利用最优子集回归作鲁南夏季降水量预报

通过普查北半球５００ｈＰａ、１００ｈＰａ月平均高度场与鲁南夏季降水量的相关，选取相关信度达到０．０５的相关区的格点平均高度值作为预报因子，利用最优子集回归建立鲁南夏季降水量预报方程，并投入业务运用，通过与逐步回归方法比较得知，最优子集因归比逐步回归具有更好的预报效果。     

利用非线性回归技术建立洛阳机场大风预报方法

利用2005-2008年洛阳机场200个大风天气个例,从经验和物理意义出发选取地面风速预报因子,然后对初选因子进行多种组合并同预报量作相关分析,确定了东、西风型各10个因子。根据各个因子在引入的线性和5种非线性函数形式下同预报量的相关程度,确定每个因子同预报量的最优函数关系,进而分别建立了东、西风型风速预报的多元非线性回归方程,再应用双重检验的逐步回归方案对方程进行优化,并将优化后的方程进行了检验,最后分析了影响风速主要因子的作用。结果表明:利用非线性回归方程对风速进行客观定量化预报,预报效果达到了民航气象对大风预报的质量要求,能够为实际工作提供参考;预报东、西风型风速的首要因子分别是气压梯度和变压梯度。     

最优化方法在天气预报中的应用

本文根据最优化方法原理,提出了选择非线性最优预报因子和建立非线性预报方程的办法。试验表明:用此方法选出来的非线性预报因子和建立的方程比线性的好。最后还指出了此方法可推广到预报量离散的情况,建立非线性的判别方程,同时可用于长、中、短期天气预报。     

南宁市温度预报的动态因子逐步回归方法研究

利用2005年5月到10月份的数值预报产品的客观分析场、南宁市单站温、压、湿等资料,尝试选取前期一定时间内的最优预报方程,建立未来南宁市24h、48h、72h最高、最低气温的动态因子逐步回归预报方程。通过对今年8、9月份的预报试验,24h平均误差是1.13℃,48h为1.20℃,72h平均误差达1.20?C,结果证明该方法预报能力的可参性很强。     

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。     

南宁市温度预报的动态因子逐步回归方法研究

利用2005年5月到10月份的数值预报产品的客观分析场、南宁市单站温、压、湿等资料，尝试选取前期一定时间内的最优预报方程，建立未来南宁市24h、48h、72h最高、最低气温的动态因子逐步回归预报方程。通过对今年8、9月份的预报试验，24h平均误差是1．13℃，48h为1．20℃，72h平均误差达1．20？C，结果证明该方法预报能力的可参性很强。     

试用非线性预报方法预报辽宁夏季气温和降水

一、前言过去在长期预报的统计分析中大部分采用相关分析方法,找出相关较好的关键区,如要做定量的预报,则找出相关较好的预报因子,用逐步回归的方法建立预报方程,但是这里的相关分析及建立的逐步回归预报方程都是线性的,而实际上预报量与预报因子的关系是非线性的。因此,线性相关分析方法是不适合实际的,用线性预报因子建立起来的预报方程也必     

夏季降水概率分片预报的业务试验

把济宁分成五片,每片选取不同格点的预报区,利用T106 历史资料和最优回归方法,分别建立各片不同量级不同时次的降水方程,再应用多因子概率权重回归预测其降水概率。代入每天最新的T106 资料进行试报,效果较好,并且系统从资料采集到输出概率结果实现全自动化,最后预报结果客观、定量并自动存盘。     

T106产品夏季降水概率预报自动化系统

利用１０６格点场资料,构造能反映本地天气动力学牲的组合预报因子,对预报时效场进行叠加处理,对预报着急区格点资料取其均值或极值。预报因子和预报量均采用非线性０、１化自理。用最优子集回归建立降水预报方程用多因子概率权重回归其降水概率。系统从资料采集到输出概率结果在５８６以上微机上实现全自动化,预报结果客观、定量。     

最优子集神经网络在武威气温客观预报中的应用

选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。     

最优化因子处理及加权多重回归模型

因子的优劣是回归分析的关键。故在建立回归方程时,一般除对预报因子进行直线相关普查外,还要进行非线性相关普查。如将原因子x用x~(-1)、x~(1/2)、x~2 、e~x、In x等函数形式进行变换。但由于这些函数形式有限,故不一定能找到最优的表达形式;为此冯耀煌等仅给出了x~a和e~(ax)两种通式,其中a为待     

珠三角地区前汛期强对流潜势预报方法研究

利用2004—2006年前汛期探空资料计算的物理量,选取与强对流天气相关性好的大气温湿类(整层比湿积分IntegralQ)、层结稳定度类(K指数)、动力类(潜在下冲气流指数MDPI)、热力动力综合类(瑞士第一雷暴指数SWISS00)作为预报因子,通过对各指数的空间分布特征和数值进行二值Logistic回归分析,得到各指数的参数估算值,建立强对流诊断预报方程,得到前汛期强对流潜势预报因子P,从而制作珠江三角洲(以下简称珠三角)地区未来12小时出现强对流天气的潜势预报。并用此法回报2003—2006年3—6月前汛期的强对流天气。结果表明,P值大于0.9的准确率可达77.5%,P值小于0.5出现强天气的概率仅为3.8%。由于资料有限,对2007年3—4月发生的7次强对流的经验检验效果不明显,但P值小于0.5时不发生强对流的经验检验效果明显。此法对珠三角地区的短时强降水和雷雨大风等强对流天气的临近监测预警有较好的指示意义。     

基于长时段非线性影响分析的冬小麦产量预报

为提高冬小麦产量预报的准确性、稳定性, 通过气象产量与气象因子的膨化相关普查, 筛选出长时段、非线性因子组建预报方程, 收到了预期的效果.经4年的使用验证及与其他几种统计方法的比较, 该方法预报结果较为理想, 可用于基层台站的冬小麦产量预报.     

Ensemble Prediction of Monsoon Index with a Genetic Neural Network Model

After the consideration of the nonlinear nature changes of monsoon index,and the subjective determination of network structure in traditional artificial neural network prediction modeling,monthly and seasonal monsoon intensity index prediction is studied in this paper by using nonlinear genetic neural network ensemble prediction（GNNEP）modeling.It differs from traditional prediction modeling in the following aspects： （1）Input factors of the GNNEP model of monsoon index were selected from a large quantity of preceding period high correlation factors,such as monthly sea temperature fields,monthly 500-hPa air temperature fields,monthly 200-hPa geopotential height fields,etc.,and they were also highly information-condensed and system dimensionality-reduced by using the empirical orthogonal function（EOF）method,which effectively condensed the useful information of predictors and therefore controlled the size of network structure of the GNNEP model.（2）In the input design of the GNNEP model,a mean generating function（MGF）series of predictand（monsoon index）was added as an input factor;the contrast analysis of results of predic- tion experiments by a physical variable predictor-predictand MGF GNNEP model and a physical variable predictor GNNEP model shows that the incorporation of the periodical variation of predictand（monsoon index）is very effective in improving the prediction of monsoon index.（3）Different from the traditional neural network modeling,the GNNEP modeling is able to objectively determine the network structure of the GNNNEP model,and the model constructed has a better generalization capability.In the case of identical predictors,prediction modeling samples,and independent prediction samples,the prediction accuracy of our GNNEP model combined with the system dimensionality reduction technique of predictors is clearly higher than that of the traditional stepwise regression model using the traditional treatment technique of predictors,suggesting that the GNNEP model opens up a vast range of possibilities for operational weather prediction.     

大气非线性波动方程的解

本文从非线性大气运动方程出发,用比较简洁的方法,求得了大气非线性惯性波、非线性重力内波和非线性Rossby波的周期解,这些解反映了非线性大气波动的特色。分析指出:对有限振幅的惯性波和重力内波,振幅大的波传播越快,而有限振福的非线性Rossby波,振幅大、波长长的波传播越慢;本文还分析了这些解的某些可能的实际意义。 这些非线性波的研究提供了解非线性方程的新的途径,而且,它可以与大家熟悉的线性波动进行比较。对于天气预报和大气湍流的研究都有一定的意义。     

华北汛期降水多因子相似订正方案与预报试验

本文基于动力—相似预报的基本原理, 在已初步建立的华北汛期降水模式的动态最优多因子组合相似订正方案工作基础上, 研究前期关键因子之间的相互配置对夏季降水的影响, 挑选关键的大气环流预报因子。根据预报年前期气候因子的异常状况, 通过EOF压缩自由度进行相似年选取, 进一步构建了基于前期异常信号的汛期降水相似订正预报方案。研究发现, 预报年前期大气环流中异常因子个数的偏多或偏少与该年华北降水的多寡呈现较好的对应关系, 并以异常因子的个数状况作为判断该年是否为异常年的标准, 将异常多因子方案与动态最优多因子方案相结合, 建立模式误差相似订正的多因子综合预报方案。通过诊断分析发现, 该方案对降水异常年有着较好的针对性。2003～2009年7年的独立样本回报结果表明: 该方法进一步提高了模式对华北汛期降水的预报能力, 将华北汛期降水预报的距平相关系数 (ACC) 平均分从系统订正结果的0.38提高至0.61, 具有良好的业务应用前景。     

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。