基于主分量的神经网络水位预报模型应用研究

根据气象和水文资料，以上游面雨量、水位值为预报因子，以西江流域的梧州水位为预报量，发现预报因子与预报量有很好的相关性。采用人工神经网络与主分量分析相结合的方法，建立了梧州水位的预报模型。结果表明，该预报模型对历史样本拟合精度高，试报效果及预报稳定性明显好于传统的神经网络预报模型，可在预报业务中应用。     

MM5数值产品在大同地区短期预报中的应用

本文主要通过研究MM5数值预报产品在大不同地区短期降水预报中的释用，发现MM5数值产品具有较好的降水预报能力，对中小尺度的局地对流性降水预报效果更为明显，对强降水的预报量级亦有很好的指导意见。     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

T213数值预报产品在强暴雨预报系统中的应用

本文针对发生在青藏高原东侧四川盆地内的强暴雨。进行了预报系统开发方面的研究，研究指出：以T213数值预报产品为资料样本，以天气动力学理论和强暴雨预报经验为基础，利用强暴雨预报经验对T213数值预报产品进行解释应用，在检验的基础上构筑预报因子系列，依据于大量历史个例的总结。采用回归方法与判别方法相结合的方式，就能在较短样本资料的情况下，建立起实用效果理想的强暴雨预报系统。     

天气动力学组合因子在MOS降水预报中的应用

利用我国的数值产品ＨＬＡＦＳ格点场资料,结合内蒙古地区降水系统的天气动力学演变特征,构造出能反映降水系统的天气动力学发展机制的结构特征因子,采用ＭＯＳ方法建立预报方程。用较短的样本资料建立ＭＯＳ预报方程,提高了ＭＯＳ预报方程的预报能力和适应性。试验结果表明,该ＭＯＳ预报方程计算稳定并具有很好的预报能力和效果,易于业务化。     

利用BP神经网络提高奥运会空气质量实时预报系统预报效果

将BP(Back Propagation)神经网络方法引入到奥运空气质量预报工作中,利用MATLAB神经网络工具箱搭建运行平台,将高时效性的观测结果与多模式集成实时预报系统的模式输出结果相结合,做出BP神经网络拟合预报结果。在对北京大学医学部站点2008年7月7日到8月26日模式模拟结果、观测结果以及BP神经网络拟合结果的对比研究中发现:BP神经网络能大大提高模式预报效果,平均误差率减少34.7%,相关系数提高39%,特别是在模式模拟效果较差的情况下,对提高预报效果更明显。对BP神经网络样本问题进行敏感性实验结果表明,样本数目多少并不是决定拟合效果的决定性因素,应选取具有稳定映射关系的样本,才是提高拟合预报效果的关键。     

背景场误差样本模拟对同化及数值预报效果的影响北大核心CSCD

合理估计背景场误差协方差矩阵(B)是做好变分同化的关键环节。利用控制变量随机扰动法(RandomCV)、增长模繁殖法(BGM)及NMC法等3种背景场样本模拟方法,基于WRFDA系统计算B矩阵,对B矩阵的特征及其对同化预报效果的影响进行了研究。B矩阵的特征分析和单点观测试验表明,NMC法与RandomCV法得到的B矩阵误差方差较大,在同化中观测的权重更大;RandomCV法得到的B矩阵,背景场误差中变量的长度尺度更大,说明同化中观测的水平影响范围更大。连续循环同化和预报试验表明:应用RandomCV法计算得到的B矩阵分析与预报的效果明显优于系统自带的以及BGM法得到的B矩阵,且效果与NMC法相当与NMC方法相比,采用RandomCV方法产生背景场样本具有时间和人力成本相对低的优点。     

背景场误差样本模拟对同化及数值预报效果的影响

合理估计背景场误差协方差矩阵(B)是做好变分同化的关键环节。利用控制变量随机扰动法(RandomCV)、增长模繁殖法(BGM)及NMC法等3种背景场样本模拟方法,基于WRFDA系统计算B矩阵,对B矩阵的特征及其对同化预报效果的影响进行了研究。B矩阵的特征分析和单点观测试验表明,NMC法与RandomCV法得到的B矩阵误差方差较大,在同化中观测的权重更大;RandomCV法得到的B矩阵,背景场误差中变量的长度尺度更大,说明同化中观测的水平影响范围更大。连续循环同化和预报试验表明:应用RandomCV法计算得到的B矩阵分析与预报的效果明显优于系统自带的以及BGM法得到的B矩阵,且效果与NMC法相当与NMC方法相比,采用RandomCV方法产生背景场样本具有时间和人力成本相对低的优点。     

均生函数残差预报模型在降水预报中的试验研究

在均生函预报模型的基础上，利用其残差数据序列对均生函数预报模型进行校正，提出了均生函数残差预报模型。运用两种模型对百色市6、7、8月月降雨量进行了历史样本拟合，并进行独立地样本预报试验。预报结果发现，均生函数残差预报模型对原有模型在预报精度上都有一定的改进，取得了较好的预报效果。同时，利用MannKendall法和Yamamoto法，可以明确突变开始的时间，指出突变区域，使待报时段与建模资料处在同一气候阶段则预报效果更为理想。     

东海区域热带气旋路径统计动力预报研究

文章主要介绍了东海区域热带气旋路径统计动力预报方案及其使用情况。该方案在原有台风路径统计动力预报方案的基础上调整了预报区域，重新选取了历史样本；延长了预报时效；对随机参数的相关因子，尤其是其中的天气经验因子进行了改进，并引进了欧洲中期数值预报中心的数值预报产品因子。另外，还对有关因子的重要性做了分析研究。经独立样本检验和实时预报表明，该方案的热带气旋预报路径和实际路径相当吻合，各项误差比同类产品明显减小，对实际业务预报服务具有较好的参考价值。     

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-神经网络模型等,这些方法也在广西月降水量预测业务中得到很好的应用,对提高月降水量预测能力有较大帮助。因此,有必要对目前神经网络在月降水量预测中的优势和不足进行综述,提出未来研究需要关注的重点关键问题。     

模块化模糊神经网络的数值预报产品释用预报研究

综合应用预报量自身时间序列的拓展,数值预报产品和模块化模糊神经网络方法,进行了一种新的数值预报产品释用预报研究。将这种新方法与常规的数值预报产品完全预报(PP)方法进行了对比试验。结果表明,这种模块化模糊神经网络数值预报产品释用预报方法比PP预报方法的预报精度显著提高。并且,通过对预报模型“过拟合”现象的研究发现,这种模块化模糊神经网络的数值预报产品释用预报模型具有很好的泛化性能。     

BP神经网络模型在重庆伏旱预测中的应用研究

采用气象要素定义伏旱指数，利用小波分析等方法分析重庆地区伏旱变化特征，最后采用BP神经网络模型对伏旱进行预测试验，结果表明，重庆伏旱变化具有明显的阶段性特征，而基于BP神经网络模型的伏旱预测模型预测效果良好，可以应用于实际预测。     

最优子集的神经网络预报建模研究

作者尝试用最优子集方法进行神经网络长期预报模型的建模方法研究。结果表明,在很多情况下,由于最优子集方法比逐步回归方法能选取更好的预报因子,因此所构造的神经网络预报模型具有更好的拟合和预报效果,这为神经网络在长期预报的应用研究提供了新的思路和方法。     

基于小波长短期记忆网络的风电功率超短期概率预测

随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆（LSTM）网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性.     

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.     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

A Short-Term Climate Prediction Model Based on a Modular Fuzzy Neural Network

In terms of the modular fuzzy neural network (MFNN) combining fuzzy c-mean (FCM) cluster and single-layer neural network, a short-term climate prediction model is developed. It is found from modeling results that the MFNN model for short-term climate prediction has advantages of simple structure, no hidden layer and stable network parameters because of the assembling of sound functions of the selfadaptive learning, association and fuzzy information processing of fuzzy mathematics and neural network methods. The case computational results of Guangxi flood season (JJA) rainfall show that the mean absolute error (MAE) and mean relative error (MRE) of the prediction during 1998 2002 are 68.8 mm and 9.78%, and in comparison with the regression method, under the conditions of the same predictors and period they are 97.8 mm and 12.28% respectively. Furthermore, it is also found from the stability analysis of the modular model that the change of the prediction results of independent samples with training times in the stably convergent interval of the model is less than 1.3 mm. The obvious oscillation phenomenon of prediction results with training times, such as in the common back-propagation neural network (BPNN) model, does not occur, indicating a better practical application potential of the MFNN model.