回归诊断在梅雨期大到暴雨预报中的应用

应用回归诊断方法分析发现，梅汛期大到暴雨回归预报模型的残差分布存在着不对称现象，这种不对称现象是由高杠杆点所引起。这些高杠杆试验点的残差存在着统计天气预报意义上的不合理性，导致了回归系数LS估计的误差，从而又引起暴雨预报的误差。针对这些问题提出了大到暴雨的回归诊断预报模型。实例计算说明，回归诊断预报模型要优于常规回归预报模型。进一步分析指出，梅汛期大到暴雨回归预报模型的不合理性并非个别例子的特殊性所造成，而是由模型的数学特点所决定，因此大到暴雨的回归诊断预报模型具有普遍意义。大量的试验和多年的业务应用表明，回归诊断对提高大到暴雨预报准确率具有明显的效果。     

回归诊断在城市空气质量预报中的应用研究

城市空气质量回归预报模型的残差分布存在着不对称现象，它是由高杠杆点引起。这些高杠杆试验点的残差存在着统计天气预报意义上的不合理性，导致回归系数L5估计的误差，从而引起预报的误差。针对这些问题提出了城市空气质量的回归诊断预报模型。实例计算说明，回归诊断预报模型要优于常规回归预报模型。进一步分析指出，城市空气质量回归预报模型的不合理性并非个别例子的特殊性所造成，而是由模型的数学特点所决定，因此城市空气质量的回归诊断预报模型具有普遍     

回归诊断在赤霉病预报中的应用

小麦赤霉病回归预报模型的残差分布存在着不对称现象,残差分布不对称现象是由高槓杆点所引起。由于这些试验点的残差存在着数理统计意义上的不合理性,从而导致了回归系数Ls估计的误差。针对这些问题本文提出小麦赤霉病预报的修正回归模型。数学证明和实例说明,修正回归模型要优于常规回归模型。对离散型应变量的农气回归问题,修正回归模型具有普遍意义。     

离散型应变量的回归诊断和离散回归法

本文从大量天气预报实例的普查结果,归纳了离散型应变量的回归残差分布模式。回归诊断表明模式的单向性是由一些高杠杆点引起。对这些高杠杆点的进一步分析可以看到,它们的残差存在着统计预报意义上的不合理性,不合理性又造成回归系数LS估计的误差。针对这些问题,本文提出了离散回归法。     

均值生成函数的周期性延拓在回归分析中存在的问题及其改进方案

针对均值生成函数的周期性延拓在回归分析中存在的回归前提不同,预报因子是预报量的非独立表现等缺点,给出了改进方案。实例分析计算表明：新方案可以有效地消除原方案中存在的非独立虚假相关现象,从而使得筛选出周期性预报因子更加客观。基于本方案所建立的数学预报模型,具有历史拟合率与多步长预报精度基本一致的特点,是一种具有使用价值的长期预报手段,也有一定的隐含周期分辨能力。     

用事件概率回归方法预报咸阳机场辐射雾消散

在常规的天气分析基础上,尝试用事件概率回归方法来预报咸阳机场辐射雾的消散,以实现雾消预报的定量化。选取咸阳机场1992-2002年95个辐射雾日样本资料,进行事件概率回归分析。入型条件为：早晨06时(北京时)成阳机场有辐射雾(能见度≤700m),考虑4小时内辐射雾消散与否的概率。因子的选取根据因子间及因子与预报量间的相关系数决定,所求回归方程经F检验是显著的。预报效果经回报与试报,准确率达到78％以上。     

一种新的统计回归模型及其建模方案

根据经典门限自回归模型的基本思想,引入半截多项式变换,导出了一种新的统计回归模型,并提出了相应的一整套建模方案。这种模型和建模方案的特点是:（1）解决了统计回归分析中逐段线性化模型的检验问题;（2）在确定统计回归模型中各待估参数和变量——包括门限变量、门限值、阶数、时滞和回归系数时显得十分方便、快捷。试验结果表明,根据此方案建立的统计回归模型具有较高的拟合和预报精度,同时具有良好的稳定性。     

手选洞卡在模式输出统计预报中的应用

模式输出统计预报是根据数值预报的输出结果,应用统计的工具制做局地气象要素预报的一种较客观、定量的预报方法,它将在基层台站广泛应用。目前,国内外的模式输出统计预报中统计工具普遍采用回归分析的方法。由于回归分析特别是逐步回归的计算量大,对于缺少一定计算条件的台站是难以实现的。因而,计算简单的事件概率回归     

K 近邻非参数回归概率预报技术及其应用

针对参数回归技术制作概率预报存在拟合好、但预报结果不稳定的现象, 提出了用K近邻非参数回归技术制作概率预报的新途径。K 近邻非参数回归技术包括历史样本数据库、近邻子集生成和优化以及预报量估计4 个主要部分。利用该技术进行了单要素概率预报(主要包括云量和降水)和多维联合概率预报(降水、总云量、风速和气温)试验, 并对试验结果进行了检验。实例研究结果表明:该文所给出的计算方案预报稳定性好, 准确率较高,具有良好的业务应用价值。     

El Nino事件的概率预测研究

根据19８５４－１９９３年期间的ＥlNino事件资料序列，通过正态性，独立性等统计检验，确定序列的性质，利用Ｍarkov随机过程和一阶自回归建立预测模式，给出了下次发生ＥlNino事件的时间可能在２００２年前后，２００１年发生的概率为４４％，２００２年发生的概率为６１％。     

事件概率回归估计与降水等级预报

该文对比分析概率回归降水等级预报和回归降水等级预报的差异, 2007年秋季至2008年夏季全国平均检验结果表明:概率回归降水等级预报效果好于回归降水等级预报, 尤其是小雨预报, TS评分明显高于回归降水等级预报, 同预报偏差过大情况也有很大改善。进一步分析表明:回归降水等级预报方法在建立小雨预报方程的样本中, 少数较大降水量的样本方差占总方差的百分比过大, 导致预报方程中反映的预报量与预报因子的关系以少数大降水量样本为主, 是造成小雨预报空报过大的原因。与模式降水预报的对比分析表明:概率回归降水等级预报效果好于模式直接降水预报, 模式降水空报较大情况得到改善。     

Logistic回归联合ROC曲线模型在雷电潜势预报中的应用

利用贵阳站2020年1-10月逐日探空资料和闪电监测资料,逐一选取72个物理量参数纳入单因素逻辑回归,筛选具有显著性统计学意义（P＜0.001）的指标进入多因素逻辑回归模型,选取满足检验条件P＜0.05的参数得到雷电潜势预报模型,通过logistic回归联合ROC曲线模型开展雷电潜势预报研究。结果表明：①多因素逻辑回归模型预警效果优于单因素模型,预警准确度从75.4%提高到79.5%;②联合ROC曲线确定预报模型的概率阈值为0.611,雷电潜势预报的命中率POD为84.01%％,虚假警报率FAR为26.05%,临界成功指数CSI为69.38%,准确率较高,雷电潜势预报具有较好的预报能力;③Logistic回归模型联合ROC曲线法在气象预测预报,特别是非线性预测中有一定的应用价值。     

基于Logistic回归的区域地质灾害综合气象预警模型

应用Logistic回归拟合地质灾害发生概率,建立了区域地质灾害综合气象预警模型,实现了降雨引发地质灾害发生概率的动态预报。降雨观测和数值降雨预报作为模型的动态输入,利用信息量模型集成地学因子得到的总信息量作为模型的静态预报因子。预警模型在栅格点上预报降雨引发地质灾害的发生概率,并以等级形式发布预警。用2004年实际观测对预报进行检验,结果表明当年80%的灾害都达到了预警发布的标准。2006年汛期的业务运行对台风碧利斯引发的地质灾害做出了较准确的预报预警。说明模型能满足预警业务的要求,是提高地质灾害气象预警水平的有效途径。     

基于Logistic回归和多指标叠加的短时强降水预报模型

利用2001—2011年中国西北地区东部10个特征站地面常规资料和MICAPS系统特征参数资料,分别运用改进的二元Logistic回归法和综合多指标叠加法,通过短时强降水天气学概念模型识别入型、水汽条件消空、敏感物理参数诊断等方法逐级判别,建立了两种短时强降水预报模型,并运用模型试预报2012年该区域的短时强降水过程。结果表明:两种新建预报模型相比平均气候概率模型试预报效果都有明显提高,而且前者高于后者;其中二元Logistic回归模型试预报TS得分高达46.6%,综合多指标叠加模型试预报TS得分19.6%,而平均气候概率模型试预报TS得分仅9. 7%;除西南气流型两者预报效果相当外,不同概念模型下二元Logistic回归模型试预报效果均优于综合多指标叠加模型。     

逐步回归自相关分析

作者从时间序列的自相关分析出发，提出了一种适于回归统计分析的生成预报因子的简单方法，建立起自相关预报模型。实例计算表明，此方法不仅预报精度较高，而且在对周期性相关因子的选择上具有等同的统计、检验前提，避免了一般方法因周期长度不同而带来统计，检验差异的影响。因而得到的回归因子较客观，真实。另外，还具有一定的分析时间序列隐含周期的能力。     

利用不同方法反演冬小麦叶面积指数研究

基于高光谱数据的叶面积指数监测是快速获取冬小麦叶面积指数的重要方法。为了探究回归方法和高光谱数据变换对冬小麦叶面积指数反演精度的影响,采用逐步回归和偏最小二乘回归方法,分别建立基于冬小麦拔节期冠层高光谱数据、一阶导数光谱数据、二阶导数光谱数据和对数光谱数据的叶面积指数多元线性回归模型。结果显示,导数和对数变换能够提高冬小麦LAI反演精度,以蓝紫光、绿光、红光和近红外波段建立的一阶导数光谱数据逐步回归模型最优,建立回归模型的决定系数R2为0.974,交叉验证的RMSE为0.131,可为冬小麦LAI估算的方法选择和数据处理提供依据和参考。     

多元门限回归模型的一种建模方法

本文根据门限自回归模型的基本思想[1]，提出一种多元门限回归模型的建模方法。其特点是充分考虑了预报系统中某些特殊预报因子突变点对预报关系的改变作用。数值实例表明，该模型在模拟和预报精度上比一般线性逐步回归模型有一定程度的提高。