BP神经网络和支持向量机在紫外线预报中的应用

为了提高紫外线预报准确率,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machines,简称SVM)回归方法建立重庆市主城区紫外线辐射强度客观预报模型。统计相关分析结果显示,不同季节影响紫外线辐射强度的主要因素并不相同。对所有相关分析因子用逐步回归方法,按方差贡献大小筛选出预报因子,以每日紫外线平均辐射量为预报对象,分季节建立预报模型。比较用不同方法建立的预报模型发现,两种非线性模型(BP模型和SVM模型)的拟合能力优于线性逐步回归模型,但独立样本检验结果表明,3种模型的预报准确率基本相当。将3种方法所建预报模型应用T213数值预报资料进行业务试报,得到较好预报效果。     

基于支持向量机的云量精细化预报研究

基于T639数值预报产品与地面气象观测资料,以环渤海地区兴城站为例,选取与云的形成密切相关的4类预报因子——水汽类、大气不稳定度类、大气上升运动类和天气系统强度类,以总云量、低云量为预报对象,运用支持向量机,选取最佳参数,建立兴城站云量的逐月、逐时次精细化预报模型。试预报结果表明:平均预报准确率总云量为71%,低云量为69%,预报准确率较逐步回归模型有所提高;在大部分月份、时次,试预报值的变化趋势与观测值一致,可以较好地反映实际阴晴变换和云量变化;基于支持向量机的回归模型对云量有较好的预报能力。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。     

典型相关分析在攀枝花市雨季开始期预报中的应用

利用典型相关分析作攀枝花市雨季开始期预报试验,选择1965～2001年的海洋特征指数、500hpa环流指数、太阳黑子数作为预报因子,建立典型回归模型.再以典型变量作为预报因子,用逐步回归和最优子集回归分别建立各站的预报模型,用2002～2004年的资料进行检验,对比试验结果表明:逐步回归和最优子集回归预报效果较好,典型回归模型效果较差.     

支持向量机回归方法在实时业务预报中的应用

简要介绍了支持向量机(Support Vector Machine,简称SVM)回归方法的基本原理,并介绍了基于SVM回归方法,利用1990～2000年1～12月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料构造预报因子,建立德阳市5个代表站的日平均气温、日最高气温、日最低气温的SVM回归预报模型及其在业务化运用中的效果。     

用支持向量机方法作德阳降水预报

本文对支持向量机(svm)回归方法的基本原理作了简要的概述.用常规观测资料并依据预报人员的实际工作经验选取预报因子,采取经典统计预报方法的方式,利用svm方法,选取径向基作为核函数对德阳市各站日降雨量建立预报模型.     

典型相关分析在攀枝花市雨季开始期预报中的应用

利用典型相关分析作攀枝花市雨季开始期预报试验,选择1965~2001年的海洋特征指数、500hpa环流指数、太阳黑子数作为预报因子,建立典型回归模型。再以典型变量作为预报因子,用逐步回归和最优子集回归分别建立各站的预报模型,用2002~2004年的资料进行检验,对比试验结果表明:逐步回归和最优子集回归预报效果较好,典型回归模型效果较差。     

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。     

基于交叉验证的多模式超级集合预报方法研究

利用AREM、MM5和WRF 3个中尺度有限区域模式,通过选取对短期天气预报影响颇大的积云参数化方案和边界层方案构成15个集合预报成员,以2003年7月汛期天气为研究对象,分别采用相关加权、多元线性回归以及支持向量机回归与"交叉验证"相结合的方法,开展有限区域模式的多模式短期超级集合预报研究.文中主要对上述3种方法的24 h降水和700 hPa流场的超级集合预报结果与多模式集合平均预报结果以及T213模式结果进行了对比分析,结果表明:(1)对于24 h降水,支持向量机回归方法的超级集合预报得到的均方根误差比多模式集合平均小,各降水临界值的TS异常评分比多模式集合平均高;并且它也较相关加权法和多元线性回归的超级集合预报效果好.(2)对于700 hPa流场,对比分析各预报结果经过向量EOF分析得到的风场第1模态和第2模态表明,多模式集合平均主要使风场强度变小,多元线性回归和支持向量机回归的超级集合预报可以较好地刻画风场的强度分布,其中支持向量机回归的超级集合预报对风场强度及其区域分布的预报效果最好.(3)对于700 hPa流场,超级集合预报明显优于同期T213模式预报,从相同的预报均方根误差意义看,支持向量机回归的超级集合预报至少较T213模式预报能提前12 h.     

典型相关分析在攀枝花市雨季开始期预报的应用

利用典型相关分析作攀枝花市雨季开始期预报试验，选择1965—2001年的海洋特征指数、500hpa环流指数、太阳黑子数作为预报因子，建立典型回归模型。再以典型变量作为预报因子，用逐步回归和最优子集回归分别建立各站的预报模型，用2002—2004年的资料进行检验，对比试验结果表明：逐步回归和最优子集回归预报效果较好，典型回归模型效果较差。