大风冰雹的一种自动化预报系统

本文介绍一种借助BASIC语言,邵瑜软汉字系统和通信外接口,从气象原始资料的接收处理、物理量的计算加工,预报因子的筛选确定、预报方程的建立判别、各县历史相似概率的计算、预报结论的输出都由微机(APPLe—Ⅱ)完成的大风冰雹自动化预报系统。     

最佳分级程序

有关预测预报的问题(如天气预报,水位预报,病虫害预测,流行病暴发预测预报等)都要研究预报对象(用 y 表示)和因子(用 x 表示)之间的关系。例如:“发尽桃花水,必有旱黄梅。”桃花水就是前期预报因子,旱黄梅是预报对象,两者之间就有可能有着前因后果的相关性。气象上,经常用线性相关系数公式来计算两者之间的关系。若预报对象分别是偏多(或偏高),正常,偏少(或偏低)三级。而因子 x 是连续变量。用一般计算线性相关系数公式往往选不出较好的前兆因子,且不少因子和 y 之间也并非都存在     

用500hPa环流相似作兴安盟夏季降水量预报

计算兴安盟夏季降水量与前期 5 0 0 h Pa月平均高度相关系数场 ,分析其相关关键区 ,筛选出一批相关系数值较高的关键区域作为预报因子 ,根据预报年因子与样本年因子的接近程度 ,作相似离度计算 ,以相似离度度量 ,进行选相似作预报。从而得出夏季雨量预报。在 2 0 0 1年夏季短期气候预测中应用 ,效果非常好     

用模糊事件的概率变换进行非线性相关因子筛选

在统计分析中,非线性相关因子的处理经常采用初等函数变换的方法,即把自变量X和因变量Y通过一个非线性函数x′=F(x)进行变换后,再计算x′同Y的线性相关系数。但是,由于确定这种函数的计算工作量很大,而且事实上大多非线性关系很难用某一规则函数来表达,所以,有时效果并不理想。我们在雨量量级预报中试用模糊事件的概率变换进行非线性相关因子筛选,然后,由因子的概率样本建立回归方程,在微机上编程计算,方法简单,使用效果较好。     

一种两分类预报因子筛选方法

预报因子的筛选是天气预报一项重要且工作量相当大的工作。在两分类的预报中,因子的筛选方法很多,利用距平符号相关法来寻找预报因子是一种最常用的方法之一,即     

数值预报产品在春季连阴雨预报中的应用

本文对日本24hr、36hr数值预报产品作了大量统计,分析和总结筛选出某些性能较好的预报因子,可供春季低温连阴雨短期预报使用(为便于微机管理,特将图形省略,因子数据化)。     

多因子综合相关分级预报法

多因子综合相关分级预报法,是首先对预报对象进行合理分级,然后从前期诸要素中选出相关较好的适量数目的因子,对因子进行分档,统计百分比,定出指标,最后作出降水量级的预报。     

几种“0、1”型因子筛选方法的比较

MOS 等统计预报效果的好坏与因子选择的关系甚为密切,而选因子方法种类繁多,不免使人眼花瞭乱。因此很有必要对各种因子的筛选方法进行比较,作出评价。由于 MOS 预报大量处理的是二值问题,如晴雨、有无大风、暴雨等。故本文仅对“0、1”型因子筛选方法进行讨论,且认为相关系数法选因子比较好。从而,分别对其它几种简易“0、1”型因子筛选方法与相关系数法作出比较。     

降水概率预报方程中预报因子的选择

对预报因子进行分部筛选建立待选因子库，克服了因子数目太多而带来的计算困难；通过对预报因子进行预报能力检验，提高了因子的预报稳定性。     

一个用偏相关筛选建立多元回归方程的方法

逐步回归方法在天气统计预报中已应用较久,因为它计算手续复杂,在没有快速计算设备的县站一直很难应用。现在提出一个用偏关的t检验对回归方程中预报因子进行筛选,即所谓偏相关筛选的方法建立回归方程。因为在未建立回归方程以前就可以确定可能预报因子中的剔除对象,而且可以利用筛选过程中的相关计算结果来计算回归,所以这个方法的计算量较逐步回归方法大大减少。     

三峡地区暴雨物理综合预报法及自动化系统

选取与三峡暴雨密切相关的若干预报因子,建立暴雨物理综合预报方法,并结合平均散度法,制作三峡地区暴雨落区和定量预报。从预报因子选取、物理量场客观分析、预报方法计算、预报结论输出全部由微机控制,组成完全自动化的系统,经两年业务预报使用,取得良好效果。     

长期预报基本观测资料自动化处理

以普遍推广的AO文件(即基本观测资料)为基础,经过一定的程序处理,得到各气象要素的气候值,并形成建立方程所需自变量数据文件和预报所需的自变量数据文件.计算自变量与因变量的相关系数,将相关系数较大的因子筛选出来,通过人机交互的方式进行第2次筛选,用相关显著的自变量与因变量建立回归方程.由于输出的自变量相对因变量来说都是前期因子,根据回归方程和预报所需的自变量,就可以得出预报结果.     

统计图象识别的一种数值方法

本文提出了统计图象识别的一种数值方法,它不需要假定预报对象服从某种分布,而是根据其实际分布利用微机直接建立预报量和预报因子之间的统计关系,识别图象类别。与常用的解析判别方法相比,它提高了预报效果。在这种方法中,由于能较为清楚地看到预报因子对预报量的影响,透明性好,因此对因果关系较为明显的短时预报更适宜。     

可膨化因子相关普查软件设计

本软件是根据模式预报中有关统计筛选相关因子工作的需要进行设计,在PC—1500机上实现的。在建立模式预报工作中,最大量的工作是整理大量的因子及计算其相关程度。为了充分利用微机,减轻劳动量,本软件将资料整理及相关普查有机地结合起来,使输入基本资料就可整理出大量的信息,并普查出这些信息与对象的相关系数。 一、资料膨化处理方法 用于长期预报等方面的基本资料大多以月、旬值给出,要用数旬、数月的因子,则     

宝丰县汛期长期天气预报趋势

根据本站历史资料,从可能与汛期降水量、平均气温密切相关的气象要素中筛选预报因子,建立预报方程,制作预报. 1预报因子 对气压、气温、相对湿度、水汽压等气象要素进行逐时段计算,形成预报因子数据文件.     

用多因子组合集成预报陕西关中大降水

分析影响陕西关中大降水的因子,选取9个对大降水贡献显著的因子,包括T213数值预报产品,单站观测数据,卫星云图,环流特征等,并进行相应的概率分析以及实践经验订正,对各因子信息的可信度分档分类赋值,再组合集成预报陕西关中大降水,预报结论可靠性较好.     

逐步引进因子场作相似预报

首先通过数学模型计算出不同样本之间的气象因子场的相似系数和表征气象因子场与天气现象之间关系的相关特征量 ,然后用相似系数和相关特征量作参数 ,以预报拟合率为判据 ,逐个引进因子场 ,组建出最优相似预报方程 ,最终作出准确率较高的客观要素预报。     

宝丰县汛期长期天气预报趋势

根据本站历史资料，从可能与汛期降水量、平均气温密切相关的气象要素中筛选预报因子，建立预报方程，制作预报。１ 预报因子 对气压、气温、相对湿度、水汽压等气象要素进行逐时段计算，形成预报因子数据文件。 以预报因子与预报对象的相关系数为判据，从预报因子中筛选出与预报对象密切相关的预报因子。２ 预报方程及效果检验 选取宝丰县１９７１年至１９９９年６～８月降水量和平均气温为预报对象，以１９９９年４月３０日以前的气象资料为预报因子，建立预报方程。２．１ 降水量预报方程及准确率 Ｒ６、８＝一 １８１８４．７２－８．３…     

用数量化方法作长期(季、月)降水量预报

在统计学预报方法中,将资料0、1化处理已被广泛应用,这些方法的特点是能使选用因子和运算过程工作量大大简化。但和分辨法一样,因对预报对象只能判别0、1两种可能性,往往满足不了预报服务工作的需要。而数量化方法则能通过对因子的多级分档给出预报量的分析值。     

简化的列联表迭加法

列联表是选择预报因子时进行独立性检验的常用方法,同时也能作天气分类预报。但对几十个甚至几百个准备选用的预报因子都用列联表来进行独立性检验,不但工作量较大,而且也不必要。我们是先采用距平重合率、级别乘积和、相关分数来初选预报因子,然后用简化的列联表对初选出来的预报因子作第二次鉴别,这样可以避免了理论频数的繁琐计算。为了便于比较起见,再用一般的列联表进行x~2。检验,在证明第二次鉴别选出的预报因子是有价值的以后,便直接采用上述两种列联表的实际频数之和的百分率来作定性判别预报。这样作,在实际预报中取得了一定的效果,现介绍如下。 一、预报因子的初步选择 1.基本资料:使用本站1957—1977年各旬气象资料,用1957—1978年的平均值。预报对象y为1月上