山东各区夏季降水的多步预测试验

在对山东夏季降水进行分区的基础上,用相当分析的方法分析了各区降水与前期、同期大气环流特征量及海温的遥相关关系,结果表明：山东夏季降水与大气环流特征量及海温相关性显著。在此基础上筛选因子,利用多维均生函数建模方案,对２０００年前各区及全省夏季降水趋势进行预测。     

因子和样本优化及最优预报方程模型

为了选择与预报量有密切关系的因子和有代表性的样本,分别采用投影寻踪回归（ＰＰＲ）和Ｂ－Ｐ神经网络对因子和样本进行优选。实例分析表明：优选出的样本保留了全部样本的大部分信息;用优选出的因子建模可达到与用全部因子建模相近的拟合和预报效果。     

多维时间序列门限回归模型及其应用

在总结前人工作基础上，提出了一种关于多维时间序列门限回归模型的通用建模新方案，并从理论上证明了此新表达式与经典门限回归模型的一致性。将此模型应用于云南五月雨量的预报中，其平均历史拟合和外推预报准确率分别为71％和68％。表现此通用建模方案可行的；同时说明此类模型具有一定的使用价值。     

山东夏季降水量场预测模型的改进及预测效果检验

本文对2002年建立的山东夏季降水量场预测模型进行了多方面的改进。预测因子的选取在原来以常规100、500hPa或海温状态场的关键区域平均值基础上,增加了能表征天气系统月际演变趋势及区域环流总体特征的遥相关型环流指数,建模资料的选取结合了环流突变的气候背景,以1977—2008年资料进行建模,建模方案在原来纯数学分析的基础上,增加了着重考虑因子物理意义的建模方案,用2009—2011年实况资料对两种建模方案及2002年建模方案的预测结果进行对比分析。结果表明,改进后预测模型较旧预测模型的预测效果有较大提高,而物理统计预测模型对降水的空间分布也具有较好的预测效果。     

暴雨的多维场相似预报方法及应用

利用１９９６、１９９７年汛期ＨＬＡＦＳ数值预报产品中的８种物理量场资料,对本市汛期暴雨过程进行了热力、动力诊断分析。释用结果表明,在所确定的关键区内,温度露点差ｔ－ｔｄ、Ｋ指数、相对辐散Ｒｉ、垂直速度ω、南北风ｖ有较高的相关释用价值,可作为多维场相似的预报因子。并针对相似因子场的分布特征,选用适当的相似统计量及判别格式,研制出暴雨的多维场相似预报方法。资料的读取和全部的判断、计算及结果的输出在微机上自动实现。     

遗忘因子自适应最小二乘算法及其在气温预报中的应用

海量数据的利用是建立自适应预报模型的基础,但随着数据的不断增加,新引入数据的作用会逐渐降低,有可能导致预报模型失效。为克服因数据量增加引起的所谓"数据饱和"现象对天气预报效果的影响,本文给出了考虑遗忘因子的线性自适应最小二乘建模算法的原理和方法,并利用该算法进行了最高气温和最低气温预报试验。结果表明,考虑遗忘因子的线性自适应建模算法优于传统的线性自适应建模算法,加入遗忘因子可以避免产生"数据饱和"现象,适当地选择遗忘因子有助于提高模型的预报准确率。     

一个强对流天气预报模式的修正方案

根据因子与预报量间的相互关系特征,研制了一套引入因子预选处理技术,设计并采用了多层递推平稳模型.建模中有对副高的动态描述,较好地解决了客观预报模式在副高控制下预报效果差,空报率高的问题.     

华北及周边地区夏季分区客观降水预报

在降水客观分区的基础上,对华北及周边地区进行夏季降水预报。利用2006—2008年的6—8月T213资料和相应时段的实况资料,通过概率回归降水等级方案建模,对2009年和2010年6—8月进行了试报。结果表明:分区建模的降水预报与单站建模预报相比,TS评分在不同时效、不同量级上均有提高,并且在空报和漏报上有较大改善,特别是大量级降水预报改善明显。从因子分析上看,分区建模较单站建模所选因子更丰富,利用了模式产品的有用信息,因此做出了更好的预报。分区建模与模式降水预报的对比分析表明:分区建模的降水预报效果好于模式直接降水预报,空报现象改善明显。     

用多维相似法建立区域短期预报系统

采用多因子，运用多维相似原理建立系统，通过设计编程、因子资料自动采集，微机计算分析推理比较，最后找出最佳相似经综合后图形显示出预报结论，从而提供巴州各县和北部山区主要站客观逐日短期天气预报。     

微型计算机气象应用程序目录选载(二)

1.多维(星座)图应用程序 多元变量经过合理变换后,可在复平面上把图形打印出来,间接表征多维空间图象,是多元分析的一种综合方法。本程序用FORTRAN6语言编写,FOR文件占内存8K字节,COM文件占23K字节。(安徽省气象科学研究所) 2.“万用点聚图”计算机语言(FORTRAN4)程序(1)可制作二维坐标图,供分析使用;(2)依据预报因子制作二维点聚图,作为预报工具;(3)一次输入多项指标,可控制给出任意两组合或全部因子成对组合的点聚图。经过分析可以从中挑选少数较好的点聚图使用。(安徽省气象科研所)     

T213预报产品在电力负荷预测中的应用

用2005—2006年4—9月准东电网负荷资料和T213预报产品资料,建立日平均有效时间序列数据,对电力负荷与T213主要预报因子的相关性进行了分析,筛选出影响该地区负荷变化的重要预报因子为700 hPa水汽通量、850 hPa水汽通量和降水量,建立日平均电力负荷变化的预报方程。对2007年进行试报,负荷变化趋势与实际一致,但对负荷发生明显波动的预报有时出现偏差,原因是T213对降雨天气预报有误所致。提出改进方案,采用模式与预报员经验相结合,从气象观测要素中再筛选出新的降雨因子,与T213重要预报因子重建预报方程,再次试报结果更接近实况。对2007年4—9月预报误差进行分析得到,计划负荷平均误差为11.5%,T213建模平均误差为8.2%,通过改进后重新建模的平均误差为6.4%。在降雨天气条件下,计划负荷误差22.3%,T213建模误差13.4%,而改进后的预测误差降低到8.9%。     

粒子群-神经网络在华南夏季降水短期气候预测中应用研究

使用1961~2013年广东、广西、海南三省共110个气象观测站的日降水资料、CMAP格点降水、国家气候中心74项和美国NOAA CPC 40项指数资料、NCEP/NCAR再分析资料,利用经验正交公式(EOF)等方法分析华南夏季降水气候变化特征,查找其影响关键因子,使用粒子群-神经网络建模预报。结果表明:利用高相关因子的粒子群-神经网络建模预报,从近10a华南夏季降水回报结果对比来看,粒子群-神经网络效果略好于国家气候中心第二代海-陆-冰-气耦合的气候系统动力模式,动力模式好于逐步回归方法。从7年华南出现异常降水年份的预报试验来看,利用异常因子的粒子群-神经网络建模预报误差均小于动力模式预报,预报与实况同号率高达到85.7%,高于动力模式,可见粒子群-神经网络建模预测具有很好的应用前景。     

复共线性关系对逐步回归预报方程的影响研究

针对气象预报中常用的逐步回归预报建模方法,由于没有直接考虑筛选出的预报因子之间可能存在复共线性关系会影响气象预报方程的预报性能问题,提出了在初选的大量气象预报因子(自变量)中,采用条件数计算分析方法,选择复共线性关系小的预报因子组合建立预报模型的方法.以重要气象灾害的预报难点--台风预报为例,用大样本分别建立了12个台风移动经度、纬度的条件数预报方程和逐步回归预报方程.对比分析结果表明,由于条件数计算分析有效控制了预报因子间的复共线性关系,因此,在相同的预报因子(自变量)和预报对象(因变量)条件下,分月建立的条件数台风移动路径预报方程,虽然历史建模样本的拟合精度略低于逐步回归预报方程,但是对独立样本的预报精度明显提高,其中7、8和9月条件数预报方程的预报误差平均为153.9 km,而相应的逐步回归预报误差平均为229.2 km,两者相差75.3 km.进一步研究发现,在F值分别取1.0、2.0和3.0的情况下,建立的台风移动路径的逐步回归预报方程,其预报误差也明显大于条件数预报方程.另外,由于预报因子组合的复共线性的影响,逐步回归方程还出现了在个别点预报误差极大的不合理情况.     

最优子集的神经网络预报建模研究

作者尝试用最优子集方法进行神经网络长期预报模型的建模方法研究。结果表明,在很多情况下,由于最优子集方法比逐步回归方法能选取更好的预报因子,因此所构造的神经网络预报模型具有更好的拟合和预报效果,这为神经网络在长期预报的应用研究提供了新的思路和方法。     

Logistic判别模型在强降水预报中的应用

利用Logistiv判别模型进行强降水预报,并设计3种方案进行对比分析。方案1直接使用14个影响因子进行判别预报,受因子共线性作用及噪音信号影响,虽然拟合效果较好,但预报效果明显下降。方案2对14个影响因子进行主成分分析,利用前6个主成分建模,虽然拟合效果较方案1降低,但由于消除了因子共线性作用以及噪音信号影响,预报效果较方案1提高。方案3运用Bootstrap抽样技术得到符干样本并建模计算模型参数,打乱了原有时间序列中的波动,仪保留平稳信息,拟合自由度进一步降低,导致拟合效果较方案案2下降,但预报效果却是3种方案中最好且最稳定的。在上述研究基础上,利用欧洲中心数值预报模式的预报场资料,建立基于Logistic判别模型的强降水客观预报系统,并在中央气象台业务运行。2013和2014年连续两年汛期预报检验结果表明,概模型对强降水预报的TS评分高于数值模式本身,具有一定的业务参考价值。     

MOS预报中的几个问题

1998年3月26～28日,美国气象专家美籍华人严巍先生在银川就美国气象统计预报系统的现状与未来及MOS预报的基本方法作了学术讲座,严巍先生在美一直从事MOS预报的工作,达15a左右,作了大量的工作,根据有关方面材料及记录进行整理,就MOS预报中的几个问题作一简单介绍,供大家在数值预报产品的解释应用中参考。1MOS预报的优点由于MOS预报采用数量统计方法建模,从若干待选因子中选取与预报量相关性较好的因子,作为MOS预报的因子,不仅与预报量有良好的统计相关关系,也要求因子与预报量间具有明确的物理学、天气动力学意义．因此…     

气象通信数据多维模型构建及OLAP应用初探

气象通信系统是国内和国际气象资料传输与交换的枢纽。为了从宏观上掌握气象通信系统资料的传输情况,有效管理数据、优化和梳理业务流程,根据通信系统数据量大、流程复杂、数据异构等特点,文章基于数据仓库技术构建气象通信数据的多维模型,为长时间序列的通信数据存储和分析提供解决方案。利用SQL Server Analy-sis Service,采用实时业务系统的真实数据展开多维数据模型构建的试验,在此基础上对多维模型进行了联机分析处理(OLAP),验证了多维模型在数据分析和展现方面的优势。     

时间序列混合模型及其在原油价格预测中的应用

在时间序列建模时,随机扰动项经常表现出非高斯性质,造成传统的时序模型的估计和预测偏误．针对这个问题,提出一种新的时间序列混合模型———多维高斯混合转移分布模型（ＭＧＭＴＤ模型）,用来处理残差项不是白噪声的情况,并提出采用遗传算法进行参数估计．将新提出的ＭＧＭＴＤ模型应用于对国际原油价格的预测分析中,进行模型的可行性检验．实证结果显示,ＭＧＭＴＤ模型可以得到较好的预测结果．     

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。     

主分量分析在热带气旋强度客观预报中的试用

为了解主分量因子分析在热带气旋强度客观预报中的应用效能,在NCEP再分析资料、T106L19模式产品和热带气旋历史观测资料基础上,采用主分量因子分析技术,结合多元线性回归和BP型人工神经网络,开展了西北太平洋热带气旋的强度客观预报技术研究试验。试验包含完全预报法原理下的预报因子有无主分量分析、线性与非线性预报方法建模等方面的比较。结果表明,预报因子的主分量分析通过降低线性回归和BP人工神经网络模型的维数,提高因子间独立性,可减小模型强度预报平均绝对误差,提高模型实际预报能力。