建立在模糊关系上的二级判别法

一、前言二级判别Y=∑C_()X的基本原理就是如何客观地寻求C_(),从而使得两类的Y有最大的差别,而同类的Y则尽量接近,达到分类明确的目的。这种判别函数的建立,从数学原理上看是客观合理的,但它没有考虑天气的内在联系,因而从天气原理上看它又含有主观的成份。本文从天气的内在联系出发,以样本之间的模糊相似关系为基础,客观地建立分类判别函数,并以此作出分类预报。下面以5月低温的预报为例,简述其原理及方法。计算过程均在PC—1500袖珍机上完成。     

沙尘暴天气的归类判别分析预报模式

在大量分析了历史上 4 0年发生在内蒙古中西部地区的 37场沙尘暴天气过程的基础上 ,总结归纳了其大气环流特征 ,将他们划分成 4个环流类型。参考SaatyT .L .,提出的综合选优的方法[1] ,建立判别矩阵 ,然后计算归类判别预报 ,根据判别函数值判断实时待判样本的归属。参照归属类历史沙尘暴的天气形势和实况出现的范围以及强度作出沙尘暴天气预报 ,并设计了一个沙尘暴天气的归类判别分析预报模式。该模式已较成功地应用于 2 0 0 0年春季内蒙古地区的沙尘暴天气预报业务中 ,取得了较好的预报效果。实践证明 ,它是一个客观化、定量化和计算自动化的实用的预报模式 ,是我们目前作沙尘暴预报的重要技术手段之一。     

银川河东机场小样本雷暴分类客观预报方法研究

利用2000—2016年欧洲中心再分析资料、探空及地面自动气象站观测资料,根据天气过程的强度和对应物理量,分别对银川河东机场雷暴伴随大风、降水等不同天气现象类别进行定量化转换,采用峰度偏度系数、χ~2以及Q-Q图3种方法对定量转换的数据进行正态性检验,结果表明:按天气现象分类的样本服从正态分布,未分类样本基本服从。利用逐步回归、多元回归、非线性回归、BP人工神经元网络以及支持向量机5种方法,分别建立了雷暴现象与强度预报模型。结果表明:BP网络以及SVM对天气现象的预报能力较强;分类逐步、多元以及非线性回归模型分别对弱雨、强雨以及大风和降雨同时发生的天气强度预报效果较好。并在此基础上通过最优分析设计了河东机场不同种类雷暴天气定性和定量预报相结合的业务系统。     

利用双隐层BP网络进行雷暴潜势预报试验——以太原为例

利用太原地区探空资料,结合闪电定位资料,采用神经网络法对太原地区雷暴天气进行潜势预报.选取与雷暴发生相关性较好的探空因子作为预报因子,对其进行归一化处理,输出采用两级分类,构建双隐层的BP网络,并应用独立样本进行预报检验.结果表明,在相同条件下,与单隐层BP网络相比,双隐层BP网络显示了其在解决分类问题上的优势;与多元统计回归法相比,双隐层BP网络获得更高的雷暴预报TS评分及更可靠的结果,显示出神经网络良好的非线性问题处理能力.并且对雷暴预报结果的规律进行了分析与讨论,说明探空因子与雷暴的发生有着密切的联系.     

MAPS数值降水预报产品在长江中上游流域面雨量预报中的应用

检验分析了湖北省MAPS数值降水预报产品对长江中上游嘉陵江、三峡区间东段、西段和清江流域面雨量的预报精度,并对造成空漏报的天气系统进行了分类统计分析.得到的若干结论有助于该类产品在业务预报中的应用.     

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.     

分层抽样法在预报统计模型中的应用

一、前言 不同的天气系统有其相应的特征,在日常预报业务中,为了提高天气预报准确率,采用天气分型来突出反映各类天气系统的特征。从广义上讲,分型是一种动态模型预报方法,部分考虑了预报因子的非线性作用。在现有的历史样本不太大或者某类天气型所含的样本较小的情形下,天气分型所概括的天气系统的特征受个别随机样本的影响很     

分类与集成方法在降雨预报中的应用

介绍一种利用数值预报产品进行降雨预报的方法.该方法按照人工智能分类与集成的思想,利用前馈神经网络将T213、日本、德国的数值预报产品集成在一起,构成一个集成型的预报系统.在此基础上,利用高度场的天气形势和预报区域近低层流场和温湿条件,采用自组织神经网络进行天气分型,并针对不同的天气类型选用不同的预报因子,建立不同的预报模型.按照上述方法,选用江淮流域68个站点2003-2005年的5-9月数据,逐站建模,用2006-2007年5-9月的数据进行分级降水试报.各级降水预报结果表明,集成多家数值预报信息好于仅用单一模式的信息,采用天气分型建模优于不分型的建模.因此,多模式(型)预报结果的综合集成方法的研究,是数值预报解释应用中很值得探索的方向.     

非线性判别函数在甘孜州雪灾预报中的应用

一、引言雪灾对畜牧业、国民经济建设带来严重的危害。据有关资料统计,一地雪灾严重,仅牲畜损失可达25％左右。可见做好雪灾的长期预报,是迫切需要的。越来越多的人认为,天气预报的因果关系呈非线性,雪灾的预报更是如此,它的形成多种气象因素影响造成的。为此我们引用非线性判别函数做雪灾预报,实践证明,其效果是令人满意的。     

基于中尺度数值模式快速循环系统的强对流天气分类概率预报试验

在利用实况探空资料、微波辐射计和风廓线构建的特种探空资料对北京地区强对流天气进行判别,以及快速更新循环同化预报系统(BJ-RUC模式)探空资料可应用性分析的基础上,针对模式探空基本要素计算多种热力、动力、综合不稳定物理量,根据统计的强对流天气判别指标,计算模式格点上的强对流发生概率,并进一步针对冰雹(雷暴大风)和强对流短时暴雨天气下不同物理量的阈值范围,初步探索中尺度数值模式对强对流天气分类预报的可能性.通过不同组合的预报方案进行的对比分析表明,利用北京地区中尺度数值模式快速循环系统(BJ-RUC)的格点探空资料进行强对流天气概率的预报是可以实现的,强对流天气的分类概率预报也存在一定的成功率.