阿勒泰的晕

阿勒泰地区位于新疆维吾尔自治区北部.地处中纬度偏高范围,出现晕的机会较多。它和未来天气的关系,各县说法不一: 吉木乃:当天日、月晕开始的时间,就是第二天降水出现的时间。 哈巴河:日出、日落带双环天气冷,日出带单环天气暖,日落带单环     

基于副高-季风非线性动力模型的动力特性讨论与机理分析

基于NCEP/NCAR再分析资料,依据动力系统反演思想,采用遗传算法从1998年实际观测资料中,客观合理地反演重构了副高特征指数与东亚夏季风因子的非线性动力模型,并结合1998年天气实况,讨论了模型中外参数的变化对副高系统平衡态失稳和分岔的影响。从而为副高等难以准确构建动力模型的复杂天气系统的物理机理分析和动力行为讨论,提供了有益的研究思想和方法手段。研究发现,副高指数平衡态的分布和变化与实际副高的中短期异常活动相对应,副高系统由高值稳定平衡态向低值稳定平衡态跳跃的突变行为对应副高的异常南落过程,副高系统由双稳定平衡态向单稳定平衡态并入的分岔行为对应副高"双脊线"并存到消失的过程。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法（Mind Evolutionary Algorithm,MEA）中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

通用的BP网络构造程序

１神经元模型神经元是神经网络系统中最基本的计算单元,它具有ｎ个输入Ｘ（Ｘ１,Ｘ２,…,Ｘｎ）,对应ｎ个权重Ｗ（Ｗ１,Ｗ２,…,Ｗｎ）,一个输出Ｙ（如图１）。→→→→····ｎｎ２２１１ＷＷＷＸＸＸＹ图１神经元模型设神经元的输入总和（称为激活函数）为Ａ...     

用神经网络方法对雷达资料进行降水类型的分类

利用不依赖先验统计模型的多层前馈神经网络模型对合肥的新一代S波段A系列雷达2001-2003年的降水资料进行了三种降水类型的分类,并将训练完成后的网络应用于一次降水过程。利用单隐层的多层前馈神经网络模型,在取适当参数时,已经可以较好地对雷达资料进行对流云降水、层状云降水和混合云降水三种降水类型的分类。同时验证了：训练集样本的数量和顺序、隐层神经元的数目以及学习率的选择等都将影响分类的成功率。     

检测冰雹环型的判据

本文检验了苏联用来检测早期发展阶段的冰雹环型的一个判据。对195个强对流环型的雷达记录进行研究,并和一个稠密的测雹网(每1292Km~2有323个测雹板)情报对照。发现所有的冰雹环型在其早期发展阶段都可以检测。在71个达到撒布判据标准的环型中,约50%从未有冰雹到达地面。使得相当于30%的撒布火箭是浪费了。苏联的用六个雷达参数的判据,可以由一个类似而简单且更有效的判据来代替,新判据仅取决于和融化高度层 H联系的45dBZ 高度的廓线 H_(4 5)。新判据过去的判据进行了比较,并讨论了它的微观物理的实质。     

人工神经网络在月降水量预测业务中的研究和应用综述

月降水量的年际变化具有显著的非线性变化特征,预测难度大,历来是重大气象灾害预测的重点难点问题.BP(back propagation)神经网络在月降水量预测业务中的研究和应用中,取得了较好的成果,其中应用较广泛的是PCA-BP神经网络模型、遗传算法优化神经网络、RBF神经网络预测模型、小波神经网络模型、粒子群-神经网络...     

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.     

BP网络及其学习功能初探

1前言BP网络[1]是神经网络[2]，[3]理论中的一个重要网络模型。该网络由输入层、隐层、输出层构成，输入层接收到的外部信号经过隐层处理再由输出层输出，信号传递时每一层神经元的状态只影响下一层神经元的状态，因而它是一种前向网络。BP网络的特点是具有隐层即中间层，位于输入层神经元和输出层神经元之间，隐层可以有多层，也可以只有一层。另一个特点是网络在学习过程中的误差是向后传播的（BackPropagating），如果网络输出与期望输出有偏差，则把误差反向传播，先经隐单元最后传给输入层并修改各层神经元的连接权值，使误差信号减…     

基于BP和Elman神经网络的福建省汛期旱涝预测模型

建立了福建汛期旱涝BP和Elman神经网络预测模型，并对两种模型的性能和差异进行了比较，结果表明：动量BP网络模型，特别是具有局部反馈特性的Elman网络模型具有较好的拟合精度和预报效果。此外两种模型对旱涝等级为2和4的预测偏差较大，而对旱涝等级为3的预测较为准确。     

Evaluation of pan evaporation modeling with two different neural networks and weather station data

This study evaluates neural networks models for estimating daily pan evaporation for inland and coastal stations in Republic of Korea. A multilayer perceptron neural networks model (MLP-NNM) and a cascade correlation neural networks model (CCNNM) are developed for local implementation. Five-input models (MLP 5 and CCNNM 5) are generally found to be the best for local implementation. The optimal neural networks models, including MLP 4, MLP 5, CCNNM 4, and CCNNM 5, perform well for homogeneous (cross-stations 1 and 2) and nonhomogeneous (cross-stations 3 and 4) weather stations. Statistical results of CCNNM are better than those of MLP-NNM during the test period for homogeneous and nonhomogeneous weather stations except for MLP 4 being better in BUS-DAE and POH-DAE, and MLP 5 being better in POH-DAE. Applying the conventional models for the test period, it is found that neural networks models perform better than the conventional models for local, homogeneous, and nonhomogeneous weather stations.     

人工神经网络在天气预报中的应用研究

介绍了将人工神经元网络用于灾害性天气（暴雨）预报研究的情况，分析了天气预报问题的数学提法及困难所在，神经元网络用于天气预报的原理，暴雨预报的特点及我们对网络模型的改进。结果表明，神经风格确可通过学习从原始数据中提取足够的分类信息，达到较好的预报准确率，值得进一步研究。     

冬奥延庆赛区风的预报技巧比较分析

为了提高2 min平均的10 m风预报精度,开展了多种建模和检验方法比较.根据欧洲数值中心集合预报系统产品及北京海陀山的5个测站资料,使用一元回归、岭回归、神经网络、粒子群-神经网络等方法建模,进行2021年2月逐日的未来3天6 h间隔预报误差订正,并从多个角度分析预报精度差异.结果为:(1)系统误差、预报准确率检验表...     

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%。     

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.     

0-10 KM TEMPERATURE AND HUMIDITY PROFILES RETRIEVAL FROM GROUND-BASED MICROWAVE RADIOMETER

Deviation exists between measured and simulated microwave radiometer sounding data. The bias results in low-accuracy atmospheric temperature and humidity profiles simulated by Back Propagation artificial neural network models. This paper evaluated a retrieving atmospheric temperature and humidity profiles method by adopting an input data adjustment-based Back Propagation artificial neural networks model. First, the sounding data acquired at a Nanjing meteorological site in June 2014 are inputted into the MonoRTM Radiative transfer model to simulate atmospheric downwelling radiance at the 22 spectral channels from 22.234GHz to 58.8GHz, and we performed a comparison and analysis of the real observed data; an adjustment model for the measured microwave radiometer sounding data was built. Second, we simulated the sounding data of the 22 channels using the sounding data acquired at the site from 2011 to 2013. Based on the simulated rightness temperature data and the sounding data, BP neural network-based models were trained for the retrieval of atmospheric temperature, water vapor density and relative humidity profiles. Finally, we applied the adjustment model to the microwave radiometer sounding data collected in July 2014, generating the corrected data. After that, we inputted the corrected data into the BP neural network regression model to predict the atmospheric temperature, vapor density and relative humidity profile at 58 high levels from 0 to 10 km. We evaluated our model’s effect by comparing its output with the real measured data and the microwave radiometer’s own second-level product. The experiments showed that the inversion model improves atmospheric temperature and humidity profile retrieval accuracy; the atmospheric temperature RMS error is between 1K and 2.0K; the water vapor density’s RMS error is between 0.2 g/m3 and 1.93g/m3; and the relative humidity’s RMS error is between 2.5% and 18.6%.     

Reconstruction of the El Niño attractor with neural networks

Based on a combined data set of sea surface temperature, zonal surface wind stress and upper ocean heat content the dynamics of the El Niño phenomenon is investigated. In a reduced phase space spanned by the first four EOFs two different stochastic models are estimated from the data. A nonlinear model represented by a simulated neural network is compared with a linear model obtained with the principal oscillation pattern (POP) analysis. While the linear model is limited to damped oscillations onto a fix point attractor, the nonlinear model recovers a limit cycle attractor. This indicates that the real system is located above the bifurcation point in parameter space supporting self-sustained oscillations. The results are discussed with respect to consistency with current theory.     

NWP Ⅱ+及其在云系分类中的应用

简要介绍美国Ｎｅｕｒａｌｗａｒｅ公司推出的人工神经网络应用与开发系统Ｎｅｕｒａｌ－ｗｏｒｋＰｒｏｆｅｓｓｉｏｎａｌⅡ／ｐｌｕｓ,以及该系统对卫星云图中４类云系样本：冷锋、静止锋、雹暴云团、ＭＣＣ进行分类实验的结果。     

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.