一种多时间尺度SVM局部短时临近降雨预测方法

近年来支持向量机(support vector machine,SVM)在气象领域得到了广泛应用,在该类应用中单一建模是目前普遍采用的一种思路,单一建模方法寻找的是大而泛的预测模型,预测的目标以面降雨为主。本研究针对每个气象站点进行单独动态建模,建模方法为多时间尺度SVM,探索建立一种动态SVM短时临近降水预测模型,充分考虑不同站点、不同时刻的气象要素差异,初步解决了单一建模过于注重整体规律、建立固定的整体预测函数模型而忽略不同站点、不同时刻局部气象变化的不足,并尝试提高短时临近降水预报的准确率。初步实现了地理空间上更高密度、更精细化的降雨预测,时间分辨率为1 h,TS评分始终保持在较高的水平,对1 h预测的TS评分平均可达40%以上,部分站点接近50%,且模型预测准确率具有一定的稳定性和参考价值。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

基于风暴相对螺旋度的降雨预报方法研究

风暴相对螺旋度是一个衡量对流风暴发展强度的物理量,所以对强对流天气的预报具有实际意义。通过提取2008-2010年3年天津地区153个降雨过程的多普勒天气雷达风场数据来计算了风暴相对螺旋度,然后将风暴相对螺旋度与从雷达反射率因子图中提取的风暴信息相融合,得到基于风暴相对螺旋度的降雨预报模型。经过2014年4月到8月天津地区59个降雨过程对本文所提出的降雨预报模型进行验证,结果表明本文提出的降雨预报模型的准确率达到61%,其中提前2小时预测降雨占41%,在2小时间以内预测降雨占59%。上述结果说明,风暴相对螺旋度在结合其他降雨特征后对降雨具有良好的预报效果。     

基于ARMA-BP集成的藻类叶绿素a预测研究

藻类叶绿素a浓度是反映太湖水体富营养化程度的重要参数指标。以太湖2010—2011年5—10月旬平均叶绿素a浓度和气象资料数据作为建模样本, 通过对气象资料进行主成分分析, 得到4种主要气象因子作为输入, 建立时间序列ARMA预测模型与BP神经网络预测模型, 并对2012年数据进行预测。利用两种模型在线性空间和非线性空间的预测优势, 将叶绿素a数据结构分解为线性自相关主体和非线性残差两部分。首先用ARMA模型预测序列的线性主体, 然后用BP模型对其非线性残差进行估计, 最终集成整个序列的预测结果, 建立了ARMA-BP预测模型。3种模型的预测效果为ARMA-BP＞BP＞ARMA。     

基于风暴相对螺旋度的降雨预报模型检验

风暴相对螺旋度是一个衡量对流风暴发展强度的物理量,所以对强对流天气的预报具有实际意义。通过提取2008—2010年3a天津地区153个降雨过程的多普勒天气雷达风场数据来计算风暴相对螺旋度,然后将风暴相对螺旋度与从雷达反射率因子图中提取的风暴信息相融合,得到基于风暴相对螺旋度的降雨预报模型。经过2014年4—8月天津地区59个降雨过程对本文所提出的降雨预报模型进行验证,结果表明降雨预报模型的准确率达到61%,其中提前2 h预测降雨占41%,在2 h以内预测降雨占59%。上述结果说明,风暴相对螺旋度在结合其他降雨特征后对降雨具有良好的预报效果。     

一种改进的循环神经网络雷达图像外推算法

临近强降水预报目的是预测未来两小时内局地降水强度的分布,准确的外推雷达图像可以为临近强降水预报提供准确的时空参考数据。近两年循环神经网络模型应用于天气雷达回波图象外推得到了较好的结果。本文基于分析现有ConvLSTM和TrajGRU模型的基础上,从输入雷达数据层数和修改模型损失函数两个方面对循环神经网络外推模型进行改进,并对业务上的雷达图象序列和竞赛雷达图象序列进行试验。试验结果表明,改进的外推模型能更好地捕捉时空相关性,具有更精确的外推效果。     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

动态学习率神经网络预测气温的尝试

采用单站气象资料建立动态学习率的神经网络预测模型，进行逐日气温模拟预测，并与逐步回归预测模型和固定学习率的神经网络模型比较，结果表明，神经网络模型预测能力较好，但训练时间长。采用动态学习率的网络模型在不损失预测精度的前提下大大减少了训练时间，为神经网络在气象中的应用提供了一种方法。     

基于极坐标投影的多谱勒雷达数据栅格化技术

通过研究球面距离算法、极坐标投影原理及新一代多谱勒天气雷达产品的数据存储格式,实现精度较高的雷达数据栅格化,为雷达回波追踪、降水算法优化、短时临近预报等相关的应用与研究提供经过仰角订正、球面距离订正后的更准确更通用的产品数据.     

基于形状匹配的雷达临近预报误差评价计算方法

目前对于降雨预报方法的研究比较多,而找到更好的方法来利用实测数据对预报产品进行有效的验证也很值得研究。在实际气象预报中,降雨往往是区域性的,呈面状分布,基于降雨区域的形状验证更为重要也更有检验价值,针对形状检验的难点和特点,本论文提出了一种0~3 h QPF雷达降雨预报综合检验方法和量化指标,包括形状验证和定量验证,并针对广东省2016年4月22日08:30—11:24一次典型持续降雨过程的雷达降水预测进行了分级检验评价与误差分析。该方法也一定程度上解决了时间和空间尺度的数据质量参差不齐和精度控制的问题,其中形状检验指标与常规定量检验结果基本相符,雷达0.5和1 h降雨预报的形状检验指标TS_(shape)、POD_(shape)、FAR_(shape)指标分别为40%以上、40%以上、30%以下,预报区域重叠比例Ratio_p、实况区域重叠比例Ratio_t和杰卡德系数分别为40%以上、80%以上、40%以上,该指标能够较好地反映雷达降雨预报的效果。     

基于人工神经网络的沿海风速多步预测研究

基于气象历史观测资料,将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域,通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析,得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差,BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比,其RMSE平均降低了58.9%,MAE平均降低了63.2%;风速误差和大风统计过程分析发现,BLSTM TRA模型具有一定的抗干扰能力,可以抓住短时大风等敏感信息,对于大风预报结果明显优于ECWMF模式和传统LSTM模型。     

在香港雷达图上添加边界地图

多普勒天气雷达测量雨区的移动方向和速度以及降雨强度相当准确,因而在短时天气预报中必不可少。香港的多普勒雷达观测频率大,每6分钟一张图像,是广东许多气象台站监测珠江三角洲的雨区的常用工具。但是由于香港的雷达图中没有套上广东地区行政图,所以在图上很难准确确定某一雨区在哪个地方。预报员都希望能够将广东地区行政边境图套上雷达图上。基于这样的一种情况,我们设计了一个专门浏览香港雷达图的程序。     

基于小波分解和布谷鸟搜索算法的小波神经网络风速预测（英文）

风速预测是风电场运行和风电并网过程中的关键技术之一。由于风速序列呈现出明显的间歇性和波动性,使用单一模型进行时预测难以取得满意的结果。本文发展了三种混合多步预测模型,并将他们与已有的风速预测模型相比较。这三个模型结合了小波分解、布谷鸟搜索算法和小波神经网络,分别记为CS-WD-ANN,CS-WNN和CS-WD-WNN。研究采用中国山东省两个风电场的实测数据进行模拟试验和模型比较,结果显示CS-WD-WNN表现最佳,具有最低的统计误差。     

降雨量及叠加预测方法研究

为了得到精确度较高的降雨量预测值及其叠加预测精度,利用小波神经网络和NARX动态神经网络对降雨趋势和降雨量进行预测,并分析降雨量叠加预测值的误差.研究表明,小波神经网络分析的月降雨量多个变化周期以及总的变化趋势较为准确;NARX动态神经网络预测模型测试误差为0.21％,回归效果图的相关系数R为0.99993,回判和检验...     

CAST-LSTM：一种用于雷达回波外推的时空LSTM模型

基于循环神经网络的雷达回波外推算法的预报结果随时间逐渐模糊失真，同时难以预报强回波区域。针对上述问题，提出一种上下文融合和注意力机制的时空长短期记忆网络模型。该方法通过上下文融合模块充分提取雷达图像不同尺度的短期上下文信息；通过注意力模块拓宽预测单元的时间感受域，使模型感知更多的时间动态。以2019—2021年4—9月江苏省气象雷达数据为样本，通过试验对比分析，基于上下文融合和注意力机制的时空长短期记忆网络取得了更好的预测性能。在外推60min，阈值为10、20、40 dBz的条件下，临界成功指数和HSS分别达到0.7611、0.5326、0.2369和0.7335、0.5735、0.3075，有效提高了预测精度。     

深度学习模型TAGAN在强对流回波临近预报中的应用

近年来深度学习模型在解决对防灾减灾影响巨大且极具挑战性的临近预报问题的应用中日益增多。本文中,我们把临近预报作为一个时空序列预测的任务,将雷达反射率因子作为试验对象,使用基于对抗神经网络（GAN）优化构建的TAGAN深度学习模型预测未来1小时的雷达回波图像,并且与Rover光流法、基于卷积神经网络的3D U-Net模型进行对比试验。选取2018年全球气象AI挑战赛雷达回波数据集进行训练与测试,检验结果表明TAGAN模型在命中率（POD）,虚警率（FAR）,临界成功指数（CSI）以及相关系数等多种评分上要优于传统的光流法和对比的3D U-Net深度学习模型,TAGAN模型在以上的检验评分表现出色,并且随预测时间的增加较之传统光流模型效果更优,这为拓展和提升深度学习模型在临近天气预报中的应用提供了参考依据。     

基于卷积神经网络的雷电临近预警模型

从研究人工智能雷电临近预警模型的目的出发,以卷积神经网络模型为基础,结合多个时间序列的雷达产品(组合反射率、液态水含量、回波顶高)与闪电数据,对雷电临近预报方法进行基于卷积神经网络结构的应用,以福建省2017-2018年雷达、闪电数据为样本完成了模型的训练与预测研究.训练结果显示,15～30 min模型训练样本测试集准...     

粒子群-神经网络集成学习算法气象预报建模研究

针对BP神经网络在实际气象预报应用中,网络结构难以确定以及网络极易陷入局部解问题,提出一种基于神经网络的粒子群集成学习算法的气象预报模型,以BP算法为基本框架,在学习过程中引入粒子群算法,优化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络个体,以“误差绝对值和最小”为最优准则,采用线性规划方法计算各集成个体的权系数,生成神经网络的输出结论,以此建立短期气候预测模型。以广西的月降水量进行实例分析,计算结果表明该方法学习能力强、泛化性能高,能够有效提高系统预测的准确率。     

集成物理统计模型在南海夏季风预测中的应用

利用影响南海夏季风年际变化的主要气候现象厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation,ENSO）和对流层准两年振荡（Tropospheric Biennial Oscillation,TBO）相关的气候因子,提出了以过程判别函数确定物理过程的持续性,建立年际尺度的集成物理统计预测模型,而非年际尺度变率由经验统计模型预测,二者相结合,发展了集成物理-经验统计预测模型。经验模型在拟合时段的回报结果很好,但在独立样本预测时效果明显降低,其中预测评分（PS）降低了23%,距平相关系数（ACC）降低了63%;相比之下,集成物理-经验统计预测模型在独立样本预测时比经验模型有更好的预测结果（PS评分提高了9.5%,ACC提高了75%）,且预测结果相对稳定。此外,集成物理-经验统计预测模型对南海夏季风降水的空间分布也有一定预测能力。     

极端暴雨威胁下的城市内涝风险预警系统研究

传统内涝风险预报系统多基于单一降雨产品驱动城市水文水动力模型的模式,难以解决由于暴雨观测或数值模拟带来的不确定性问题。综合利用多源降雨（雷达、地面雨量计,地面雨滴谱）、积水观测数据,有利于提高内涝预报精度,改善风险空间描述。因此,为了进一步加强洪涝预测能力以更好地应对极端暴雨威胁,本研究提出了基于综合观测的城市内涝风险预警系统,并在北京市清河流域进行了初步实践和检验。该系统包含六个模块,融合了新兴的降雨积水观测技术,引入了主流的降雨临近预报方法,采用了成熟的城市雨洪模拟手段,可为道路交通提供实时的积水深度和风险等级,为城市内涝灾害应急管理提供内涝风险预测和预警产品。