多预报量双重筛选逐步回归

一、引言 回归分析在长期天气预报中应用十分广泛。逐步回归是回归分析中效果较好的方法之一,逐步回归可以避免引入强相关变量所导致的求解的困难。 在长期天气预报中经常要同时制做P个站点的预报(即:多个预报量y_1、y_2…y_p),采用相同的M个预报候选因子(即:M个预报因子X_1、X_2…X_M)。对每一个预报量y_i可以分别应用逐步回归来筛选这M个因子建立预报方程:     

油菜花期物候主要限制因子分析及预报模型的构建

以油菜开花开始时间(即始花期)为研究对象,利用1980—2016年江苏省油菜发育期观测资料和同步气象数据,分析油菜始花期的时空变化趋势。结合油菜生理特性,筛选与油菜始花期显著相关的气象因子。以高淳站为例,采用通径分析明确各气象因子对油菜始花期的作用并评估因子敏感性,最后构建油菜始花期的回归预报模型。结果表明:在气候变化背景下江苏地区油菜始花期呈逐年提前趋势,淮河以南地区平均提前3 d以上;上年日平均气温稳定通过0℃终日(X_1)、当年日平均气温稳定通过5℃初日(X_2)、现蕾至开花前时段内分别大于0℃、5℃和10℃的有效积温(X_1、X_4和X_5)、最低气温分别小于0和5℃的日数(X_6和X_7)及平均最低气温(X_8)等8个因子与油菜始花期相关性达极显著水平;其中2月上旬至3月上旬的平均最低气温(X_8)、日最低气温小于5℃日数(X_7)、大于5℃有效积温(X_4)对油菜始花期的直接影响位列8个因子的前三位,且这3个因子两两共同对油菜始花期的相对影响程度也排在各因子对回归方程R~2总贡献率的前三位;其余5个因子直接效应普遍小于间接效应,且它们主要通过X_4、X_7、X_8对油菜始花期产生影响,而X_4、X_7、X_8也通过这5个因子产生一定影响;去掉任何一个因子,都会引起其他某些因子对油菜始花期的直接、间接作用发生变化;基于这8个因子构建的回归模型可解释68.48%的油菜始花期变化,并具有区域适用性。因此,就江苏地区而言,光照和降水对油菜开花早晚影响较小,热量条件才是江苏油菜开花早晚的主要限制因子,所构建的始花期预报模型可较好反映油菜开花时间早晚与相关热量因子变化的规律。     

森林火险中期预报方法探讨

一、前言 目前国内森林火险的预报方法很多,可是这些方法多侧重于应用气象要素的实况值,代入方程(y=29.39-29.26x_1+1.76x_2等)求出火险等级。这些方程虽较好地概括了林火同气象因子的关系,但如要做预报,还必须将目前气象台站的气象要素预报值(如相对湿度、气温日较差等)代入。这种预报方法较适合于天气比较稳定、气象要素变化较小的北方。而南方天气多变,预报气象要素(特别是中期预报)相当困难,准确率低,由此做出的火险预报效果较差。因此,我们在探讨林火同气象因子的关系     

影响温岭县三熟粮食的主要自然灾害

影响温岭县三熟粮食的主要自然灾害,县内争论的焦点是认为热量不足,低温冷害是粮食生产的主要抑制因子以及认为水分盈亏,旱涝灾害是左右粮食继续增产的主要天灾。从产量预报公式 Q=1.50X_1-9.60X_2-18.37X_3 9.24X_4 397.28得知,能造成早稻减产的主要因子有:X_1。(5月中旬日照时数)、     

多维空间点聚方法预报月降水量

图解预报是气象台站常用的统计预报方法,具有简单直观的优点。比如预报量y与两个前期要素(预报因子)x_1,x_2有关,(x_1,x_2)的一列历史资料在平面上表现为一个点组,在每一点处对应有一个y值。若因子挑选适当,这些y值在平面中的分布应有较明显的规律,这时,或者划出y的等值线,或者按y的不同等级,把平面划分为互斥的指示区域,就可应用来作预报,这就是平面点聚图。由于作图只能在平面中进行,因此上述方法对多因子的应用受到了限制。有一种     

用概率分布图作短期(24小时)晴雨预报

点聚图是我们在短期预报中经常使用的预报工具之一,但在制作点聚图时往往由于晴雨点子混杂难以分离,造成划分晴雨区的随意性,甚至很难划分出比较规则的晴雨区。在去年预报会战中,我们通过学习兄弟台站的经验,根据独立事件概率乘积P[x_1]×P[x_2]=P[x_1·x_2]的原理利用单因子的晴雨相关概率P[x_1],P[x_2]……算出二维概率分布图制作短期晴雨预报,收到了较好的预报效果。现以滕县站四月份概率分布图的制作和使用方法介绍如下:     

蝴蝶突变模型中尖点曲线的求解

突变论Thom分类定理中的第四种初等变换即蝴蝶突变模型,其标准形式为 X_1~5+C_3X_1~3+C_2X_1~2+C_1X_1+C_0=0 (1)式中C_3<0。(1)式的相空间是五维的,控制空间是四维的,其所对应的控制参数有四个,分别为 C_3:蝴蝶因子(butterfly factor) C_2:偏倚因子(bias factor) C_1:剖分变量(splitting variable) C_0:正则变量(normol variable) 状态变量有一个即平衡态X_1,反映平衡态X_1的控制方程(1)式是一个超曲面,它不能在通常的三维空间中用一幅几何图形画出其分歧点集(bifurcation set),必须固定C_3、C_2后才可能在二维的控制相平面(C_0,C_1)中画出它的分歧点集。为了得到这个分歧点集的分析表达式,我们作如下推导:     

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.     

预报因子选取及方程建立人机交互平台

利用计算机技术,将预报因子选取、方程建立和样本拟合融为一体,建立了预报因子选取及方程建立人机交互平台。该平台包括文件信息,因子初选和回归分析三个模块:(1)文件信息模块主要是读取预报对象文件和预报因子文件,显示并检查文件头信息样本长度的一致性;(2)因子初选模块主要是计算各气象要素或物理量场中每个格点因子与预报量之间的相关系数,构成各相关场,分析这些相关场及其关键区域,从中筛选出组合因子;(3)回归分析模块是对选入的组合因子与预报对象进行逐步回归计算,建立预报方程,并根据回归方程参数和样本拟合率,通过改变因子引入和剔除标准来调整回归结果。     

瑞金六月最高洪峰预报方法初探

为了做好汛期洪涝灾害服务工作,尤其汛期大水进城的重大预报服务,我们利用训练迭代法,制作了预测6月最高洪峰超警戒水位(191.0米)3米(大水进城水位)的预报方法.该方法拟合率为25/26,试报及预报准确率为10/10(见表1).现将该方法作一简单介绍.所谓训练迭代法,就是对m个因子x_i(i=1、2、…m)确定系数b_i(i=1、2、…m),并由此建立预报方程:y=b_0x_0 b_1x_1 … b_mx_m,式中x_0是为求取常数b_0而虚设的因子,令x_0=1,b_i是待定系数.     

用多因子相关点聚图作春播烂秧天气结束期趋势预报

一、烂秧天气结束期标准 2月中旬至4月上旬日平均气温小于或等于12.0度连续三天或以上最后一次低温阴雨过程结束日期。 二、选取预报因子 根据气象要素多年平均值,以距平符号选取上年度相关机率≥75％的预报因子10个: 〈1〉X_1上年11月平均气温,简记为: T_(11)。 〈2〉X_2:上年4月NE风平均风速,简记为:V_4NE 〈3〉X_3:上年7月平均水汽压,简记为:     

分类逐步筛选相似预报

相似方法是目前天气预报,特别是中长期预报中广泛采用的方法之一。选相似有各种办法,我们采用了分类逐步筛选相似法,现介绍如下: 一、方法 设有p个因子:x_1,x_2,……,x_p,预报量为y,各有n次观测样本。问题是有了X°=(x_1°,x_2°,……,x_p°)’后,找出X_i=(x_(1i),x_(2i),…x_(pi))’(i=1,2,……p)中与其相似的样本(’表示转置)。 (一)相似标准 怎样才算相似,这是最基本的一个问题,我们认为,相似程度的确定应从大气运动的本质特征入手,建立恰当的数量表征,可称为相似指数,以g记之。g_(ij)表示样本X_i与X_j的相似程度。应有|g_(ij)|≤1。     

用主成份分析法作冬小麦产量预报

主成份分析法是中长期天气预报中常用的方法之一,但在农作物产量预报中应用不多。主成份分析法,是将若干个预报因子(X_1,X_2……X_m)提供的信息进行浓缩、组合成个数较少的、互不相关的因子。用这些较少的因子来代替较多的因子,建立回归方程。 本文以山东省有代表性的十九个县的冬小麦产量和气象资料为样本,用主成份分析法作了一九八五年冬小麦产量预报,预报产量和实际产量接近。 产量资料和气象资料分别来源于省统计局和省气象局资料室。     

太阳黑子活动对相关稳定性的影响

统计预报是目前台、站长期预报的主要手段之一,相关分析是统计预报的重要组成部分。相关系数不稳定,直接影响到统计预报的效果,是我们预报业务中面临的一个重要问题。本文以4月降水量预报为例,分析太阳黑子活动对相关稳定性的影响。 我台制作本地区4月降水预报时,首先进行4月降水与北半球500毫巴平均高度的相关普查,选取信度达0.01以上的网格点并组成相关区。采用逐步回归对因子加以筛选。当取F=4时,建立回归方程为Y=313.1-1.03X_1-6.49X_4-1.55X_5-1.93X_7 47.0X_9,其中X_1、X_4、X_5、X_7、X_9分别为当年1月和前一年4、5、7、9月500毫巴诸网格点的平均高度。方程的复相关系数为0.91,平均拟合误差为     

判别分析的非参数方法

分类问题是气象预报中的重要问题。判别分析的非参数方法是解决分类预报问题的一种方法。它不需要假定预报因子满足n维正态分布律;不需求解线性方程组;通常不需要估计预报因子的总体参数(数学期望、均方差等),故称为判别分析的非参数方法。一、基本算法若有n个预报因子的一组观测资料,它可以看作为n维空间的一个点,记为x={x_1,x_2,……x_n}。{}表示列向量。这个空间点与n维空间中的另一点Y={y_1,y_2,……y_n}的距离为:     

回归模型拟合不足的显著性检验及其在气象预报中的应用

一、引 言 设因变量Y和自变量X_1,X_2,…,X_k有如下的关系:(1.1) Y=β_0+β_1X_1…+β_kX_k+e其中e是随机误差,满足条件:E(e)=0,D(e)=σ~2。 称Y=β_0+β_1X_1+…+β_kX_k为Y关于X_1……,X_k的回归方程.     

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。     

对回归分析的因子问题的探讨

对回归分析中的因子问题作了一些探讨,认为对预报因子进行相关稳定性检验后,选取相关稳定或相关系数呈上升趋势的因子建立回归方程,预报效果较好.一些非线性函数,经过适当的变换可化为线性函数,通过这种变换,一些曲线回归问题可以用线性回归进行处理,用来预报效果较好.     

集合动力因子在内蒙古暴雨预报中的适用性分析

针对2017年7月6—7日内蒙古东部地区的冷涡降水过程,利用NCEP的GFS预报资料为初始值得到的集合动力因子预报系统结果,从中优选出10个动力因子以及对其进行4种方法的集合,以此对强降水过程进行诊断分析和预报研究。结果表明:动力因子预报降水在空间分布上与6h观测降水基本一致,代表动力因子对降水落区具有较好的指示意义,中位数和等权平均集合预报降水的强度比观测降水偏弱,而多元线性回归和加权平均集合动力因子对强降水中心的预报相对较好。预报技巧评分计算结果表明,集合动力因子对降水预报均有一定的技巧,而多元线性回归集合结果与观测降水最为吻合,空间相关系数达到0.76,ETS评分为0.49,加权平均次之,但多元线性回归集合方法预报的降水发生频率会较实际降水偏高。     

利用多因子交叉相关法制作春播期降水趋势预报

春播期(4月份)是西平县大秋作物育苗播种的关键季节.春播期降水量的多少,直接关系到烟叶、棉花的适时移栽、播种.为此,我们利用本站气象资料,利用多因子交叉相关法,制作春播期降水趋势预报.经回代和试报,效果均较好.1 资料处理1.1 预报对象(Y)当春播期雨量 R_(4月)>63mm,记 Y=1;否则,记 Y=0.1.2预报因子(X_(?))通过相关普查,选择出3个与春播期降水量拟合高的预报因子: