支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法（SVM）,依据T213数值预报产品,对海口降水进行预报应用研究,结果表明：所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述，并依据常规观测资料选取预报因子，以经典统计预报方法的方式，利用svm方法，选取不同的核函数对德阳市雨量分类预报进行试验。Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力。     

用支持向量机方法作德阳降水预报

本文对支持向量机（svm）回归方法的基本原理作了简要的概述。用常规观测资料并依据预报人员的实际工作经验选取预报因子，采取经典统计预报方法的方式。利用svm方法，选取径向基作为核函数对德阳市各站日降雨量建立预报模型。     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述,并依据常规观测资料选取预报因子,以经典统计预报方法的方式,利用svm方法,选取不同的核函数对德阳市雨量分类预报进行试验.Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力.     

支持向量机方法在机场跑道视程预报中的应用

利用2004—2006年11月至次年二月的每半小时一次的自动气象站观测资料,分别建立了乌鲁木齐机场跑道视程大于800m和小于800m2个支持向量学习机(SVM)推理模型,并进行了跑道视程的预测试验,结果显示:对训练集的回报、对试验集的预报、对检验集预测的TS评分在48%～75%之间,较高TS评分表明:所建SVM推理模型对跑道视程具有一定的预测能力,可为跑道视程预测业务提供参考。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。     

支持向量机非线性回归方法的气象要素预报

该文介绍了基于基本的支持向量机非线性回归方法,该方法具有解决非线性问题的能力,在数值预报解释应用技术中,对某些预报量与预报因子之间相关性不显著的要素,如风、比湿等,采用支持向量机非线性回归技术较多元回归的MOS方法更具优势;利用北京市气象局中尺度业务模式 (MM5V3) 的12:00(世界时) 起始数值预报产品和观测资料,制作北京15个奥运场馆站点6~48 h逐3 h的气象要素释用产品。对比MM5V3模式,从均方根误差的平均减小率来看,2 m温度减小12.1%,10 m风u分量减小43.3%,10 m风v分量减小53.4%,2 m比湿减小38.2%。与同期的MOS方法预报结果相比,整体预报效果SVM略优于MOS。由此可见,支持向量机非线性回归方法解决与预报因子之间非线性相关的气象要素较好,具有较高的预报优势。     

支持向量机方法在天气预报中的应用

简要介绍了支持向量机方法(SVM)方法的基本原理和使用方法。用高空500hPa月平均高度、海洋温度以及地面资料作为因子，对西安6—9月份降水总量建立了SVM预报模型。     

支持向量机方法在山东山洪地质灾害预报中的应用试验

用支持向量机(SVM)方法根据T213数值资料和济南、淄博、泰安、莱芜4站的降水实况资料对山东山洪灾害多发的鲁中山区进行了降水分类预报试验。结果表明:多项式核和径向基核函数建立的模型较好地提炼了降水信息,都具有很高的预报技巧,客观性和实用性强,有很强的推广能力;用径向基核函数建的非线性降水分类模型优于用多项式核函数建立的线性降水分类预报,特别是资料减少时,非线性降水分类预报明显优于线性降水分类预报;低层大气湿度可能对线性降水分类有重要影响;建模时用的资料数据格式与实际业务中获得的数据格式应尽量保持一致。     

支持向量机方法在单站降水预报中的应用探讨

将武汉天空云量预报的81个预报因子运用到该站中等以上强度的降水预报中,基于SVM方法进行了交叉验证和预报试验。结果表明用81个预报因子建立的5～9月和全样本的降水预报模型有较好稳定性、且对降水都有正的预报技巧。因此天空云量的预报因子可以用来做降水的预报因子,同时也证明了这些预报因子在天空云量和降水预报中是协调的。SVM方法为天空云量和降水的预报提供了客观参考依据。     

用支持向量机方法作德阳降水预报

本文对支持向量机(svm)回归方法的基本原理作了简要的概述.用常规观测资料并依据预报人员的实际工作经验选取预报因子,采取经典统计预报方法的方式,利用svm方法,选取径向基作为核函数对德阳市各站日降雨量建立预报模型.     

支持向量机(SVM)方法在气象预报中的个例试验

SVM(Support Vector Machine)方法的基本思想是:通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间(Hilbert空间),在特征空间中寻求最优划分或回归线性超平面,从而解决样本空间中的高度非线性分类和回归等问题.利用1998～2000年9～11月T106-36小时预报的各种输出产品构造因子,以单站有无降水为预报对象,采用MOS法方式构造样本,通过训练建立了单站的晴雨SVM分类预报模型,利用1990～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料,确定关键区域,构造预报因子,以PP法方式构造样本,通过训练建立了四川盆地内单站气温的SVM回归预报模型,并进行了模拟试验,结果表明,无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了良好的预报能力.     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。     

支持向量机方法在冰雹预报中的应用

支持向量机（Support Vector Machines简称SVM）方法是近年发展起来的一种新的统计学习理论方法,本文通过对这一方法的学习,总结陇东主要降雹的环流形势特点,利用这一新方法对冰雹分类预报进行了探讨,经检验,效果较好。并与传统的天气分型后制作预报模式进行了比较,验证了SVM方法不需要进行天气分型,这样总样本数多,建立的预报模型效果好。这为基层台站制作天气预报模式提供了一种新方法和新思路。     

SVM方法与长江上游降水落区预报

在分析长江上游各流域面雨量的气候特征及面雨量与暴雨站数关系的基础上,依据SVM回归方法,利用面雨量和ECMWF 0 h资料,建立了面雨量的SVM回归方法预报模型,并对其进行了模拟试验.结果表明,SVM回归方法能运用于面雨量预报,并给出了依据SVM方法建立的流域面雨量实时业务预报系统的检验结果.     

支持向量机回归方法在实时业务预报中的应用

简要介绍了支持向量机(Support Vector Machine,简称SVM)回归方法的基本原理,并介绍了基于SVM回归方法,利用1990～2000年1～12月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料构造预报因子,建立德阳市5个代表站的日平均气温、日最高气温、日最低气温的SVM回归预报模型及其在业务化运用中的效果。     

SVM方法在武汉区域夏季暴雨预报业务中的应用

以2003～2006年ECMWF数值预报产品、Japan和T213降水预报场资料为基础,应用支持向量机（SVM）方法和CMSVM应用软件平台,通过对训练样本进行交叉验证和模型核参数的逐渐逼近,分区建立了武汉区域16,个区SVM24h暴雨预报模型,并在武汉区域5～7月进行实时业务应用。通过预报结果检验,5～7月武汉区域暴雨预报TS评分为33．59％,其中湖北省平均成绩为34．69％、湖南省平均成绩为34．15％、河南省平均成绩为31．71％。检验结果较好,表明SVM方法在区域性暴雨预报中具有一定的预报能力和参考价值。     

人工神经网络及支持向量机在降雨量预报中的应用

使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1h和3h预报的研究,并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6～7月的降水过程,比较了网络(文中指BPN、JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、强降雨区域和强度;使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明:网络和CCM对雨带和强降雨区域的预报比较准确,但是对强降雨中心位置和强度的预报与实况存在差异;在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响;预报的中小尺度结构与天气分析的结果一致;网络与CCM以及不同的网络之间的预报结果存在着差异;连续预报的结果表明,与CCM相比,网络对3h预报的效果优于1h的。     

处理非线性分类和回归问题的一种新方法 (Ⅱ)——支持向量机方法在天气预报中的应用

将SVM（Support Vector Machine）分类和回归方法首次应用于气象预报试验。利用1990~2000年4~9月ECMWF北半球的500 hPa高度、850 hPa温度、地面气压的00:00 UTC分析场资料，建立四川盆地分区面雨量有无大于15 mm的SVM分类推理模型、四川盆地内单站气温的SVM回归推理模型，进行相应的预报试验，试验结果显示对应的SVM推理模型具有良好的预报能力。