K 近邻非参数回归概率预报技术及其应用

针对参数回归技术制作概率预报存在拟合好、但预报结果不稳定的现象, 提出了用K近邻非参数回归技术制作概率预报的新途径。K 近邻非参数回归技术包括历史样本数据库、近邻子集生成和优化以及预报量估计4 个主要部分。利用该技术进行了单要素概率预报(主要包括云量和降水)和多维联合概率预报(降水、总云量、风速和气温)试验, 并对试验结果进行了检验。实例研究结果表明:该文所给出的计算方案预报稳定性好, 准确率较高,具有良好的业务应用价值。     

多元样条逐步回归模型在夏收中期预报中的应用

在夏收期间的中期预报中,使用了非线性多元样条函数回归预报模型。该方法保留了线性统计预报模型中多元分析,逐步筛选因子和显著性检验等特点,又吸取了数值逼近中样条函数处理复杂非线性函数的一些优点。经过与线性回归的对比和１９９８年的预报,在历史拟合率和预报效果上的提高较为明显。     

基于多变量相空间重构的局部降水预报

在已有的研究基础上,运用混沌理论中重建动力系统的方法来进行局地降水预测的研究。首先,通过分析降水时序关联维与嵌入相空间轨道的变化规律,探讨该降水时序的混沌动力学特性;接着对月降水量和气温时序进行多变量重构相空间,在相空间内搜索预报向量的k个最优近邻;最后,通过线性回归模型建立相似预报模型,试验结果与实际值吻合较好,证明了方法的有效性。     

回归诊断在梅雨期大到暴雨预报中的应用

应用回归诊断方法分析发现，梅汛期大到暴雨回归预报模型的残差分布存在着不对称现象，这种不对称现象是由高杠杆点所引起。这些高杠杆试验点的残差存在着统计天气预报意义上的不合理性，导致了回归系数LS估计的误差，从而又引起暴雨预报的误差。针对这些问题提出了大到暴雨的回归诊断预报模型。实例计算说明，回归诊断预报模型要优于常规回归预报模型。进一步分析指出，梅汛期大到暴雨回归预报模型的不合理性并非个别例子的特殊性所造成，而是由模型的数学特点所决定，因此大到暴雨的回归诊断预报模型具有普遍意义。大量的试验和多年的业务应用表明，回归诊断对提高大到暴雨预报准确率具有明显的效果。     

NINO3.4指数的多模式集合预报方法

基于贝叶斯模式平均方法(Bayesian Model Averaging),发展了一个NINO3.4指数的多模式客观权重集合预报方法(简称OBJ)。该方法基于训练期内单个模式的预报结果,用线性回归订正单个预报的偏差,依据模式的预报效果估计单个模式的权重。利用2002年2月—2015年10月美国哥伦比亚大学国际气候与社会研究所(IRI)提供的7个单一模式对NINO3.4指数的预报结果进行OBJ试验,并采用均方根误差对多模式集合平均预报(简称ENS)和OBJ的预报结果进行检验和评估。结果表明,ENS的预报效果优于7个单一模式的预报效果,而OBJ预报效果优于ENS预报效果,其NINO3.4指数的均方根误差比ENS方法降低了4%。将单一模式预报结果按时间划分为训练期和预报期,利用独立样本估计OBJ的参数并进行预报试验,这些试验也表明,OBJ能进一步提高预报精度。      

南海热带气旋强度预报的线性模型与非线性模型研究

以1980—2012年共33 a的6—10月在南海生成或西行进入南海海域的热带气旋样本为基础,采用线性回归方法和非线性人工神经网络方法,分别进行12～72 h各个预报时效的南海热带气旋强度预报模型建模研究。根据相同的热带气旋个例,相同的预报因子,将逐步回归预报模型、BP神经网络预报模型和遗传-神经网络预报模型进行比较。试验预报结果表明,非线性的神经网络预报模型比线性的回归模型有更好的预报能力;而同为非线性模型,遗传-神经网络模型比BP神经网络预报模型预报能力更强。      

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。     

极端气温集成预报方法对比

用2003-2009年ECMWF和庆阳市极端气温资料建立最高最低气温SVM、Kalman、多元线性回归3种统计方法的预报模型,采用平均、加权、回归3种方法进行预报集成,对庆阳市2010年6-12月各预报方法及5个时次集成预报进行评估.结果表明:单一的SVM、多元回归和集成方法最低气温预报5个时次的准确率均高于最高气温0.8％～24.2％,集成后加权法准确率最高,但最高和最低气温选取权重不同,SVM权重大时最高气温效果好,多元回归权重大时最低气温效果好.随着预报时效的增加,单一的预报方法和集成预报,预报准确率降低.逐月评估表明,单一的SVM准确率较高且预报性能稳定,Kalman准确率较低,回归方法各月差异大,预报不稳定,集成后,3种集成方法的预报比单一的预报方法均有所改善和提高.绝对误差分析表明,加权集成后最高和最低气温误差都较小,优于平均集成法和回归集成法.     

一种月尺度单站预报方法研究

介绍一种月尺度单站预报方法。通过从前期大气环流的高层、中层环流场及中高层温度场的月平均资料中,提取一组影响单站气候要素变化的信号源,组成多元线性回归模型。同时对同一要素的多个测站进行预报。在对全省10个气候区的业务预报中,经过多年应用。该方法逐步成为短期气候预测的关键决策依据。利用该方法,建立全省14个测站的预报模型,并于2008年3月投入业务使用。利用该模型的预报结果,3—12月预测质量大幅提高。     

强风事件识别及预报订正方法研究

以如东海上风电场升压站激光雷达测风资料为基础,提出了一种强风事件识别方法,设计并比较了三种预报强风事件识别方案。基于决策树和一元线性回归方法,分别开展了针对强风事件的订正方法研究。结果发现:三种预报强风事件识别方案中,等分位阈值方案明显更优,事件命中率达到76.1%,匹配时长命中率达到87.6%;采用消偏阈值方案和等分位阈值方案预报的强风事件时长会更接近观测强风事件时长;等分位阈值方案识别的事件基本可以覆盖到各次观测强风事件的全程;两个订正模型相对于模式预报都有一定提升与改进,其中决策树比一元线性回归模型更优,其平均绝对误差、相对误差和均方根误差明显更小。     

冬小麦拨节—抽穗期水分盈亏量长期预报的岭回归分析

本文根据岭回归分析,结合逐步回归方法,以回归系数的估计精度和残差平方和作为两种目标函数,建立了冬小麦拔节——抽穗水期分盈亏量的长期预报模式。以期为预报农业气象干旱提供参考依据。     

用非参数估计技术预报风的研究

该文介绍了使用非参数估计技术制作风的预报试验。为了有一个较完整的历史样本集,试验中使用了1981—2003年共23年的逐日资料。在采用的K近邻非参数估计技术中,由于风的特殊性,其不是标量而是矢量,试验中根据天气学原理,设计和试用了一种根据过程相似性从历史样本集中搜索出近邻子集和新的从近邻子集中挑选最佳样本的方法。试验结果显示,所试用的预报方法不仅使得风的预报Ts评分有一定的提高,同时使得3 d降水量的预报Ts评分也有一定的提高,这表明该方法具有一定的实际参考使用价值。     

东营市空气质量预报技术方法研究

利用1999-2001年高空气象资料、东营市地面气象资料和空气污染物浓度资料,对东营市空气污染状况进行了分析,并利用逐步回归、最优回归、B-P神经网络和CAPPS系统四种方法建立了东营市空气质量预报模型,再根据四种模型历史拟合结果的TS评分确定其权重系数,建立东营市空气质量集成预报模型,通过2002-2004年的预报试验表明,集成预报优于四种模型的单一预报精度.     

T639台风预报误差与环境场变量的相关分析和回归分析

利用国家气象中心全球谱模式T639L60(简称T639)数值预报结果和上海台风研究所整编的台风最佳路径数据,基于2009—2010年的样本,分析了西北太平洋和南海台风的环境场预报变量与路径预报误差的相关性,利用线性回归分析,建立了T639台风中心预报误差与环境风整层垂直切变、400 hPa台风环流强度的24~120 h各预报时效线性预估模型(建模样本数分别为299、232、170、117和84个),并利用2011年的样本对模型进行了检验(检验样本数分别为182、146、117、85和61个)。初步结果表明,环境风垂直切变与路径误差呈正相关,台风各层环流强度与路径误差大致呈负相关,其中400 hPa上的负相关性最明显;由环境风垂直切变与400 hPa台风环流强度建立的线性预估模型能对路径预报误差作出定性估计,其中24h预报时效的预估模型有较好的预估效果。     

通用线性模型在气象水文集合预报后处理中的应用

通用线性模型是一个气象水文预报后处理的统计模型。它能消除水文模型流量模拟中的偏差,保留了原始预报的技巧,并且能产生可靠的水文集合预报。本文试验中利用通用线性模型对取自于国际模型参数估计试验数据库的日流量模拟数据进行校正,并与实况观测作比较,检验通用线性模型降低误差的性能。结果表明:通用线性模型产生的流量集合预报的连续分级概率评分分值都在0.5分以下,证明集合预报结果是可靠的;校正后的模拟值在平均值、标准差、均方根误差等检验指标方面都比原始模拟更加接近于实际观测值;即使是对于误差较小的水文模拟,通用线性模型仍有对其进行改善的能力。     

基于神经网络的广州市能见度预报

在研究了广州市能见度变化特征及低能见度发生的主要影响因素的基础上,利用广州市环境监测站2007-2009年的空气污染物（PM10、SO2、NO2）监测数据及同期地面气象要素（10min平均风速、最大风速、气温、相对湿度、露点温度、气压、24h降水量）观测资料筛选出主要的预报因子,用径向神经网络建立预报模型,并对2009年9月1日到12月25日的能见度进行预报试验.结果表明径向神经网络预报模型在能见度低于10km时预报准确率明显高于统计回归预报方程.采用分级方法统计得出在未出现低能见度情况下,中低能见度,中高能见度预报准确率分别为80％,69.6％,均高于线性回归预报方程（40％,47.8％）.     

基于ECMWF产品的站点气温预报集成学习误差订正

提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。     

统计预报方法中若干技术问题的对比分析

通过对线性和非线性，判别一回归和门限一回归、插值、距离和相似等预报方法的对比，分析了各种方法的特点及各自的局限性，并就如何改进统计预报方法提出相关建议。     

非线性统计预报方法研究进展

从线性统计分析向非线性统计分析发展,从而逐步建立非线性统计预报方法,已成为统计学方法发展的方向之一。虽然非线性统计预报这些年来有了较大发展,但却缺少系统的介绍。作者将自己的研究成果及应用实例归纳整理,对非线性统计预报中参数计算基本方法,一个自变量时的统计预报模型,拟线性、半线性和曲线性预报模式,分段逼近模式,插值、距离、相似预报方法等作了系统介绍。并给出了各种非线性统计预报模型在气象预报中的具体应用实例索引。     

基于偏最小二乘回归理论的西北太平洋热带气旋强度统计预报方法

热带气旋(TC)的强度预报是TC研究中的前沿性问题和实际业务中的难点.当前具有参考价值的预报方法主要是统计类或模式释用类方法,例如气候持续性(CLIPER)模型等.CLIPER模型的核心技术为多元线性回归,这种回归算法在预报因子之间存在多重相关性时会丧失建模的稳健性,进而影响CLIPER模型的预报精度.为了提高CLIP...