基于自组织映射神经网络的吉林省春夏期降水统计模拟研究

利用1997—2015年吉林省春夏期(4—7月)逐日气象站地面观测资料,以气温、气压、相对湿度、水汽压、风速为协变量,建立各站点逐日降水量的基于自组织映射神经网络(Self-Organizing Maps,SOM)的统计预测模型;分析吉林省春夏期的主要天气模态,研究逐日降水和天气模态之间的关系,并基于此关系提出逐日降水量的蒙特卡罗模拟方法。结果表明:SOM对天气模态的分型质量较好,邻近天气模态的累积概率分布较相似,距离较远的天气模态累计概率分布差异较大。各天气模态下无降水的概率与日降水量区间宽度的相关系数为-0. 94,显著性水平小于0. 01。基于降水量累积概率分布,20种天气模态被划分成4类,并与降水易发程度和逐日降水量完全对应。在此基础上,对吉林省24个站点逐日降水量进行蒙特卡罗模拟,并进行预测性能分析。平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RM SE)的中位数分别为3. 12 mm和6. 13 mm,SBrier和Ssig分别为0. 06和0. 51,站点的逐日降水量预测性能整体较好。MAE和RMSE分布呈现东南大西北小,去除降水自然变异差异的影响,所有站点的误差都较小; SBrier和Ssig没有明显的空间分布特征。     

以ｘ（１）（ｎ）为初始条件的无偏ＧＭ（１，１）模型

根据灰色系统理论的新信息优先原理,在建模过程中赋予新信息较大的权重可以显著提高灰色建模的功效．将无偏ＧＭ（１,１）模型的初始条件由ｘ（１）（１）改为ｘ（１）（ｎ）,对原模型进行改进,从而提高了所建模型的模拟预测精度．通过实例验证了所建模型的实用性和可靠性．