投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究

以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明：投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。     

投影寻踪回归方法在长江三角洲地区降水量预报中的应用

本文首先利用北半球大气环流、SST场以及环流特征量指数等资料，普查了与长江三角洲地区降水量关系密切的预测因子，并根据投影寻踪回归方法（PPR）建立了该地区降水量预报模型。试验结果表明，该统计方法具有稳健性，对降水量的预测效果较好。     

基于BP神经网络的汛期降水预测模型研究

采用误差反传前向网络（简称BP神经网络）建立汛期（6-8月）降水预测模型，并与采用逐步回归方法建立的模型进行对比试验，结果表明，基于BP神经网络的汛期降水预测模型不仅对历史样本的拟合精度更高，而且其独立样本的预测检验效果也比逐步回归方法更好，是一种具有一定应用前景的汛期降水预测方法。     

投影寻踪回归技术在降水量预测中的应用

提出了应用投影寻踪回归（ＰＰＲ）技术预测降水量的建模思想及其ＳＭＡＲＴ算法的实现。三个地区应用ＰＰＲ进行降水量预测建模,模型的拟合及预留预测检验结果均好于逐步回归建模的相应结果。     

偏最小二乘回归模型在辽宁汛期降水预测中的应用

利用1951~2011年中国160个气象站逐月降水、温度、74项环流指数和NCEP再分析海表温度资料,采用偏最小二乘回归(PLSR)方法,结合均生函数构造预报量周期性因子,建立辽宁省汛期平均降水量及其5站(沈阳、朝阳、营口、丹东和大连)汛期降水量预测模型,并进行预测效果检验分析。结果表明:采用均生函数构造预报量周期性因子,在一定程度上弥补了气候预测统计模型高相关性因子的不足,从而使辽宁汛期平均降水量PLSR模型的试报均方根误差降低约10 mm。PLSR模型由于较好地解决了预报因子之间的多重相关性问题,其预测效果较逐步回归模型有明显提高,对2002~2011年辽宁5站汛期降水量试报的Ps评分平均值为72.6%,比逐步回归模型提高了10.3%。     

长江三角洲梅汛期降水与大气环流季节内演变的关系及延伸期预报

基于1981—2020年长江三角洲(简称长三角)地区62个国家基本气象站的逐日降水量资料及NCEP/NCAR全球大气逐日再分析资料,分析了长三角地区梅汛期降水与前期大气环流季节内协同演变的关系,在此基础上利用改进的时空投影方法(STPM)构建了针对该地区梅汛期降水的延伸期预报模型.结果表明:(1)长三角地区梅汛期降水存...     

近50年来东莞气温年际变化的长期特征分析

运用福建省25个代表站汛期降水量资料，得到了能够反映全省旱涝状况指标，以此指标为预报量，运用相关分析和逐步回归分析方法，从前期海温场、大气环流场中选取了预报因子，并据此建立了福建汛期旱涝的多元线性回归和RBF神经网络预测模型。结果表明，RBF神经网络模型在历史样本拟合精度上、样本交叉检验和模型的实际预测能力上都明显优于传统的线性回归方法，该模型在实际预测中具有良好的应用能力和推广价值。     

福建汛期降水主分量逐步回归预测模型研究

建立福建汛期降水量气候场的主分量逐步回归预测模型,通过预测福建汛期降水量气候场的主分量来实现对福建汛期降水量场的预测。选取北半球500 hPa高度场、太平洋海温场、北半球海平面气压场等含不同区域不同季节的诸多因子场的前若干主分量因子作为预测因子。计算分析了福建汛期降水场的主分量分布特征和分型特点。利用相关筛选和双重检验逐步回归方法,建立福建汛期降水场与多个因子场的关系,建立主分量的预测方程。通过对2012年福建汛期降水的预报,发现该模型对福建汛期降水的趋势和分布有较好的预测能力。     

近30 a福建省前汛期极端降水事件特征及其成因

利用1981—2010年前汛期(5—6月)福建地区台站逐日降水观测资料及NCEP/NCAR再分析逐日资料,对福建地区极端降水事件发生规律及环流异常进行了分析。结果表明:近30 a福建地区前汛期各站极端降水事件的发生频次在40~62次之间,沿海台站发生次数明显少于内陆台站。区域性极端降水发生频次亦呈显著增加趋势,增幅为0.06次/a,且在1994年后,前汛期极端降水事件的发生频次明显增多。区域性极端降水86次事件平均的降水分布显示在闽西中部降水量最大,并由此向外围逐渐减小。极端降水事件对前汛期降水贡献较大,约占前汛期总降水量的两成以上。极端降水事件的发生与大气环流异常存在密切关系,对深刻认识福建地区极端降水事件的形成机制和变化规律具有重要意义。     

江西省永修地区盛夏气温和汛期降水变化特征及其预测模型

利用逐日气温和降水资料,对江西省永修地区1961—2015年盛夏(7—8月)气温和汛期(4—6月)降水的变化规律进行分析。结果表明,永修地区盛夏气温和汛期降水均存在25—30 a的变化周期,但在全球变暖的大背景下,两者自1961年以后均未表现出明显的长期变化趋势。通过相关性分析从大气环流指数和外强迫指数中筛选影响永修地区降水和气温的显著相关因子,并采用逐步回归法构建永修地区盛夏气温预测模型和汛期降水预测模型。模拟和预测试验结果表明,气温、降水预测模型不仅能较好地模拟出1961—2010年永修地区盛夏气温和汛期降水的变化,还能很好地分别预报出2011—2015年永修地区盛夏气温和汛期降水。     

TRMM月降水量产品在新疆地区的订正

利用1998-2013年TRMM月降水量产品与新疆同期的105个气象站地面观测降水量,运用逐步回归与BP神经网络方法,选取1998-2010年数据建立新疆地区的降水订正模型,并利用2011-2013年月降水量进行检验。结果表明:加入地形因子对TRMM月降水量产品订正效果明显,整体上两种模型对TRMM月降水量产品订正的相关系数从最初的0.66分别提高到0.75和0.80,相对误差由10.75%分别降低为4.88%和3.19%;月尺度上,TRMM月降水量产品相对误差为-5.68%~54.44%,经逐步回归模型订正后为-4.26%~32.57%,而BP神经网络模型订正后为-5.33%~24.48%,表明BP神经网络模型订正效果更好;从综合时间技巧评分S_T看,订正后TRMM月降水量产品在各月的效果均有不同程度提高,逐步回归模型订正后提高0.01~0.49,BP神经网络模型订正后提高0.03~0.70。因此,基于逐步回归模型与BP神经网络模型订正的TRMM降水量产品均能够准确、定量地再现降水分布,为TRMM降水量产品质量改进提供一种较实用的参考方法。     

郑州市近58a降雨量变化分析

采用水文序列中常用的谱分析、有序聚类分析、Kendall秩次相关检验和Man-Kendall检验等方法,分别对郑州市1951-2008年的年降雨量、汛期和非汛期降雨量序列进行周期性、突变性和趋势性检验分析,结果显示:总体上郑州市年降雨量保持平稳,但各年汛期和非汛期的降雨量分别呈现出增加和减少的趋势,而且非汛期降雨量减少的趋势性较为显著;年降雨量和汛期降雨量有较为显著的近似10 a的周期,而非汛期降雨量表现为不显著的3 a的周期;年降雨量、汛期和非汛期降雨量序列的突变点均在20世纪70年代末和80年代初,但并不显著。     

人工神经网络方法在鹤壁汛期降水预报中的应用

在用经验统计方法和降水判别函数进行24h和12h晴雨预报的基础上，再用BP人工神经网络建立降水量级预报模型。经2003年汛期试用，预报准确率高于上级指导预报准确率，12h预报准确率高于24h预报准确率。     

基于遗传优化BP神经网络的水稻气象产量预报模型

利用1951—2010年江苏省水稻产量及同期14个气象站点的逐日平均气温、降水资料,采用因子膨化及相关分析,研究了水稻气象产量的影响因子及影响时段。在此基础上建立了逐步回归、PCA-BP神经网络以及PCA-GA-BP神经网络3种产量预报模型。结果表明:(1)7—9月份是水稻产量形成的关键时期,对气温、降水的变化最为敏感,气温对气象产量的影响大于降水;(2)两种神经网络模型预报效果好于回归模型;(3)遗传优化的神经网络模型比未优化模型的训练速度提高了70%左右,预报精度也提高了4.3%。     

汕头市PM2.5的气象要素影响分析及预报研究

利用2014—2017年汕头市PM_2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM_2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM_2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM_2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM_2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM_2.5日均浓度随着风速的增大呈现减小趋势,PM_2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM_2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM_2.5的清除效果无明显差别,而非汛期降水对PM_2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM_2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。     

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.     

滁河流域汛期多模式集成面雨量预报检验评估

对2013—2016年汛期ECMWF、JMA及中尺度WRF模式的预报结果进行检验,基于合理的时间尺度,制作了动态权重集成面雨量预报(DWI)、分步集成面雨量预报(SI)和等权重集成面雨量预报(EWI)产品,并对2017—2020年汛期降水期间多种集成面雨量预报产品和ECMWF、JMA、WRF的单个模式面雨量预报产品进行对比评估.结果表明:3种集成面雨量预报效果整体上优于单一数值预报模式,尤其是预报致灾严重的暴雨等级降水优势明显;DWI和WRF对强降水的面雨量预报正确率最高,其他2种集成面雨量预报结果次之,ECMWF及JMA较差;模式集成预报弱降水过程的优势不明显.     

PREDICTION OF FLOOD SEASON PRECIPITATION IN SOUTHWEST CHINA BASED ON IMPROVED PSO-PLS

In order to achieve the best predictive effect of the Partial Least Squares (PLS) regression model, Particle Swarm Optimization (PSO) algorithm is applied to automatically filter the optimal subset of a set of candidate factors of PLS regression model in this study. An improved version of the Particle Swarm Optimization-Partial Least Squares (PSO-PLS) regression model is applied to the station data of precipitation in Southwest China during flood season. Using the PSO-PLS regression method, the prediction of flood season precipitation in Southwest China has been studied. By introducing the precipitation period series of the mean generating function (MGF) extension as an alternative factor, the MGF improved PSO-PLS regression model was also build up to improve the prediction results. Randomly selected 10%, 20%, 30% of the modeling samples were used as a test trial; random cross validation was conducted on the MGF improved PSO-PLS regression model. The results show that the accuracy of PSO-PLS regression model and the MGF improved PSO-PLS regression model are better than that of the traditional PLS regression model. The training results of the three prediction models with regard to the regional and single station precipitation are considerable, whereas the forecast results indicate that the PSO-PLS regression method and the MGF improved PSO-PLS regression method are much better than the traditional PLS regression method. The MGF improved PSO-PLS regression model has the best forecast performance on precipitation anomaly during the flood season in the southwest of China among three models. The average precipitation (PS score) of 36 stations is 74.7. With the increase of the number of modeling samples, the PS score remained stable. This shows that the PSO algorithm is objective and stable. The MGF improved PSO-PLS regression prediction model is also showed to have good prediction stability and ability.     

Evaluation of global climate model on performances of precipitation simulation and prediction in the Huaihe River basin

Using climate models with high performance to predict the future climate changes can increase the reliability of results. In this paper, six kinds of global climate models that selected from the Coupled Model Intercomparison Project Phase 5 (CMIP5) under Representative Concentration Path (RCP) 4.5 scenarios were compared to the measured data during baseline period (1960–2000) and evaluate the simulation performance on precipitation. Since the results of single climate models are often biased and highly uncertain, we examine the back propagation (BP) neural network and arithmetic mean method in assembling the precipitation of multi models. The delta method was used to calibrate the result of single model and multimodel ensembles by arithmetic mean method (MME-AM) during the validation period (2001–2010) and the predicting period (2011–2100). We then use the single models and multimodel ensembles to predict the future precipitation process and spatial distribution. The result shows that BNU-ESM model has the highest simulation effect among all the single models. The multimodel assembled by BP neural network (MME-BP) has a good simulation performance on the annual average precipitation process and the deterministic coefficient during the validation period is 0.814. The simulation capability on spatial distribution of precipitation is: calibrated MME-AM > MME-BP > calibrated BNU-ESM. The future precipitation predicted by all models tends to increase as the time period increases. The order of average increase amplitude of each season is: winter > spring > summer > autumn. These findings can provide useful information for decision makers to make climate-related disaster mitigation plans.