桂中春季短期气候预测的模糊评判

应用模糊综合评判的方法,建立了桂中春季低温阴雨总日数与前期５个预报因子在不同的预报等级下各个因子区间的隶属度矩阵,以此作为模糊变换矩阵Ｒ～及因子权重Ａ～的备选元素,然后,根据不同年份的因子值来构造Ｒ～和Ａ～,由算子Ｍ（·,０）作出预报等级的归属评判,其准确率要比目前气象部门所用的预报方法高１５－２０％。     

桂中春季短期气候预测的模糊评判

应用模糊综合评判的方法,建立了桂中春季低温阴雨总日数和前期５个预报因子在不同的预报等级下各个区间的隶属度矩阵,以此作为模糊变换和矩阵Ｒ及因子权重Ａ的备选元素,然后,根据不同年份的因子值为构造Ｒ和Ａ,由算子Ｍ（,０）作出预报等级的归属评评判,其准确度要比目前气象部门所用的预报方法高１５－２０％。     

遗忘因子自适应最小二乘算法及其在气温预报中的应用

海量数据的利用是建立自适应预报模型的基础,但随着数据的不断增加,新引入数据的作用会逐渐降低,有可能导致预报模型失效。为克服因数据量增加引起的所谓"数据饱和"现象对天气预报效果的影响,本文给出了考虑遗忘因子的线性自适应最小二乘建模算法的原理和方法,并利用该算法进行了最高气温和最低气温预报试验。结果表明,考虑遗忘因子的线性自适应建模算法优于传统的线性自适应建模算法,加入遗忘因子可以避免产生"数据饱和"现象,适当地选择遗忘因子有助于提高模型的预报准确率。     

数据的熵变换在降水预报中的应用

通过对降水因子的数据进行熵变换，使降水预报因子和预报量之间的复杂非线性关系变为准线性关系，能充分挖掘预报因子的潜在信息，实现统计模型同资料的匹配，提高了预报精度。     

因子综合分析法在中期预报中的应用

引言 因子综合分析法在各种数据的统计分析中应用十分广泛。近年来,我们在中期预报中,应用因子综合分析法对预报因子进行统计分析,对各年份的实况值进行客观分类,明确了分类的依据,使其分布规律更为清晰。在因子分析中,得到预报因子的主因子坐标,提取了最主要的预报因子,适用到中期预报中去。经过几年的检验,此方法预报准确率较高且较为稳定,同时该方法用于中期的重要天气过程的预报时,也取得较好的效果。     

客观预报工具制作试验平台的构建

本平台设置多种气象数据接口，可对数值预报产品和气候资料等数据进行相关分析，自动挑选高相关预报因子，应用多种预报方法建立客观预报工具，并可在实际业务应用中对所建工具进行预报试验。     

用多因子组合集成预报陕西关中大降水

分析影响陕西关中大降水的因子,选取9个对大降水贡献显著的因子,包括T213数值预报产品,单站观测数据,卫星云图,环流特征等,并进行相应的概率分析以及实践经验订正,对各因子信息的可信度分档分类赋值,再组合集成预报陕西关中大降水,预报结论可靠性较好.     

洛阳市分县要素预报业务系统

利用ＭＩＣＡＰＳ系统接收的Ｔ１０６格点资料数据、地面全要素填图数据及高空５００、７００、８５０ｈＰａ全要素填图数据,进行相关相似计算,动态地挑取若干个相关系数最佳的因子,建立多因子权重回归预报方程。预报结果可在ＭＩＣＡＰＳ系统图形显示及进行文本编辑。     

基于KPCA的台风强度神经网络集合预报方法研究

针对影响台风强度前期预报因子较多以及因子的非线性变化特点,首先采用逐步回归方法筛选出部分预报因子,再利用核主成分分析方法在剩余的预报因子中提取包含了原数据较多信息的核主成分与前期选入的预报因子共同作为模型输入.进一步考虑到神经网络集合预报中个体的准确性和差异性的权衡问题,在不同的初始条件下生成若干组神经网络,分别选择每组中性能最优的个体,建立了一种新的非线性神经网络集合预报模型.最后以西北太平洋海域2001-2010年5-10月的台风强度为研究对象进行了预报试验.结果表明,这种神经网络集合预报模型的预报结果符合实际应用的要求,其预报平均绝对误差明显小于同等条件下的神经网络方法和逐步回归预报方法.     

支持向量机在太阳辐射预报中的应用

利用EOF能分解数据场和SVM回归分析可建立因子与预报量非线性关系的优势,设计预报方案:(1)将多因子和多预报量分别方差标准化,EOF场展开,提取主分量;(2)用SVM回归分析实现多因子主分量对多预报量主分量非线性预测;(3)由预报的多预报量主分量与对应空间函数反演原预报量。选用武汉预报日同一天气类型的上一日逐时(05—18时)总辐射、日最高温度、温度日较差、日天气类型观测值以及预报日的日最高温度、温度日较差、日天气类型预报值为因子,对预报日逐时辐射量进行预报。独立预报试验表明,预报与实况接近。