支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法（SVM）,依据T213数值预报产品,对海口降水进行预报应用研究,结果表明：所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.     

基于交叉验证的多模式超级集合预报方法研究

利用AREM、MM5和WRF 3个中尺度有限区域模式,通过选取对短期天气预报影响颇大的积云参数化方案和边界层方案构成15个集合预报成员,以2003年7月汛期天气为研究对象,分别采用相关加权、多元线性回归以及支持向量机回归与"交叉验证"相结合的方法,开展有限区域模式的多模式短期超级集合预报研究.文中主要对上述3种方法的24 h降水和700 hPa流场的超级集合预报结果与多模式集合平均预报结果以及T213模式结果进行了对比分析,结果表明:(1)对于24 h降水,支持向量机回归方法的超级集合预报得到的均方根误差比多模式集合平均小,各降水临界值的TS异常评分比多模式集合平均高;并且它也较相关加权法和多元线性回归的超级集合预报效果好.(2)对于700 hPa流场,对比分析各预报结果经过向量EOF分析得到的风场第1模态和第2模态表明,多模式集合平均主要使风场强度变小,多元线性回归和支持向量机回归的超级集合预报可以较好地刻画风场的强度分布,其中支持向量机回归的超级集合预报对风场强度及其区域分布的预报效果最好.(3)对于700 hPa流场,超级集合预报明显优于同期T213模式预报,从相同的预报均方根误差意义看,支持向量机回归的超级集合预报至少较T213模式预报能提前12 h.     

处理非线性分类和回归问题的一种新方法(I)——支持向量机方法简介

简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法——支持向量机（SVM）方法；分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”(transductive inference)，大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾”。     

基于多种算法优化SVM模型的 乌东德水电站降水量预报

基于粒子群优化(PSO)算法和遗传算法(GA)对支持向量机(SVM)的核函数及主要参数进行训练优化,分别建立PSO算法、GA的支持向量机模型(PSO_SVM、GA_SVM)。选用ECMWF及T639数值预报产品资料和乌东德水电站降水资料,普查最优预报因子,构建包含各种类型降水过程的训练样本和测试样本。比较分析SVM模型RBF和Sigmoid核函数优劣。尝试先分段寻找局部最优,再选择全局最优的参数优化方法。通过增大训练样本集、降低交叉验证准确率、迭代次数截断和控制惩罚系数范围的方法,提高模型的稳定性和泛化能力,防止过拟合和收敛缓慢现象。利用测试样本对SVM、PSO_SVM和GA_SVM三种方案进行对比检验,优化的GA_SVM预报效果较好且稳定。经2018年试报表明,GA_SVM逐3 h累计降水量预报TS评分在50%以上,漏报率在15%以下,与ECMWF和T639比较,该模型TS评分提高1. 4%。     

SVM方法在武汉市大雾预警预报中的应用

在简单介绍支持向量机(SVM)基本原理的基础上,根据2003-2006年武汉市探空和地面气象要素资料,使用支持向量机方法(SVM)和CMSVM应用软件平台,通过对训练样本进行交叉验证和模型核参数的逐渐逼近,建立了武汉市0～24 h大雾支持向量机预报模型.经过2007年试报,该模型的Ts评分为62.5%;同时,通过对2007年武汉市大雾特点和预警信号发布情况的分析发现,该模型所选取的建模时段和设计的输出产品时间均比较合理,能够较及时地为大雾预警预报提供参考依据.     

人工神经网络及支持向量机在降雨量预报中的应用

使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1h和3h预报的研究,并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6～7月的降水过程,比较了网络(文中指BPN、JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、强降雨区域和强度;使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明:网络和CCM对雨带和强降雨区域的预报比较准确,但是对强降雨中心位置和强度的预报与实况存在差异;在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响;预报的中小尺度结构与天气分析的结果一致;网络与CCM以及不同的网络之间的预报结果存在着差异;连续预报的结果表明,与CCM相比,网络对3h预报的效果优于1h的。     

用数值预报释用方法做近海及登陆热带气旋强度预报

这是一个对GFS数值预报产品进行解释应用的方法.将支持向量机(SVM)回归方法应用于近海和登陆热带气旋(TC)的强度预报.从其本身强度,影响范围内气象因子情况,地形因子等三个方面,设计相关因子,建立预报模式,用来预报12、24、36、48、60和72 h的TC强度.总体上模式强度预报结果与中央气象台的预报结果相近,优于气候持续法的预报;趋势预报优势明显,可高出7～12个百分点.表明可以成为台风强度预报的另一个工具,投入业务应用.     

支持向量机在雷雨天气预报中的应用

支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。     

EMD在广西季节降水预报中的应用

气候系统是一种耗散的、具有多个不稳定源的非线性、非平稳系统。该文利用支持向量机(SVM)算法在处理非线性问题中的优越性和经验模态分解(EMD)算法在处理非平稳信号中的优势,采用将EMD与SVM相结合的短期气候预测方法,并应用到广西季节降水预报中。选取广西88个气象观测站1957—2005年6—8月逐年降水量的距平百分率序列作为试验数据,通过EMD算法将标准化处理后的距平百分率序列分解成多个本征模态函数(IMF)分量和一个趋势分量,在分解中针对EMD算法存在的端点极值问题选择两种方法分别进行处理,对比得出极值延拓法效果更好。对每个分量构建不同的SVM模型进行预测,并通过重构形成最后的预测结果。试验中采用不经EMD处理的反向传播(BP)神经网络和SVM算法进行对比验证,结果表明:相对于直接预测方法,该文提出的方案均方误差最小,能够较为准确地反映出降水序列未来几年的变化趋势,具有更高的预测精度和较好的推广前景。     

用支持向量机方法做登陆热带气旋站点大风预报

将支持向量机（SVM）回归方法应用于在登陆热带气旋影响下,每天00、06、12、18 UTC 4时次2分钟平均的站点风速预报。从2002-2007年热带气旋本身强度、站点地形情况和站点附近高低空环境场要素,设计相关因子,建立了4种预报模式,其中模式4的风速拟合误差的标准差为1.591 m·s~（-1）。用2008年8个登录热带气旋做独立样本检验,预报风速与实际风速的平均绝对值误差为1.750 m·s~（-1）,标准差为2.367 m·s~（-1）。结果表明,在适当的样本截取和预报因子选取后,SVM方法建模的风速预报48小时内效果较好。     

SVM和Elman神经网络在乌鲁木齐污染物预报中的应用研究

选用2012年11月1日-2013年1月31日的逐6 h的空气污染物（SO2、NO2、PM10）和实况气象要素（温度、湿度、能见度、风速和气压）资料,利用支持向量机和Elman神经网络方法建立空气污染物预报模型。结果表明,支持向量机和Elman神经网络方法都可以得到较为理想的预测结果,支持向量机在泛化能力方面具有显著优势,预测结果更加准确。     

华北地区高速公路沿线雾预报

在数值预报产品(MM5)的基础上,建立了华北高速公路沿线及邻近460个气象站的高影响天气一雾的统计预报模型.抽样检验系统运行2年多来所积累的预报和实况资料的结果表明,北京24 h能见度V≤5 km预报的年临界成功指数(CSI:Critical Success Index)为0.61,京津塘高速公路沿线的7个站为0.68...     

多套大气再分析资料的南亚高压强度变化特征及其与海表温度异常关系的比较分析

以往的研究中多采用NCE/NCAR再分析资料来讨论南亚高压的变化特征及其与海表温度的关系,鉴于其分析结果具有一定的片面性,本文采用ERA40、ERA—Interim、NCEWNCAR、NCEP—DOE和JRA．25五套再分析资料,以及应用全球、热带印度洋和热带大西洋1978--2008年逐月观测海表温度分别驱动NCARCAM5．1全球大气环流模式的数值模拟结果,比较了它们的夏季南亚高压强度变化特征及其与海表温度的关系。再分析资料问的比较结果表明,NCEWNCAR、NCEP—DOE两套再分析资料与ERA40、ERA—Interim、JRA-25三套再分析资料的南亚高压强度变化在20世纪70年代末至90年代初存在非常明显的差异,前两套再分析资料揭示的该时段南亚高压强度显著偏高,可能是不真实的,进而导致南亚高压强度与海表温度异常的关系与后三套再分析资料的结果差异明显。ERA40、ERA—Interim和JRA-25三套再分析资料和数值试验结果均表明,20世纪70年代末以后,夏季南亚高压强度异常与前期冬季、春季及同期夏季的热带印度洋海表温度异常关系持续密切,表明热带印度洋是影响夏季南亚高压强度变化的关键海区。当热带印度洋偏暖时,热带地区对流层温度增暖,南亚高压强度增强、面积增大、南扩、东伸西展,反之亦然。     

回波强度垂直廓线与雷达定量估测降水的关系

为了分析不同高度回波强度与地面降水的关系,提高雷达定量估测降水的能力,本文对石家庄2006~2008年5~9月共77次降水过程的反射率因子垂直廓线(VPR)进行了统计分析。对比降水实况和VPR发现,各个高度层的反射率因子波峰(谷)同降水波峰(谷)相一致,而且降水强度越大,反射率因子核心高度越低。同时,还比较了距离雷达站不同的水平距离和不同海拔高度的反射率因子特征,发现海拔高度对5 mm/h以下降水率和垂直高度在4 km以下各层的反射率因子会造成一定的影响,而对强降水和高层反射率因子影响较小。另外,零度层亮带在VPR上表现出反射率因子增大的特征,影响降水估测效果。为了消除零度层亮带的影响,选取1.5~3.5 km为估测降水的最佳高度范围,各站具体选取高度则取决于其距雷达站的水平距离和海拔高度。     

时问序列动态学习率神经网络模型及其初步试验

神经网络在气象上的应用往往是采用固定学习率的BP算法建模,学习过程易出现振荡现象和网络存在冗余连接等缺陷,基于此对神经网络进行了改进。利用时间序列分析方法对样本数据进行处理,用改进后的神经网络对时间序列样本数据进行训练预测,创建了时间序列动态学习率神经网络模型。最后用库车县1997—2007年四季的平均气温值作样本数据进行训练,其训练精度和拟合度都达到很高的标准,用该模型预测了库车县2008年的气温。通过实例证明这个模型在气象预测领域有一定的实用价值。     

GPS/Pwv资料在强对流天气系统中的特征分析

应用GPS探测的可降水水汽资料Pwv对上海地区2002～2005年强对流的水汽变化特征进行了分析。分析表明：每30分钟一次的GPS/Pwv资料能直观地、及时地反映大气中水汽的时间变化和空间变化;GPS/Pwv资料随时间的演变特征与降水有较好的对应关系,不同的季节及不同的降水类型有着不同的分布特征;GPS/Pwv的散度资料可以反映大气中水汽的辐合、辐散分布情况。文章还给出了不同季节产生强对流天气的GPS/Pwv阈值,表明GPS/Pwv资料在强对流天气预报方面有一定的应用价值。     

晴空云凝结核垂直探测个例分析

利用机载DMT云凝结核计数器观测了2009年10月13日陕西关中西部晴空云凝结核（CCN）的垂直分布。分析结果显示：关中西部晴天地面CCN平均浓度在过饱和度为0.2%时大于10000个/cm3,大雾天气下地面CCN浓度明显高于晴天。CCN浓度随高度增加而递减,1500 m以下为高值区,1000 m、1550 m、4100 m、5500 m高度的CCN平均浓度在过饱和度为0.4%时分别为8827个/cm3、4439个/cm3、456个/cm3、504个/cm3。     

干旱指数在山西逐日监测中的适用性研究

综合气象干旱指数(CI)和标准化降水指数(SPI)在逐日监测中往往会出现干旱突然加重的现象,这是由于某时段内每日降水量对当前干旱的发展贡献是等权重的。本文基于线性递减非等权重的方法对CI进行了修正,同时对加权降水量(WAP)进行了标准化(Standard WAP Index,SWI)。以山西为例,通过对比CI修正前后,即CI和CI_new(CI修正后),与SPI和SWI在不连续加重现象(UED)的总体分布、典型事例干旱演变特征以及与土壤湿度相关性等方面的差异,分析了4种干旱指数对山西逐日干旱演变的监测能力。结果表明:1)CI_new出现UED的次数较CI有了明显下降,SWI出现UED的次数也比SPI有了大幅的减少,且SWI在这4种指数中是出现UED次数最少的指数;2)CI_new和SWI较CI和SPI与同期土壤湿度的相关性均有所提高,表明修正后的CI_new和SWI更加符合土壤湿度的变化,更能反映土壤干旱的演变规律。针对干旱发展过程中不连续加重的现象,通过非等权重方法有效地减少了该现象的发生。     

概率密度匹配方法在我国近海海面10 m风速预报中的应用

海面风速对航运及海上生产作业影响重大,但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差,提高海上大风预报准确率,基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估,并采用概率密度匹配方法对模式误差进行订正。分析结果表明,概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差,订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报,经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s,120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中,基于概率密度匹配方法订正后的风速与实况观测更接近,能够为我国近海洋面10 m风速的预报提供更准确的参考。