象，空气污染预报，卫星云图识别以及气象观测资料处理等许多方面的应用研究工作。并且也进一步介绍了有关神经网络气象预报建模研究的关键技术一过拟合，网络结构问题的研究工作以及模糊系统理论与神经网络相结合的模糊神经网络，遗传算法与神经网络相结合的气象预报建模的最近研究工作。     

人工智能技术在数值天气预报中的应用

当前,人工智能迎来第3次发展浪潮并在多个领域大数据分析中取得巨大成功,这为人工智能技术与数值天气预报结合提供了契机。已有大量研究尝试将人工智能技术用于数值天气预报的初值生成、预报和产品应用过程中,涉及观测资料预处理、资料同化、模式积分、后处理以及高性能计算,通过误差估计、参数估计和局部代理等手段使预报结果,得到改进且计算速度大幅提升,展示出良好的应用前景,一些神经网络模型也表现出纯数据驱动预报的可能性,在短时强对流天气、降水以及气候预测中已有较为理想的应用实例。然而,人工智能技术在数值天气预报中的应用与发展仍面临一些挑战,主要包括深度学习的弱解释性、不确定性分析以及两者的耦合等,除了应对这些挑战,未来两者的深度结合还需要在理论指导下的人工智能模型设计、高时空分辨率人工智能预报模型设计以及使用更多新型人工智能技术等方面深入探索。     

人工神经网络在西藏中短期温度预报中的应用

根据2003年11月—2005年10月西藏自治区32个站点的气象资料,采用动态学习率BP算法的人工神经网络建模,在ECWMF、T213等模式数值预报产品释用基础上,进行1~7天逐日最高、最低温度模拟预测。模型业务试用结果表明,该神经网络模型具有较强的自适应学习和非线性映射能力,其预报结果能够满足实时预报的精度要求,对西藏中、短期极端温度的实时业务预报具有较好的参考价值。     

利用深度学习预报美国东北部日降水分布

现阶段降水预报主要依靠数值天气预报模式。但受物理参数化、计算资源等因素的影响,基于数值模式的降水预报还存在非常大的不确定性。近年来,深度学习在天气预报领域显示出巨大优势和潜力。本文通过构建神经网络预报美国东北部日降水分布,探讨神经网络模型基于低分辨率气象场(ERA-Interim, 0.7°)预报高分辨率降水(CPC,0.25°)的能力,并比较3种主流网络框架(VGG,ResNet, GoogleNet)在该任务中的表现。结果表明,3种网络框架都对美国东北部日降水分布具有一定的预报能力(VGG框架表现最优),但三者的均方根误差(RMSE)均高于ERA-Interim 24-h(ERA24)的降水预报。3种神经网络的集合预报结果优于ERA24预报,且这三者与ERA24预报结果的集合平均能够显著提高ERA24对不同季节、不同强度降水的预报。     

基于机器学习分类算法的臭氧浓度等级预报在长沙的应用

为准确预报臭氧浓度等级,基于EC＿THIN全球天气模式产品和我国自主研发的CMA＿GFS全球天气数值预报产品以及华南GRACEs大气成分模式输出产品,融合气象和环境观测数据,使用6种机器学习智能算法,构建耦合数值预报模式和机器学习的混合模型,旨在充分发挥数值预报与机器学习智能算法的优势和互补协同作用,实现臭氧浓度等级预报准确度的跨越式提升。共设置4个控制试验,选取不同的特征产品,依次使用机器学习经典分类算法对长沙市未来4天的臭氧浓度等级进行分类预报,取测试准确度最高的模型输出结果作为结果统计。发现：最优模型1～4天的测试准确度分别为81.7%、81.7%、78.3%、60.9%,大大高于大气成分模式预报和预报员经验,达到预期设计目标;高质量的天气模式产品对模型贡献大,而大气成分模式产品对模型贡献有限;模型3天以内预测性能较好,低等级预测性能较好,高等级预测性能一般。提出解决方案供讨论：增加高等级样本数量,增强模型对此类事件的识别能力;加强高等级臭氧污染的机理分析,组合出更精炼的因子供模型使用。     

Least squares support vector machine for short-term prediction of meteorological time series

The prediction of meteorological time series plays very important role in several fields. In this paper, an application of least squares support vector machine (LS-SVM) for short-term prediction of meteorological time series (e.g. solar irradiation, air temperature, relative humidity, wind speed, wind direction and pressure) is presented. In order to check the generalization capability of the LS-SVM approach, a K-fold cross-validation and Kolmogorov–Smirnov test have been carried out. A comparison between LS-SVM and different artificial neural network (ANN) architectures (recurrent neural network, multi-layered perceptron, radial basis function and probabilistic neural network) is presented and discussed. The comparison showed that the LS-SVM produced significantly better results than ANN architectures. It also indicates that LS-SVM provides promising results for short-term prediction of meteorological data.     

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。      

基于人工神经网络的集成预报方法研究和比较

用人工神经网络方法对同一预报量的各个子预报方程进行集成预报研究,并以同样的子预报方程进行回归、平均和加权预报集成。对神经网络集成预报模型与各个子预报方程及其它集成预报方法进行了对比分析研究。结果表明,人工神经网络方法所构造的集成预报模型不仅对历史样本的拟合精度比各个子预报方法及其它集成预报方法更好,独立样本的试验预报结果也显示出更好的预报准确性。并且,采用神经网络方法进行预报集成,可以避免以往集成预报方法难以确定权重系数的困难     

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。