统计预测方法的试验比较

通过相关系数选出预报因子后，用逐步回归、最优子集回归、EOF降维逐步回归、神经网络等统计预报方法对预报对象进行逐年交叉检验以及实际预报检验，检测预报因子对原预报序列的预报能力。同时通过计算每种方法的平均绝对误差和实际预报检验的平均误差，客观地对各种预报方法进行既有纵向也有横向的较为全面的比较。     

统计预测方法的试验比较

通过相关系数选出预报因子,用逐步回归、最优子集回归、EOF降维逐步回归、神经网络等统计预报方法对预报对象进行逐年交叉检验以及实际预报检验,检测预报因子对原预报序列的预报能力。同时通过计算每种方法的平均绝对误差和实际预报检验的平均误差,客观地对各种预报方法进行既有纵向也有横向的较为全面的比较。     

基于均生函数的EOF迭代温度长期预报

本文用单站温度时间序列的均生函数周期延拓序列拓展预报因子,然后进行EOF迭代温度预报试验,并与主分量、逐步回归筛选方案建模法的预报结果进行比较,初步表明:这种预报方法充分地利用了要素序列与其优势周期的主要相关信息,它具有一定的预报能力。     

统计预测方法的试验比较

通过相关系数选出预报因子后,用逐步回归、最优子集回归、EOF降维逐步回归、神经网络等统计预报方法对预报对象进行逐年交叉检验以及实际预报检验,检测预报因子对原预报序列的预报能力。同时通过计算每种方法的平均绝对误差和实际预报检验的平均误差,客观地对各种预报方法进行既有纵向也有横向的较为全面的比较。     

长期天气预报中的多层递阶预报方法

一、问题提出 统计预报是当前长期天气预报的主要手段之一。常用的古典统计方法包括:回归分析、判别分析、方差分析、时间序列分析i等。对于预报量y,选取s个预报因子x_i(=1,2……s),建立预报方程。     

时间序列与多元统计分析专题讨论会

为交流近年来统计气象预报的学术成果,了解国际动态,中央气象局气象科学研究院于1980年12月25—29日在西安召开了“时间序列与多元统计分析”专题讨论会。出席会议的有63人,共收到了85篇材料。会议的材料大体上反映了七十年代后期我国统计气象学的水平。会议报告大致分五个方面,即多元分析新方法,预报应用与效果分析,时间序列分析,多元分析的应用,统计-动力与天气-统计预报等。 时间序列分析是由分析变量的历史记录,寻找其自身演变规律,从而作出未来的预报的。会议上,着重介绍和讨论了七十年代以来发展的Box-Jenkins方法,如构造自回归(AR)模型、自回归滑动平均(ARMA)模型,自回归求和滑动平均(ARIMA)     

多层递阶周期分析

针对经典多层递阶预报方法的某些不足,提出了一种改进的多层递阶预报模型——多层递阶周期分析。它使用时间序列的显著周期分量取代原模型中的自回归部分,使其更合理地反映气象要素自身的演变规律,有效地提高了预报精度。     

影响海南岛热带气旋的多层递阶周期分析长期预报模型

使用历年影响海南岛的热带气旋个数作资料样本,在经典多层递阶预报模型的基础上引进多层递阶周期分析,在时间序列自身周期显著的情况下,使用时间序列的显著周期分量取代经典模型中的自回归部份,建立影响海南岛热带气旋的多层递阶周期分析长期预报模型,合理地反映热带气旋影响海南岛的变化规律,提高预报的准确率。     

提高粮食产量预报模式稳定性及准确性的探讨

运用气候因子预报粮食产量的多元回归模式在应用中表现不够稳定．本文提出用正常气候条件对作物生长最适气候条件的动态供需分布，对入选因子进行生物学意义的合理性检验，使静态的统计预报模式稳定性明显提高，同时使动态统计产量预报评价模式有了明确的生物学意义，本文还提出了多元回归与时间序列分析相结合的三项式产量预报模型和综合预报方法，产量预报模式的稳定性和准确性平均提高４％以上。     

广义非线性相关分析方法及其在预报中的应用研究

1问题的提出相关统计方法在天气预报中具有很重要的地位,在长期预报方法中尤其重要。为了做准预报,预报员总是希望找到一些较好的相关因子,因此所采用的统计方法成为关键的一环。常规的统计方法是基于最小二乘理论的回归方法及相关系数的计算,这些似乎完善的理论和方法在近几十年的应用中总是不尽人意。笔者曾在1988年至1989年专题检验了回归方法产生的预报,在整整两年的每月预报中,回归方法制作的预报准确率平均只有53％,并且没有做出过特多或特少级别的预报,这个准确率只相当于气候概率,技巧评分近于零。而经过人的主观分析,主…     

多因变量矩阵回归预报方法

本文针对一个因变量多元回归在气象预报应用中的不足和局限，引入多因变量多元回归，讨论了应用中的公共预报因子问题和因子筛选问题，并对多因变量回归与单因变量回归、场展开预报、逐步回归、逐段回归等方法进行了比较，探讨了其特点及应用效果。     

均值生成函数的周期性延拓在回归分析中存在的问题及其改进方案

针对均值生成函数的周期性延拓在回归分析中存在的回归前提不同,预报因子是预报量的非独立表现等缺点,给出了改进方案。实例分析计算表明：新方案可以有效地消除原方案中存在的非独立虚假相关现象,从而使得筛选出周期性预报因子更加客观。基于本方案所建立的数学预报模型,具有历史拟合率与多步长预报精度基本一致的特点,是一种具有使用价值的长期预报手段,也有一定的隐含周期分辨能力。     

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。     

多元门限回归模型的一种建模方法

本文根据门限自回归模型的基本思想[1]，提出一种多元门限回归模型的建模方法。其特点是充分考虑了预报系统中某些特殊预报因子突变点对预报关系的改变作用。数值实例表明，该模型在模拟和预报精度上比一般线性逐步回归模型有一定程度的提高。     

一种新的线性回归模型及其应用示例

回归分析是统计分析中常用的方法之一。传统的回归模型不具备全域分析能力,而变量场之间的关系多采用SVD（Singular Value Decomposition）进行分析,与传统的回归分析有所脱节。更为广义的线性回归模型是传统线性回归模型的延拓,在标量情况下,该模型可转化为传统线性回归模型。该模型的基本特征包含乘法不可互易性、等价于传统线性回归（因子项为标量时）、可分析性、延拓性、降维特征及容错性等。该模型解决了传统的线性回归模型不具备全域分析能力及模型表达能力受限于模型维数的现实问题。本文采用了NCEP（National Centers for Environmental Prediction）降水、高度场、风场月平均资料及国家气候中心西太平洋副热带高压指数资料,利用该模型和传统回归方案进行对比分析,分析结果表明,该模型具有一定的实用参考价值。     

Statistical Downscaling Based on Dynamically DownscaledPredictors： Application to Monthly Precipitation in Sweden

A prerequisite of a successful statistical downscaling is that large-scale predictors simulated by the General Circulation Model (GCM) must be realistic. It is assumed here that features smaller than the GCM resolution are important in determining the realism of the large-scale predictors. It is tested whether a three-step method can improve conventional one-step statistical downscaling. The method uses predictors that are upscaled from a dynamical downscaling instead of predictors taken directly from a GCM simulation. The method is applied to downscaling of monthly precipitation in Sweden. The statistical model used is a multiple regression model that uses indices of large-scale atmospheric circulation and 850-hPa specific humidity as predictors. Data from two GCMs (HadCM2 and ECHAM4) and two RCM experiments of the Rossby Centre model (RCA1) driven by the GCMs are used. It is found that upscaled RCA1 predictors capture the seasonal cycle better than those from the GCMs, and hence increase the reliability of the downscaled precipitation. However, there are only slight improvements in the simulation of the seasonal cycle of downscaled precipitation. Due to the cost of the method and the limited improvements in the downscaling results, the three-step method is not justified to replace the one-step method for downscaling of Swedish precipitation.     

时间尺度分离在华南夏季极端高温预测中的应用

基于高温日数存在受不同物理因子影响不同时间尺度变率的特征,应用滤波对华南夏季高温日数进行时间尺度分离,得到高温日数的年代际分量和年际分量。统计分析高温日数总量、年代际分量和年际分量在各自对应时间尺度上的影响因子,采用"向前"交叉检验逐步回归法,分别建立高温日数总量、年代际分量和年际分量的回归模型。高温日数总量的回归模型即为高温日数不区分时间尺度的直接回归模型,而两个分量回归模型拟合结果的叠加,即为高温日数时间尺度分离统计模型对总量的拟合。利用十折交叉检验法,对高温日数直接回归模型和时间尺度分离统计模型的拟合结果进行比较:相比高温日数直接回归模型,时间尺度分离统计模型的年代际分量均方根误差由2.6降低到2.3,与观测数据的相关系数由0.69提高到0.73（显著性水平α=0.01）;年际分量均方根误差由3.2降低到2.9,与观测数据的相关系数由0.4（α=0.1）提高到0.48（α=0.01）;高温日数总量均方根误差由4.1降低到3.7,与观测数据的相关系数由0.48提高到0.62（α=0.01）。1979~2010年拟合时段华南夏季高温日数的回报结果表明:两模型回报结果与观测数据均存在明显相关（α=0.01）,直接回归模型的相关系数为0.57,时间尺度分离统计模型提高到0.72。2011~2013年独立检验时段的预测结果表明:直接回归模型预测结果的平均均方根误差为26.4%,时间尺度分离统计模型降低到12.3%。初步结果表明,两模型对华南夏季高温日数均有一定的预测能力,而时间尺度分离统计模型的预测结果有所改进。     

A prediction scheme with genetic neural network and Isomap algorithm for tropical cyclone intensity change over western North Pacific

A western North Pacific tropical cyclone (TC) intensity prediction scheme has been developed based on climatology and persistence (CLIPER) factors as potential predictors and using genetic neural network (GNN) model. TC samples during June–October spanning 2001–2010 are used for model development. The GNN model input is constructed from potential predictors by employing both a stepwise regression method and an Isometric Mapping (Isomap) algorithm. The Isomap algorithm is capable of finding meaningful low-dimensional architectures hidden in their nonlinear high-dimensional data space and separating the underlying factors. In this scheme, the new developed model, which is termed the GNN-Isomap model, is used for monthly TC intensity prediction at 24- and 48-h lead times. Using identical modeling samples and independent samples, predictions of the GNN-Isomap model are compared with the widely used CLIPER method. By adopting different numbers of nearest neighbors, results of sensitivity experiments show that the mean absolute prediction errors of the independent samples using GNN-Isomap model at 24- and 48-h forecasts are smaller than those using CLIPER method. Positive skills are obtained as compared to the CLIPER method with being above 12 % at 24 h and above 14 % at 48 h. Analyses of the new scheme suggest that the useful linear and nonlinear prediction information of the full pool of potential predictors is excavated in terms of the stepwise regression method and the Isomap algorithm. Moreover, the GNN is built by integrating multiple individual neural networks with the same expected output and network architecture is optimized by an evolutionary genetic algorithm, so the generalization capacity of the GNN-Isomap model is significantly enhanced, indicating a potentially better operational weather prediction.     

南海热带气旋大风的遗传－神经网络集合预报

利用1980-2012年的南海热带气旋实况资料和NCEP/NCAR再分析资料,将热带气旋定位中心周边6×6格点上的地面风速作为预报对象,以气候持续预报因子和前期风速预报因子作为模型输入,采用遗传—神经网络集合预报方法,进行热带气旋定位中心周边36个格点上的风速预报模型的预报建模研究.分别对2008-2012年7-9月共368个独立预报样本进行遗传-神经网络集合方法的分月预报结果表明,南海热带气旋中心周边风速24h的预报平均绝对误差为2.35m.s-1.另外,本文还进一步将该预报方法与国内外普遍采用的逐步回归预报模型进行对比分析,在相同的预报量和预报因子的条件下的对比分析表明,新预报模型对≥10m.s-1的强风预报结果较逐步回归方法的优势明显,预报性能较好,可为沿海热带气旋大风预报提供新的参考.     

Peninsular Indian rainfall and its association with meteorological and oceanic parameters over the Indian Ocean

The present study attempts to formulate a regression model to predict summer rainfall over Peninsular India (PIR) using some regional predictors. Parameters having significant correlation (99%) with PIR were identified for the period 1975–1997 (training), and a 15-year sliding correlation (90%) was found to check the consistency of the relationship between PIR and predictors. From a set of 14 candidate predictors, 4 were selected using a stepwise regression method and tested over a period from 1998 to 2006. The predictors selected are sea surface temperature during March over Indian Ocean, air temperature at 850?hPa during May over Peninsular India, zonal, and meridional wind at 700?hPa during February and January, respectively, over the Arabian Sea. The model captures a variance of 77.7% and has a multiple correlation of 0.88. The root mean square error, absolute mean error, and bias for the training (test) period were 7.6% (21.5%), 6.6% (17.9%), and 0% (11.4%) of mean rainfall, respectively. Results of the climatological predictions show that the model developed is useful.