基于深度学习的全球平均表面温度年际信号时间序列的预测北大核心CSCD

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。     

基于模糊时间序列的华南台风登陆时最大风速极值预测模型

利用1995—2017年登陆华南地区的台风登陆时最大风速极值数据,构建基于模糊时间序列的台风登陆时最大风速极值预测模型,并将该模型与传统时间序列ARIMA模型作对比。其预测结果表明,模糊时间序列的平均绝对误差、平均相对误差和均方根误差分别为2.621 m·s-1、0.066和2.727 m·s-1,预测的精确度明显高于传统时间序列ARIMA模型,同时也表明将模糊时间序列应用于登陆时最大风速极值的预测能够获得较理想的预测结果。     

基于时间序列模型与残差控制图的兰州市空气质量研究

利用2003-2012年兰州市月均空气污染指数API和季节性时间序列模型SARIMA,对数据序列进行拟合并对其变化趋势进行了分析,研究其演变趋势并选取空气质量良好(月平均API150)的月份(2012年6月2013年2月),选用时间序列模型ARIMA(1,1,1)进行拟合,再结合残差控制图,对2013年3月日平均API预测监控。结果表明,SARIM A(0,1,1)×(0,1,1)12模型较好的拟合了近10年兰州市API的变化趋势,兰州市的空气污染大致呈冬、春季污染相对较重,夏、秋季相对较轻,空气质量总体在逐渐好转。适合该地区短时间尺度的时间序列模型是ARIMA(1,1,1),结合残差控制图对2013年3月API进行预测监控,结果显示6,9,10,11,12和13日超出控制限,对6日和9日提出预警。预测结果与实际结果相吻合,证实了将时间序列模型与残差控制图结合预测监控大气污染的有效性。     

深度神经网络方法在山东降水相态判别中的应用

利用欧洲中心(ECMWF)ERA-Interim再分析资料,通过分析2008—2017年山东冬半年不同降水相态(雨、雪和雨夹雪)下温度和位势厚度特征,统计得到8个降水相态判别因子(T_(2 m)、T_(1000)、T_(975)、T_(950)、T_(925)、T_(850)、H_(850-700)、H_(1000-850)),并给出每个判别因子降水相态阈值指标。然后利用8个判别因子和阈值建立降水相态判别方程和训练DNN模型,通过随机检验发现DNN法对雨、雪和雨夹雪的预报准确率分别提高1.9%、0.2%和21.6%;利用ECMWF细网格预报资料进行个例检验,雨、雪和雨夹雪共106站中判别方程法判别错误29站,DNN法判别错误14站,即DNN法的降水相态判别能力优于判别方程法,且明显提高了对雨夹雪的判别能力。     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350% 和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520% 和8.089%。为气温的精准预报提供了参考依据。      

LSTM在宜昌短期电力负荷预测中的试验应用

利用宜昌市历史气象数据、电力负荷数据以及日期类型数据等建立LSTM网络模型,通过逐步调优试验评估,提出适用于宜昌电力负荷预测的LSTM网络模型方案。利用过去48h的历史气象资料、电力负荷资料以及节假日类型资料对当前时次的电力负荷预测效果最好,平均绝对百分比误差可达到1.79%;对一天24h各时次的负荷进行直接预测时,宜选用过去72h的历史资料及51个隐藏层单元,其预测效果最好,但效果仍远不如对单一时次的预测;利用提出的模型分别对选取的三个个例进行单时次滚动预测及24h直接预测检验,结果显示预测效果均较好,平均MAPE均在2%以内,表明提出的预测模型具有一定的可行性。     

基于CART算法的夏季干旱预测模型研究及应用

利用标准化降水蒸散指数(SPEI)作为判断干旱是否发生的标准,基于数据挖掘方法中的CART算法探究夏季西太平洋副高北界、夏季西太平洋副高强度指数、准两年振荡(QBO)、东亚夏季风指数、夏季北大西洋涛动(NAO)、夏季太平洋年代际振荡(PDO)、厄尔尼诺指数等多项气候因子与干旱的关系,构造分类决策树,得到干旱预报规则集,从而建立干旱的预报模型。预报模型以各项气候因子为输入变量,是否干旱为目标变量。根据1955—2012年商丘月平均气温和月总降水资料计算出商丘夏季58 a的SPEI指数作为干旱判定指标;以同期的多项气候因子数据作为输入变量,随机选取46 a的数据得到7条分类规则集,分类准确率为86.96%。使用剩余12 a的数据验证,准确率高达91.67%。结果有力地证明了基于CART算法建立干旱预报模型的可行性、科学性、有效性以及与干旱研究理论的一致性,为干旱模型的研究及季节性预测提供了科学有效的新思路。     

越南河内市冬作物生长季降水量ARIMA预测模型

考虑了气候系统中一些变量突变时可能对预测关系的改变作用，用ARIMA（Auto-Regressive Integrated Moving Average)动态模型的建摸方法，通过SAS软件的计算，建立河内冬作物生长季降水量预测模型。用1996－1998年的独立资料检验，预测结果与实况接近。     

灰色GM（1，1）模型在区域干旱预测中的应用

介绍灰色系统理论及其建模原理,利用温州市西山气象站53年的实测降水量资料建立灰色预测GM(1,1)灾变模型,对干旱灾害进行预测,经残差与后验差检验分析,模型精度较高平均达95.5％,并对实测资料进行检验,效果较理想,为温州市抗旱及供水提供必要的预测信息。     

基于人工神经网络的沿海风速多步预测研究

基于气象历史观测资料，将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域，通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析，得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差，BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比，其RMSE平均降低了58.9%，MAE平均降低了63.2%；风速误差和大风统计过程分析发现，BLSTM TRA模型具有一定的抗干扰能力，可以抓住短时大风等敏感信息，对于大风预报结果明显优于ECWMF模式和传统LSTM模型。     

包含外强迫因子的平潭旬降水量预测

降水量是重要的预报要素之一,长期的降水预测更是能提前预测旱涝分布情况,为国民经济规划提供依据。但目前为止,长期的降水预测仍缺少客观的预报方法。为此,尝试利用非线性预测模型来预测旬降水量,并将该模型应用于福建平潭,分别用与原始数据的差值、与原始数据的相关系数、均方根误差,以及符号显著性检验方法,讨论了包含外强迫因子的平稳性模型与不包含外强迫因子的非线性模型的预测能力,结果表明:包含外强迫因子的模型第一步预测结果与原始观测数据的相关系数为0.73,不包含外强迫因子的模型第一步预测结果与原始观测数据的相关系数则为0.47。无论是从与原始数据的差值及相关系数,还是均方根误差等方面,外强迫模型都是优于平稳性模型,并且通过符号检验方法可看出两种模型存在差异性,这也说明加入外强迫因子可以有效地提高预测技巧,外强迫因子与状态变量在预测中扮演同等重要的角色。     

基于PCA RBF的风电场短期风速订正方法研究

风电功率预测中最重要的因子是风速,准确的风速预测是风电功率预测的前提和基础。为了提高短期风速预测的准确性,本研究采用WRF模式,对我国上海崇明吕四风电场的风速进行预报。在此基础上,利用PCA-RBF算法结合WRF模式预报风向、气温、气压等气象要素对预报风速进一步订正。实验结果表明,利用PCA-RBF算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差降低20%~30%,相对平均绝对误差降低15%~20%。与其他智能算法(BP算法、LSSVM算法)对比分析后得出,PCA-RBF算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。     

基于MATLAB的主成分RBF神经网络降水预报模型

以前期500 hPa高度场、海温场为预报因子,采用径向基函数(RBF)神经网络与主成分分析相结合的方法,建立了广西中部5月平均降水预报模型。在5年独立样本的预测检验中,预测的平均相对误差、均方误差及平均绝对误差分别为18.12%、50.52和34.23。对比分析RBF神经网络与BP(Back Propagation)神经网络的预测结果,表明RBF神经网络预测结果更准确、精度更高。     

基于年际增量方法的云南省普洱雨季开始期气候预测

基于普洱雨季开始期年际增量变化规律和影响雨季开始期的环流形势及物理过程,采用年际增量方法和多元线性回归分析方法,选取5个具有物理意义的预测因子(包括前期1月南半球绕极环流、前期2月南太平洋高压、前期4月孟加拉湾至南海海平面气压、前期冬季加拿大北部海冰和前期冬季伊朗高原积雪深度),建立了普洱雨季开始期的预测模型,并对预测模型进行1967—2017年的交叉检验和1998—2017年的逐年独立样本检验。交叉检验中,雨季开始期预测值和观测值年际增量的相关系数为0.84,相对均方根误差为24%;独立样本检验中,雨季开始期年际增量的相对均方根误差为15%,模型对雨季开始期异常年份的预测误差小于7 d,表明该预测模型能很好再现1967—2017年雨季开始期的变化趋势。     

基于陆基GNSS的电离层时间序列预报研究

为讨论不同时间序列模型对电离层垂直总电子含量（VTEC）的预报效果,在平静电离层条件下,采用载波相位平滑伪距法解算单站上空的电离层VTEC值,分别利用自回归积分滑动平均模型（ARIMA）与Holt-Winters指数平滑模型进行逐站建模,通过时长为9 d的样本序列实现3 d预报,并对预报值进行系统评估.结果表明,时间序列模型能够较好地反映预报期内的电离层VTEC变化情况,均方根误差均值不超5 TECU.此外,Holt-Winters乘法模型的预报值偏差最大,加法模型次之,ARIMA模型在11个测站的相对精度都高于Holt-Winters指数平滑模型,且其均方根误差峰值最小,具有最高的预报精度.     

探空和飞机观测资料联合同化对台风“苏迪罗”（2015）数值模拟的影响研究

基于中尺度数值天气预报模式WRF和WRFDA三维变分同化系统,针对2015年台风“苏迪罗”二次登陆过程,利用NCEP ADP提供的无线电探空、飞机报观测资料,同时同化两种资料,并进行36 h模拟预报,从台风移动路径、强度、降水及模式初始场改进等方面分析了同化模拟效果。结果表明,同时同化两种资料能够有效改善台风移动路径、中心附近最低气压的模拟。对浙闽降水关键区24 h降水的TS评分结果表明,该同化方案对台风降水的预报评分有一定程度的改进,尤其是中雨和特大暴雨的改进最明显。对于模式初始场的温度、相对湿度、纬向风、经向风在各高度上的均方根误差,除湿度外均有不同程度的减小。并且同化对于台风结构的模拟也有所调整。      

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。     

Application of a Neural Network to Store and Compute the Optical Properties of Non-Spherical Particles

Radiative transfer simulations and remote sensing studies fundamentally require accurate and efficient computation of the optical properties of non-spherical particles. This paper proposes a deep learning (DL) scheme in conjunction with an optical property database to achieve this goal. Deep neural network (DNN) architectures were obtained from a dataset of the optical properties of super-spheroids with extensive shape parameters, size parameters, and refractive indices. The dataset was computed through the invariant imbedding T-matrix method. Four separate DNN architectures were created to compute the extinction efficiency factor, single-scattering albedo, asymmetry factor, and phase matrix. The criterion for designing these neural networks was the achievement of the highest prediction accuracy with minimal DNN parameters. The numerical results demonstrate that the determination coefficients are greater than 0.999 between the prediction values from the neural networks and the truth values from the database, which indicates that the DNN can reproduce the optical properties in the dataset with high accuracy. In addition, the DNN model can robustly predict the optical properties of particles with high accuracy for shape parameters or refractive indices that are unavailable in the database. Importantly, the ratio of the database size (~127 GB) to that of the DNN parameters (~20 MB) is approximately 6810, implying that the DNN model can be treated as a highly compressed database that can be used as an alternative to the original database for real-time computing of the optical properties of non-spherical particles in radiative transfer and atmospheric models.