SVM方法在霾识别和能见度预报中的应用

选用2013—2014年地面自动站资料、探空气象资料以及大气污染物浓度的数据,采用支持向量机(Support Vector Machine,SVM)方法分别建立金华SVM霾识别预报模型和14时能见度SVM回归预报模型来进行实证研究。通过预报结果检验发现:1)金华地区SVM霾识别预报模型的TS评分均在0.65以上,且8个最优模型判断完全错误的天数只有3d,占2.7%,表明模型分类结果较好,可在实际业务预报中推广应用;2)金华地区14时能见度SVM回归预报模型得到的预报值集中在6~16km,预报值较为集中,而实况值波动较大,即模型对极值预报能力较弱,表明模型对中度霾和重度霾天气预报的指导意义不大。     

南京霾天气的特征分析和影响因子初探

根据南京气象观测站2004年1月—2008年7月逐日观测资料,南京市环境质量监测点2004年1月—2007年12月SO2、NO2、PM10的逐日实测资料,对南京市霾天气的气象要素特征及其成因进行了初步分析。结果表明:(1)南京霾现象多发生在中午前后,11时出现的次数最多;春秋冬季霾天气出现时次多,夏季少。(2)南京霾天气时能见度多在4~8 km范围内;静小风,风速主要在1~3 m/s,偏东风时霾天气发生较多;相对湿度在40%~70%间有利于霾天气出现,尤以50%~60%时出现概率最高。(3)大气颗粒物(特别是细颗粒物)污染加剧,很可能是南京霾天气频发的一个重要原因。     

基于集合预报产品的四川暴雨预警指数研究

基于2005~2007年汛期成都区域气象中心的中尺度区域集合预报产品和德国、日本数值预报模式的降水产品,针对四川暴雨构建样本资料,采用支持向量机方法(Support Vector Machines,简称SVM)建立暴雨预警模型,开展暴雨预警预报试验,并将建立的模型应用于2008年汛期四川省逐日暴雨有无预报。检验结果表明,基于区域中尺度集合预报产品建立的SVM暴雨预警模型,对暴雨定点预报有较强的指示作用,暴雨预警指数为0.2。      

基于支持向量机的雷暴潜势预报初探

根据2008—2010年夏季邵阳地区的NCEP全球再分析资料(分辨率为1°×1°)和闪电定位资料,利用支持向量机(SVM)分类方法建立该地区雷暴潜势预报模型,并用测试样本检验了该模型的预报能力,同时与Logistic回归模型和Bayes判别法的预报效果进行了比较。结果表明,SVM模型的预报准确率为86.21%,虚警率为15.25%,漏报率为13.79%。对比三种模型的TSS技术评分,发现使用SVM方法建立的模型对邵阳地区雷暴预报的效果最好,评分值为0.79。因此,SVM方法所建立的模型可以为邵阳地区6 h的雷暴潜势预报提供一定的参考价值。     

支持向量机(SVM)方法在气象预报中的个例试验

SVM(Support Vector Machine)方法的基本思想是:通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间(Hilbert空间),在特征空间中寻求最优划分或回归线性超平面,从而解决样本空间中的高度非线性分类和回归等问题.利用1998～2000年9～11月T106-36小时预报的各种输出产品构造因子,以单站有无降水为预报对象,采用MOS法方式构造样本,通过训练建立了单站的晴雨SVM分类预报模型,利用1990～2000年4～9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,确定关键区域,构造预报因子,以PP法方式构造样本,通过训练建立了四川盆地内单站气温的SVM回归预报模型,并进行了模拟试验,结果表明,无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了良好的预报能力.     

支持向量机分类方法在天空云量预报中的应用

以2001年5月1日至2004年12月31日逐日武汉市地面、高空观测资料及欧洲中心24小时预报场等资料为基础,构建了不同的训练样本集,基于支持向量机方法进行了大量多因子的随机交叉验证,从而筛选出了包含最佳预报因子的训练样本集和相应的核参数g,建立了武汉市天空云量的预报模型。交叉验证结果表明预报模型是稳定性的、且具有较好的预报能力和推广应用能力。预报试验和实时预报的结果都显示出SVM方法对天空云量有一定的预报能力。     

支持向量机在雷雨天气预报中的应用

支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。     

基于EC细网格产品在乌鲁木齐机场低能见度预测中的释用

利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。     

天空云量预报及支持向量机和神经网络方法比较研究

使用支持向量机和人工神经网络两种方法,分别建立了天空云量的预报模型。利用2001年5月1日～2004年12月31日的武汉市地面、高空观测值及欧洲中心的24小时预报场等资料,通过按不同比例随机抽取样本进行交叉验证的方法,分析了SVM和ANN模型的预报能力和鲁棒性;然后再用全部样本资料建立预报模型,来预报2005年1月1日～5月31日武汉市天空云量。交叉验证和实例预报的结果显示：虽然SVM和ANN模型都表现了较好的预报能力,但SVM的预报能力高于ANN方法,且在计算速度上有ANN无法比拟的优势。     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法(SVM),依据T213数值预报产品,对海口降水进行预报应用研究,结果表明:所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机方法在南京太阳总辐射推算中的应用

利用1981、1996和2001年逐日南京站太阳总辐射和日照时数观测资料,建立了基于支持向量机(support vector machine,SVM)方法的太阳总辐射推算模型,预测了1982、1997和2002年的太阳总辐射,并把推算结果和采用线性的气候学方法所得到的推算结果分别与实测值进行对比。采用线性方法得到的1982、1997和2002年的太阳总辐射预测值与实测值间基于1:1线的决定系数(R~2)分别为0.800、0.859和0.838,均方根误差(RMSE)分别为3.250、2.649和2.925 MJ·m~(-2)·d~(-1)。采用SVM方法得到的1982、1997和2002年的R~2分别为0.894、0.938和0.936,RMSE分别为2.353、1.726和1.804 MJ·m~(-2)·d~(-1)。SVM方法得到的太阳总辐射预测值与实测值之间的误差较小,预测精度高于线性方法,更适用于实际太阳总辐射的计算。     

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。     

南京夏季高温日数异常的分析

利用南京气象观测站1951—2007年逐日最高气温观测资料,美国NCEP/NCAR再分析资料中1951年1月—2006年12月的平均高度场、风场资料,运用小波分析、二项式滑动平均、合成分析等方法,分析了南京57a来高温日数的月、季、年际、年代际变化的时间变化特征和异常年份同期7、8月的大气环流特征。发现:(1)南京57a来年平均出现高温的日数为14.7d,高温日主要出集中在7、8月份;(2)南京高温日数具有明显的年际变化,其年际变化最高可达29d(1965年为8天,1966年有37d),57a来南京高温日数异常偏多年有8a、偏少年有7a;(3)南京高温日数1950s到1960s相对偏多,1970s到1990s初处在一个相对偏少的时期,1990s至今,都处在高温日数偏多的阶段;(4)南京高温日数异常偏多时,南亚高压异常偏东、偏北,副高异常偏西、偏北,出现了纬向上"相向而行"的趋势。     

用支持向量机方法做登陆热带气旋站点大风预报

将支持向量机（SVM）回归方法应用于在登陆热带气旋影响下,每天00、06、12、18 UTC 4时次2分钟平均的站点风速预报。从2002-2007年热带气旋本身强度、站点地形情况和站点附近高低空环境场要素,设计相关因子,建立了4种预报模式,其中模式4的风速拟合误差的标准差为1.591 m·s~（-1）。用2008年8个登录热带气旋做独立样本检验,预报风速与实际风速的平均绝对值误差为1.750 m·s~（-1）,标准差为2.367 m·s~（-1）。结果表明,在适当的样本截取和预报因子选取后,SVM方法建模的风速预报48小时内效果较好。     

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。     

处理非线性分类和回归问题的一种新方法（Ⅰ）——支持向量机方法简介

简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法——支持向量机(SVM)方法；分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”(transductive inference)，大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾”。     

近50a南京市气温和热岛效应变化特征

利用南京市常规气象观测气温资料,分析1951年以来气温的变化趋势、季节特征以及年际特征,通过市区气象站和郊区六合县气象站的统计资料对比分析,了解南京市热岛效应的强度变化,以1985和2000年两期遥感影像探讨南京市热岛效应分布范围的变化特征.结果表明:1951-2000年期间南京市日最高、最低气温和日平均气温的年平均呈现上升趋势;日均气温和日最高气温夏季呈现下降趋势,春季、秋季和冬季表现为上升趋势,日最低气温所有季节都呈现上升趋势;1990s是南京市1951-2000年间增温幅度最大的时期;南京市热岛效应强度呈现增强趋势;分布范围扩大,自1985年以来热岛效应面积共增加了107.88 km2,高强度热岛中心1985年两个,到2000年已增加到3个.     

支持向量机方法应用于理想时间序列的预测研究

简要介绍了基于统计学习理论的支持向量机方法的基本思想和原理,利用该方法对33模Lorenz系统的理想混沌时间序列建立预测模型,并对在此基础上产生的非平稳时间序列进行预测试验研究。结果表明,支持向量机方法不仅对平稳过程有较好的预报能力,也可以适用于非平稳过程,对实际序列的预测有一定的启发意义。     

AI方法在地面气温观测资料质量控制中的应用

提出一种基于自回归与反距离加权的空间质量控制方法——AI方法,该方法能够在时间维度和空间维度对气象资料进行质量控制。选择不同地区4个地面气象观测站(南京58238站,连云港58044站,无锡58353站,徐州58027站)2007年逐时气温观测数据作为被控对象,检验该方法在气温资料质量控制中的适用性。通过对添加的随机人为误差的检验发现,该方法能够有效地标记出存疑数据,相对于反距离加权和空间回归,该方法具有更好的检验效果,稳定性高、适应性强,适用于平原或丘陵地带。     

江苏省自动站与基础站降水观测资料质量分析

以江苏省2006年夏、秋季自动站降水资料为例,对逐时、逐日自动站降水进行对比和统计分析。为降低资料插值过程中的不确定性,对插值方法进行了修正。由南京、扬州、无锡和常州基础站降水资料与相应自动站降水修正资料的对比可以发现,弱降水事件的发生频率高,且无论对于5mm／hvX内的逐时降水还是10mm／dvX内的逐日降水,自动站与4个基础站均有显著差异,因此对江苏省自动站降水资料进行系统订正具实际意义。另外,对阵性降水和锋面降水的分析发现,无论降水量级大小,基础站降水大于自动站降水的几率高,因此有必要进一步对自动站网的建设进行完善。由于自动站与基础站有一定的差异,建议对自动气象站的资料质量进行系统的评估。