月降水量的神经网络混合预报模型研究

以均生函数表征预报量自身周期变化，结合500hPa月平均高度场和月平均海温场预报因子，采用神经网络方法建立了一种新的短期气候预报模型。分别以广西桂北、桂中和桂南6月降水量作为预报对象进行预报试验，结果表明，这种新的预报方法比均生函数回归预报模型及高度场、海温场预报因子的回归预报模型，具有更好的物理基础和预报能力。     

神经网络模型预报湖北汛期降水量的应用研究

使用人工神经网络方法建立了湖北省汛期 (6～ 8月 )总降水量的短期气候预测模型 ,该神经网络模型的输入是汛期前期 (2～ 4月 )的北半球月平均 5 0 0 h Pa高度场、海平面气压场和太平洋海温场的扩展自然正交展开 (EEOF)的前几个主要模态的时间系数 ,输出了湖北汛期降水场的自然正交展开 (EOF)的前 2个主要模态的时间系数。41 a历史资料的交叉检验表明 :样本试验的预报技巧评分平均为 0 .2 4 6 ,虽然该模型对各年的预报效果仍存在一定的不稳定性 ,但它可为湖北汛期降水的短期气候预测提供一种具有明显统计预报正技巧的预报方法     

人工神经网络技术发展及在大气科学领域的应用

20世纪80年代以来，人工神经网络技术在理论和应用研究方面有了快速的发展，并在众多学科领域取得了大量的应用研究成果。文章首先概述了国外有关人工神经网络理论研究发展的主要过程及我国开展神经网络理论和应用研究的状况。重点介绍了国内外大气学科中，关于神经网络方法在中、短期天气预报，短期气候预测，农业气象，空气污染预报，卫星云图识别以及气象观测资料处理等许多方面的应用研究工作。并且也进一步介绍了有关神经网络气象预报建模研究的关键技术一过拟合，网络结构问题的研究工作以及模糊系统理论与神经网络相结合的模糊神经网络，遗传算法与神经网络相结合的气象预报建模的最近研究工作。     

人工神经网络的短期气候定性预测方法研究

采用EOF方法将众多具有一定物理意义的环境场预报因子和序列周期因子进行降维去噪处理，并结合人工神经网络前馈网络模型，进行了影响广西热带气旋年频数和夏季(6～8月)降水量短期气候预测的定性预报建模方法研究。结果表明，该方法对于影响广西热带气旋的年频数及广西夏季降水量定性趋势具有很好的预报能力，可作为一种新的短期气候预测业务预报配套方法。     

基于主成分分析的人工智能台风路径预报模型

利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的遗传算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。     

混合递阶遗传径向基网络及其在副热带高压预报中的应用

采用遗传算法与径向基网络结合的方法建立了副热带高压特征指数的预报优化模型.针对径向基网络结构和初始参数难以客观确定的不足,引入混合递阶遗传算法同时优化网络结构和参数.该优化方法结合了递阶遗传算法和最小二乘法的优点,具有较高的学习效率.将混合递阶遗传径向基网络用于副高数值预报产品的预报试验和效果比较,结果表明:混合递阶遗传算法优化的径向基网络模型具有较好的收敛效果和泛化能力,对副高指数的预报效果有较明显的改进和提高.     

粒子群-神经网络集成学习算法气象预报建模研究

针对BP神经网络在实际气象预报应用中,网络结构难以确定以及网络极易陷入局部解问题,提出一种基于神经网络的粒子群集成学习算法的气象预报模型,以BP算法为基本框架,在学习过程中引入粒子群算法,优化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络个体,以“误差绝对值和最小”为最优准则,采用线性规划方法计算各集成个体的权系数,生成神经网络的输出结论,以此建立短期气候预测模型。以广西的月降水量进行实例分析,计算结果表明该方法学习能力强、泛化性能高,能够有效提高系统预测的准确率。     

模糊神经网络方法在热带气旋强度预报中的应用研究

以1960-2007年共48年6月份西行进入南海海域的热带气旋样本为基础, 将热带气旋中心附近最大风速作为台风强度, 以气候持续预报因子作为模型输入, 采用模糊神经网络方法, 进行了热带气旋强度预报模型的预报建模研究。结果表明, 对175个独立预报样本模糊神经网络方法的南海热带气旋强度24 h的预报平均绝对误差为3 m·s-1。另外, 根据相同的热带气旋样本及预报因子, 还进一步将该预报方法与国内外普遍采用的气候持续法热带气旋强度预报方法进行对比分析, 结果表明, 气候持续预报方法的预报误差明显偏大, 独立样本强度预报平均绝对误差为4.54 m·s-1。     

基于全场信息的数值预报产品释用方法研究

对于短期气候时间尺度预报来说, 短期内尚无有效方法提高数值预报产品精度, 建立一种能综合有效利用全场信息的非线性释用方法, 通过统计释用提高短期气候的预报准确率, 是一条可行的途径。通过CCA-BP法建立的典型因子, 可以代表因子场与站点预报要素之间的大部分协方差关系, 使因子与站点要素相关性大为提高, 进而通过神经网络技术 (BPNN) 建立非线性预报模型, 实现上述目标。以平潭、福州站10月旬平均温度、降水距平百分率预报为例, 分别使用CCA-BP-BPNN模型和插值模型对1983-2001年资料建立预报方程, 对2002-2005年的试报结果表明:解释预报对数值预报产品做了较大修正,使预报产品具有一定的使用意义及参考价值。从各项评价指标来看,CCA-BP-BPNN模型优于插值模型。该方法为提高短期气候数值预报产品的释用精度提供了一个值得参考的途径。     

用500hPa环流相似作广东月、季要素预报

本文用500hPa月平均环流场及500hPa合成平均环流场为基本资料，用前期特征月、季的500hPa高度场进行相似定量计算，从中找出最相似的年份个例作出月、季要素预报，该方法在广东短期气候预测业务工作中有一定的参考价值。     

A Short-Term Climate Prediction Model Based on a Modular Fuzzy Neural Network

In terms of the modular fuzzy neural network (MFNN) combining fuzzy c-mean (FCM) cluster and single-layer neural network, a short-term climate prediction model is developed. It is found from modeling results that the MFNN model for short-term climate prediction has advantages of simple structure, no hidden layer and stable network parameters because of the assembling of sound functions of the selfadaptive learning, association and fuzzy information processing of fuzzy mathematics and neural network methods. The case computational results of Guangxi flood season (JJA) rainfall show that the mean absolute error (MAE) and mean relative error (MRE) of the prediction during 1998 2002 are 68.8 mm and 9.78%, and in comparison with the regression method, under the conditions of the same predictors and period they are 97.8 mm and 12.28% respectively. Furthermore, it is also found from the stability analysis of the modular model that the change of the prediction results of independent samples with training times in the stably convergent interval of the model is less than 1.3 mm. The obvious oscillation phenomenon of prediction results with training times, such as in the common back-propagation neural network (BPNN) model, does not occur, indicating a better practical application potential of the MFNN model.     

深度学习方法在干旱预测中的应用

使用标准化降水蒸散指数作为农业干旱的监测指标,以站点气象要素和大尺度环流要素为驱动变量,建立干旱预测模型,分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果.结果 表明:DNN模型的总体预测能力优于ARIMA模型;同基于长短期记忆网络(LSTM)提出的传统LSTM预测...     

国家气候中心多模式解释应用集成预测

多模式集合和降尺度技术是提升模式预测能力的有效工具。该文对国家气候中心多模式解释应用集成预测 (MODES) 技术与业务应用现状进行了综合介绍。MODES采用欧洲中期天气预报中心、东京气候中心、美国国家环境预报中心和中国气象局国家气候中心4个气候业务季节预测模式输出场,利用EOF迭代、变形的典型相关分析、最优子集回归和高相关回归集成4种统计降尺度方法以及等权平均、经典超级集合等集成方法进行全国月及季节降水和气温预测。目前对MODES进行了夏季回报检验和约1年的实时业务应用。回报检验和业务应用表明,MODES对气温有较好的预测能力 (月预测平均PS评分为76),对降水有一定预测技巧 (月预测平均PS评分为68),具有短期气候预测业务应用价值。     

基于EMD方法的观测数据信息提取与预测研究

用统计方法作月、季尺度的短期气候乃至年际尺度的长期气候预测是当前气候预测业务的主要依据,在短时间内这种情况仍然不可能彻底改变。虽然数值预报模式的预测能力达到了7 d的时效,不过要积分到月、季尺度并实现短期气候预测还面临着重重困难。其根本原因是气候系统的混沌分量和非线性/非平稳性等因素在起作用。而现有气候预测的统计方法(主要包括经验统计、数理统计和物理统计等方法)的数学基础却忽略了这些特点,这是因为以现有的科学水平人们不得不假设时间序列是线性和平稳的。实际气候观测序列普遍具有层次性、非线性和非平稳性,这给建立预测方法带来了极大困难。文中构建了一个新的预测模型,即首先利用经验模态分解(em-pirical mode decomposition,EMD)方法将气候序列作平稳化处理,得到一系列平稳分量-本征模函数(intrinsic modefunction,IMF);其次,利用均生函数(mean generate function,MGF)模型获得各分量的初次预测值;最后,在最优子集回归(optimal subset regression,OSR)模型的基础上,通过直接或逐步拟合一部分预测值,构建两种预测方案达到提高预测能力的目的。典型气候序列的预测试验结果表明,具有平稳化的IMF分量,尤其是特征IMF分量有较高的可预测性,它对原序列趋势的预测有重要指示意义。大力开展气候系统机理和气候层次的研究,并建立相应的气候模式是未来发展趋势。该文是这方面的一个初步尝试,相信该模型能为气候预测(评估)开辟一条新的有效途径。     

CMIP5多模式对东亚地区地面气温年际变率的回报研究

对CMIP5全球气候模式中年代际回报试验的气温资料及其简单集合平均(Multi-model ensemble mean,EMN)和贝叶斯模式平均的结果(Bayesian Model Averaging,BMA)进行经验正交函数(Empirical Orthogonal Function,EOF)分解和Morlet小波分析,检验评估各个模式及其EMN和BMA对东亚地面气温的方差、气温时空分布特征及周期变化的回报能力。结果表明,10个模式、EMN、BMA都能很好地回报出1981—2010年东亚地面气温的方差分布,其中BMA回报效果最好。EOF分析表明,BMA能较好地回报出东亚地面气温第一模态的时空分布。MIROC5能较好地回报出第二模态的趋势变化,但却不能回报出气温的年际变率。绝大多数模式和EMN、BMA虽然能回报出东亚地面气温的变化趋势,但是对气温年际变率的回报仍然是比较困难的。CMCC-CM对气温变化主模态的3~5 a的周期变化特征回报效果最好,和NCEP资料的结果最为接近。     

季度预测研究回顾

对月平均大气环流预报试验、季度预测和中国汛期降水预测进行了总结。结果表明气候预测的对象必须是要素的时间平均场。利用数值模拟进行气候预测是今后的主要发展方向,而季度预测技巧的提高依赖于对物理参数化和物理机制的研究。最后,讨论了季平均气温和季总降水的可预报性问题,即时效性和准确率。     

一个考虑SST变化的月数值预报结果分析

根据陈隆勋等对海温月季变化研究的结果提出除了从冬到春的过渡月份外,ＳＳＴ距平的相邻月的月际变化不大。在此基础上,选了１９９６年６月并利用ＣＣＭ１动力气候模式作了月数值预报。在预报中,利用１９９６年６月１日００Ｚ中国国家气象中心Ｔ６４的客观分析资料作初值,利用１９９６年５月的ＳＳＴ距平加到６月气候ＳＳＴ作为６月的ＳＳＴ,作了一个月数值预报。结果表明,考虑了ＳＳＴ变化的数值预报优于用气候海温作的数值预报。前者的５００ｈＰａ高度场预报距平、８５０ｈＰａ纬向风预报距平、中国地区气温预报距平和降水预报距平分布均十分接近于实际观测分布。     

不完整气象资料下基于作物模型的产量预报方法

针对基于作物模型开展产量实时预报后期气象资料的获取问题,提出通过相似类比,从历史气象资料库中获取替代资料的方案,基于CERES-Rice模型系统评估了平均值处理方案和历史相似类比方案的可预报性和误差分布特征。结果表明:水稻产量对成熟前2个月内的气象条件较为敏感,基于气象资料和作物模型开展产量预测,在5%误差范围内可获得60%以上的预测概率;以多年气候平均值替代起报日后期气象资料,在成熟前2个月起报预测概率约为60%,成熟前1个月约为70%,但预报误差系统性偏高;采用气候相似类比方法,从历史气象资料中获取起报日后期替代资料,可有效降低预报误差的系统偏差,若引入后期气候趋势信息,成熟前2个月起报预测概率可达80%以上,较采用历史平均值有显著提高。研究结果为基于作物模型和气象观测及气候预测信息开展产量预报提供了技术方案。     

Long-range forecasting of monthly and seasonal air temperatures considering periodical nonstationarity

A statistical method is proposed for prediction of monthly mean, seasonal mean, and annual mean temperatures with 12-month projection. The method is based upon revealing latent rhythms of the climate system which force sequences of interannual disturbances in air temperature. In selection of the rhythms with prognostic information, it is taken into account that season-to-season transition violates the time series stationarity. The forecast verification shows advantage of the proposed method as compared with climatologic forecasts.