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。     

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:     

模糊集分类判别的预报方法

最近,我们在做长期天气预报中,应用模糊数学对资料进行了处理,并结合“判别分析的非参数方法”得出了模糊集分类判别的预报方法。该方法主要是计算出各交点的距离,更切合实际地描述了空间点的分布情况,预报效果较好。 一、基本思路 在长期天气预报中,常常要做出降水量、温度等项目的分级预报。模糊集分类判别的预报方法是为解     

用聚类模式输出因子作全省降水过程概率预报的试验

一、方案构思 考虑最初有n′个预报手段的集 S′={E_1′,E_2′,…E_i′,…E_n′,} 然后对S′包含的子集进行独立性检验,通过筛选构成新的预报手段集 S={E_1,E_2,…E_i…E_n} n≤n′ 定义预报对象y的样本空间集为     

对目前概率统计预报中有关因子挑选和组合的几点讨论

一、多因子线性回归分析的不合理性和逐步回归挑选因子的弊病在利用气象要素前后期的相关关系的预报中,多因子回归分析是目前采用较多的一个概率统计预报方案。所熟知的数学模型是:Y=a_0+a_1X_1+a_2X_2+……+a_nX_n+8这里包含了几项重要的假定:1.各预报因子 x_1,x_2,…,x_n 之间彼此线性无关;各预报因子均独立地对     

(九)A.I.D.的作图法

本讲介绍如何在图上进行A.I.D.的分类筛选预报,它的优点是避免了计算,利用和天气预报中常用的点聚图方法相类似的画法,就可以作出预报。现用一个实例来说明。 考虑长江中下游汉口、九江、芜湖、南京、上海五站平均5—8月降水总量(y),选用了1952—1976年25年资料用五个气象要素作为因子。 因子:x_1是一月0—150°E,45—65°N的纬向指数I_z, x_2是一月份欧洲大型环流型C型天数, x_3是一月份长江流域六站降水量∑R_1月, x_4是一月份长江流域六站温度∑月,     

“NLM”方法在预报集成中的应用

用马氏距离客观确定样本的空间结构后,我们可定义在E最小意义下高维空间到低维空间的映射。根据这个原理,L(L>2)个预报方法可综合为2个新因子,最后通过点聚图分析作出预报决断。     

非线性判别函数中预报因子的逐步筛选方案

本文针对天气分类预报中采用非线性判别函数所遇到的问题,提出了一个非线性判别函数中预报因子的逐步筛选方案,取得了较为满意的结果.这对目前天气分类预报中常用的线性判别分析方法是一个改进.     

长期天气预报中的多层递阶预报方法

一、问题提出 统计预报是当前长期天气预报的主要手段之一。常用的古典统计方法包括:回归分析、判别分析、方差分析、时间序列分析i等。对于预报量y,选取s个预报因子x_i(=1,2……s),建立预报方程。     

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:     

6—7月份长江中下游旱涝趋势预报

6、7月份在长江中、下游地区,易发生大范围旱涝灾害。已有的研究表明,前期冬季西北太平洋的海温场和500毫巴的高空环流形势是预报长江中、下游大范围旱涝趋势的重要因子。本文提出一种对这些因子如何处理和综合的方法。某个要素场可以足够近似地被当作n维空间(有n个正交基)中的一点,该点的(广义)坐标就是该要素场按n个正交基展开的系数。大气过程是非线性的,在预报模式中应该考虑因子的非线性相互作用,我们将10月和2月的西北太平洋海温场资料在不规则格点上按车贝雪夫多项式展开,分别取一个系数,用非线性概率预报方法将海温场的展开系数和500毫巴高度因子进行综合。试验表明,对6,7月份长江中下游旱涝趋势的历史拟合和试报效果是较好的。     

基于最优分割的分类筛选方法在长期预报中的应用

长期天气预报目前虽然已使用统计动力方法进行了大量的实践研究工作,但由于长期天气变化基本理论的匮乏,很难取得进展。在这种情况下,用天气、统计分析方法,找出主要影响因子,进行分类预报的工作受到普遍重视。省内外已就此做了大量工作,主要是基于Fishe或Bayes准则的判别分析和基于各种相似系数的聚类分析。这些工作的共同缺点是在进行分类时所选的因子对预报量各样本均起作用。而相关分析的经验表明,在某些情况下,这一影响因子起主要作用,而在另一种情况下,另一影响因子起支配作用,其它因子的作用可以略而不计。 为弥补上述方法的缺欠,木文介绍一种从最优分割出发的分类筛选方法,並用实例说明了在降水长期预报中的应用。     

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.     

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     

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。     

方差简易分波

我们在制作某月份降水量预报时,将所要整理运用的历年气候资料进行一次平均值/x=(x_1+x_2+x_3……x_n)/n。其方差     

机器学习分类算法在降雨型滑坡预报中的应用

针对气象灾害预警业务中客观描述降雨型滑坡发生不确定性的实际需求,利用2014—2020年全国滑坡数据以及多源融合降水实况分析数据,通过样本构建、模型训练、参数优化以及预报输出等关键步骤构建基于机器学习分类算法的区域降雨诱发滑坡概率预报模型,探究不同类型机器学习分类算法识别诱发滑坡的降雨过程的可行性。结果表明:在算法评估中,线性判别分析算法准确率最高且泛化能力最好,其次为逻辑回归算法,再次为最邻近算法。在预报试验中,线性判别分析、逻辑回归以及最邻近等算法能够提取并学习降雨诱发滑坡的条件特征,对诱发滑坡的降雨过程有一定识别能力,最邻近算法和逻辑回归算法的概率预报高值区范围相对较大,易造成虚警结果,线性判别分析算法对局地降雨信息的提炼较好,但线性判别分析算法在非降雨中心区域输出低值概率预报的面积偏大。     

“真值图”法天气预报——0—1型多因子综合统计预报方法

真值图是表达逻辑代数运算的一种直观图形,常用于电子开关线路设计中。在作气象定性预报的0—1型多因子综合预报中,引用了真值图,效果较好。一、综合预报真值图的制作方法0—1型多因子综合预报,通常用“1”和“0”分别表示预报对象或预报因子的“出现”和“不出现”。当用两个预报因子作综合预报时,因子的不同组合状态可以有2×2=2~2种;n 个因子的不同组合状态将有2~n 种。进行综合预报的关键,就在于正确地区别 n 个因子的各种组合状态,以及表达各不同组合状态与预报对象状态的对应关系。真值图是一种能够区分因子的不同组合状态的有规律的图形,所以能用于作综合预报。真值图的画法有很多种,这里介绍一种比较简便的方法。     

局部均值伪最近邻算法在降水预报中的应用

分析北京地区日降雨量资料发现,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不均衡的情况下,K最近邻算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用局部均值伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,计算得到不同天气样本在所有类中的局部均值伪最近邻,通过决策规则实现最优分类。利用提出的降水预报模型对北京市2010年6—8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率、空报率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。