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艮好的预报能力。     

支持向量机回归方法在实时业务预报中的应用

简要介绍了支持向量机(Support Vector Machine，简称SVM)回归方法的基本原理，并介绍了基于SVM回归方法，利用1990～2000年1～12月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料构造预报因子，建立德阳市5个代表站的日平均气温、日最高气温、日最低气温的SVM回归预报模型及其在业务化运用中的效果。     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

处理非线性分类和回归问题的一种新方法 (Ⅱ)——支持向量机方法在天气预报中的应用

将SVM（Support Vector Machine）分类和回归方法首次应用于气象预报试验。利用1990~2000年4~9月ECMWF北半球的500 hPa高度、850 hPa温度、地面气压的00:00 UTC分析场资料，建立四川盆地分区面雨量有无大于15 mm的SVM分类推理模型、四川盆地内单站气温的SVM回归推理模型，进行相应的预报试验，试验结果显示对应的SVM推理模型具有良好的预报能力。     

亚洲夏季风系统成员与西太平洋副高的相关特征分析

利用500hPa月平均高度距平场派生出涡度变化、经向风切变、纬向风切变等变量场。从1958～2001年6月500hPa月平均高度距平场及其派生变量场中选取预报因子,并将各个场中的因子分别作EOF分解,得到浓缩了初选因子变量大部分信息的综合预报因子,用以建立同月的广西月降水量的BP神经网络预报模型。进而利用2002～2005年月动力延伸集合预报产品及其派生变量,对广西6月降水量作BP神经网络降尺度释用预报。作为对比试验,以相同的预报量,从1957～2000年5～12月及1958～2001年1～4月500hPa月平均高度距平场中选取预报因子,并作相同处理,建立前期综合因子的广西6月降水量BP神经网络预报模型。独立样本试验结果表明,利用同期综合因子建立的BP神经网络降尺度预报模型的拟合精度优于利用前期综合因子建立的预报模型,但预报效果依赖于月动力延伸集合预报产品。     

南京地区霾预报方法试验研究

支持向量机(SVM)方法是基于统计学理论的一种新的机器学习方法,对解决小样本条件下的非线性问题非常有效.利用2004～2007年南京站的逐日常规观测资料以及同期南京市环境质量监测点的逐日污染物浓度资料,使用SVM分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日14时(北京时间,下同)能见度预报模型.预报试验结果...     

支持向量机(SVM)及其在场预测中的应用

介绍一种新的非线性回归分析方法--SVM回归.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） 将因子场和预报场分别用方差标准化、EOF场展开,提取两场时间系数;（2） 用SVM回归分析实现因子场时间系数对预报场时间系数非线性预测;（3） 由预测的预报场时间系数与对应空间函数反演原场.用交叉检验的方法,对1960～2003年1月热带海表温度场预报汛期（6～8月）华中区域降水场进行试验.SVM回归44年独立预报平均技巧评分10.4%,较随机预报具有明显的技巧水平,优于经典回归.     

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”。     

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”。     

基于支持向量机(SVM)方法的冬季温度预测

选取河南省5个代表站,分别代表河南省5个片,将气候预测中常用的74项环流特征量资料进行归一化处理,分别将其与5个代表站的冬季温度进行相关普查,在筛选预测因子的基础上,利用SVM两类分类和回归方法,建立河南各代表站冬季温度预测推理模型,用2000/2001~2004/2005年4年进行试报,结果显示SVM方法是处理非线性分类和回归等问题的有效方法,做分类和回归预测时,各代表站对应的SVM推理模型均具有良好的预报能力,且对温度预测SVM回归优于SVM分类。