BP人工神经元网络在春季降水量预报中的应用

通过普查北半球５００ｈＰａ、１００ｈＰａ、北太平洋海温与山东省春季降水量的相关，选取相关信度达到０．０５的相关区作为预报因子，利用ＢＰ（反向传播）人工神经元网络建立山东省春季降水量预报模型，并投入业务运用。结果表明，ＢＰ人工神经元网络具有较好的预报效果。     

绥中县春季降水量的长期预报

绥中县是“关外第一县”,处于华北平原与东北平原之间。全县经济以农业及水果生产为主。每年春季农业生产的关键季节,迫切需要春季旱涝和冷暖的长期趋势预报。为此,我县预报服务的第一件事,就是力争做好春季的长期预报。下面以1990年春季降水量长期预报为例,简介本站的预报方法和操作步骤。     

人工神经网络方法在降水量级中期预报中的应用

将人工神经网络方法与统计方法相结合，采用分步预报的方法，首先用经验统计方法进行晴雨预测，再用BP人工经网络建立降水量级预报模型，探讨神经网络方法在中期降水预报的应用，试验表明，神经网络方法能提高中到大雨降水量级的中期预报能力，但对暴雨的预报不理想。     

春季人工增雨降水预报专家系统

我区位于华北平原,地势平坦,土壤肥沃,气候温和,光照充足,是粮食和棉花的重要产地。然而由于降水量年,季变化都很大,春季降水量仅占全年降水量的10％左右,所以素有春季“十年九旱”的气候特征。这期间大于5mm的有效降水与农业生产息息相关,同时也是实施人工增雨的重要天气条件,为此我们建立了春季降水预报专家系统。1990年初步应用效果良好。 春季降水预报专家系统,分析了全区12个县(市)1978—1987年,10年逐日降水资料,把     

崇信春季第一场透雨的预报

崇信春季第一场透雨的预报李选处（崇信县气象局７４４２００）崇信县位于平凉地区东南部，年平均降水量５４６ｍｍ，春季（３—５月）降水量为１０１．６ｍｍ，占年降水量的１９％。春季雨水的多少和第一场透雨出现的迟早直接关系到春耕生产工作的顺利进行。提前预报出第...     

庆阳地区春旱分析及预报

春季是冬小麦生长和大秋作物播种的关键季节,降水量的多少直接影响着粮食产量。因此做好春早预报对于农业生产有着重要的意义。一、春旱的气候特征用区内9站的降水量求取全区春季平均降水量及距平百分率。规定降水距平百分率小于-20%时为早年,大于20%时为涝年,其     

云南气象地质灾害危险等级PP-ES预报方法

根据气象地质灾害与前期及当日降水的关系模型,对气象地质灾害危险等级进行模糊可能性描述,应用PP(完全预报法)原理,采用ES(专家系统)中的确定性因子法进行气象地质灾害预报的不确定性推理,所建立的气象地质灾害预报专家系统,在实际预报业务中取得了很好的效果,在2004年的汛期业务运行中,报准了全部重大气象地质灾害。结果证明:用完全预报方法原理,将气象地质灾害预报因子———降水量分为两段,第1段为实况降水量,第2段为预报降水量,建立预报模式是可行的;对于气象地质灾害这种小概率事件的预报,采用专家系统预报方法建立预报模式是行之有效的。     

支持向量机回归方法在铜川降水量预报中的应用

降水量定量预报是精细化预报的要求之一,由于降水量的离散性和预报因子的非线性,用常规数理统计的方法做定量预报效果不理想。支持向量机(Support V ectorM ach ine简称SVM)对处理非线性关系的问题有强大能力,且具有在海量信息中巧妙提取所关注预报对象特征的能力。应用2002—2004年夏季T 213预报产品资料,用支持向量机回归原理做铜川降水量预报,从大量历史个例的数值预报产品信息中,提取有代表性的支持向量,建立铜川3个站未来2 d每12 h降水量预报方法。结果表明,该方法的试验数据预报结论与实况相关系数可达0.6,绝对差2.2,并经过检验数据检验,能够投入业务使用。     

春季旱涝研究

春季旱涝对农场播种影响很大,通过对春季旱涝成因分析,找出春季旱涝与上年夏秋降水量关系,划分了预报指标。     

用相应时段累积因子预报累积降水的初步探讨

本文针对当前数值预报产品释用工作中通常存在的因子的瞬时量与预报降水的累积量这样一个时间尺度的不相匹配的问题，提出了用相应时段内因子的累积量预报降水的累积量的预报方案，用该方法处理的累积因子与降水量之间的相关系数，与瞬时因子相比有显著提高，以此为依据，用HLAFS数值预报产品，建立了一个降水量滚动预报系统，有较好的使用效果。     

“秋冷,春雨多”的验证和使用

谚语“秋冷,春雨多”反映了秋季气温高低的变化与次年春季降水量多寡的相关关系,我们在应用这条谚语制作春季降水量预报中取得了较好效果,现介绍如下。     

区域气候模式对我国冬春季气温和降水预报评估

使用国家气候中心全球海气耦合模式嵌套区域气候模式 (RegCM_NCC) 对1983— 2002年冬季以及1984—2003年春季我国平均气温和降水进行了数值回报试验, 并对2003— 2007年进行实时预报。结果表明:区域气候模式20年冬、春季平均气温的回报与实况在分布形态上较为相似, 我国大部地区平均气温预报与实况接近; 模式回报的冬、春季降水量的分布形态与实况有较大差异, 全国大部地区模式回报降水量比实况偏多, 西南地区降水量误差最大。使用国家气候中心气候预测室的业务预报评分 (P) 和距平相关系数 (ACC) 等5个评估参数对模式的回报和预报进行了评估分析, 结果表明:该模式对我国冬、春季平均气温和降水具有一定的跨季度预报能力。大多数年份冬、春季平均气温的P评分在60以上, 冬、春季平均气温多年平均分别为66.4和67.8;大多数年份的冬、春季降水评分为60~75, 冬、春季降水多年平均分别为69.9和65.6。     

提高月降水量预报精度的一种尝试

用原始数据建立的多元自回归预报模型,虽然对气压,气温,绝对湿度的预报精度很高,但对月降水量的预报粗度较低,改用自典型相关因子建模,大大提高了月降水量的预报精度,对气压,气温,绝对湿度的预报亦有所改进。     

南方大到暴雪的一种预报方法

对构成南方大到暴雪的两个特征量：降水量和积雪深度用多种预报方法从晴雨、降水性质、降水量级、冰冻及积雪厚度等不同角度分别进行预报，然后通过推理组合，最终建立暴雪预报方法。该方法除了可以得出有无大到暴雪的预报结果外，还可以得到多种中间预报结果，从而适应预报服务的多种需要。在近３年的实际使用中获得了很好的效果。     

南方大到暴雪的一各预报方法

对构成南方大到暴雪的两个特征量：降水量和积雪深度用多种预报方法从晴雨，降水性质，降水量级，冰冻及积雪厚度等不同角度分别进行预报，然后通过推理组合，最终建立暴雪预报方法。该方法除了可以得出有无大到暴雪的预报结果外，还可以得到多种中间预报结果，从而适应预报服务的多种需要。在近３年的实际使用中获得了很好的效果。     

区域气候模式对我国冬春季气温和降水预报评估

使用国家气候中心全球海气耦合模式嵌套区域气候模式(RegCM_NCC)对1983 2002年冬季以及1984-2003年春季我国平均气温和降水进行了数值回报试验,并对2003-2007年进行实时预报.结果表明:区域气候模式20年冬、春季平均气温的回报与实况在分布形态上较为相似,我国大部地区平均气温预报与实况接近;模式回报的冬、春季降水量的分布形态与实况有较大差异,全国大部地区模式回报降水量比实况偏多,西南地区降水量误差最大.使用国家气候中心气候预测室的业务预报评分(P)和距平相关系数(ACC)等5个评估参数对模式的回报和预报进行了评估分析,结果表明:该模式对我国冬、春季平均气温和降水具有一定的跨季度预报能力.大多数年份冬,春季平均气温的P评分在60以上,冬、春季平均气温多年平均分别为66.4和67.8;大多数年份的冬、春季降水评分为60～75,冬、春季降水多年平均分别为69.9和65.6.     

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24 h和12 h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,12 h预报准确率高于24 h预报准确率.     

《甘肃气象》1987年目录索引

天气分析和预报总能量廓线分析应用试验l一2一种优越的统计预报法 —介绍一致拟合率法l一5用EMOS预报甘南收区春季大雪l一8临夏市六月降水量灰色预测模型1一10天水市北道区春伏旱专题预报方法l一12我国北方盛夏旱涝发展的演变特征3一2张掖地区中一大雨与500百帕环流型3一5夭水市汛期中雨以上降水MOS方法3一7EMOS在县站中一大雨顶报中的应用3一10武威市大风单站不f正MOS顶报方法3一H用EMOS与经典法顶报中一大雨天气3一13甘肃省河东地区2月中大雪预报方法4一2琳南春季大雪湿有效能量的分布和特征4一4酒泉区域性春季大风的客观预报系统…     

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。     

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。