人工神经网络方法在降水量级中期预报中的应用

将人工神经网络方法与统计方法相结合，采用分步预报的方法，首先用经验统计方法进行晴雨预测，再用BP人工经网络建立降水量级预报模型，探讨神经网络方法在中期降水预报的应用，试验表明，神经网络方法能提高中到大雨降水量级的中期预报能力，但对暴雨的预报不理想。     

高血压病发病率预报的人工神经网络方法研究

通过统计分析，选取影响银川地区高血压病发病率的主要气象因素，将其作为输入变量经多层前馈型神经网络的BP(Back Propagation)算法进行学习训练，建立了疾病发病率的人工神经网络(ANN，Artifical Neural Net)预报模型。结果表明：该方法计算简便、误差较小，为疾病发病率预报提供了一种新的预报方法。     

人工神经元网络方法在沙尘暴短期预报中的应用

使用人工神经网络方法建立了我国沙尘暴短期预报模型 ,该神经网络模型的输入因子是几个物理量场REOF展开的一些时间系数 ,输出为我国有无沙尘暴。结果表明REOF展开技术和人工神经网络方法两种方法的结合对于预测沙尘暴是可行的。     

甘肃省降水神经元网络预报系统

利用Ｂ－Ｐ神经网络原理,建立了以多数据库为支撑的甘肃省降水神经元网络预报系统。经过试运行发现,该系统具有客观定量化、系统化、业务实用化以及预报效果较好等特点。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

一种基于特征的人工神经网络数字识别系统模型

在进行神经网络方法的数字图像识别研究时，针对数字图像的复杂性、神经网络输入数据量巨大和学习收敛速度慢的情况，提出了基于特征的神经网络数字识别方法。设计提取了13个结构特征以组成一个13维的超空间，对13维的超平面空间的整个识别过程采用了神经网络聚类方法(其中聚类数为10)，并利用数学软件MATLAB强大的矩阵运算能力和C语言高效的代码实现了数字识别系统模型。实验结果表明，在特征差异不十分明显的情况下，识别时间和识别率仍令人满意。     

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。     

人工神经网络在梅雨期短期降水分级预报中的应用

将人工神经网络应用于南京夏季梅雨期短期降水分级预报。根据梅雨期天气特点,用统计和动力学方法从HLAFS（高分辨率有限区域预报系统）资料中寻找预报因子;然后分别用两种方法选取输入因子对人工神经网络进行训练,并分别利用抽取的五天做降水分级预报检验。通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现：与HLAFS降水预报相比,降水预报准确率由原来的66．7％提高到88．2％,漏报、错报明显减少;与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高。     

人工神经网络在感热通量计算中的应用

感热通量计算方法的研究是边界层研究中最重要的内容之一。基于中日JICA计划项目中青藏高原东缘四川盆地温江站的边界层铁塔观测资料初步研究了使用人工神经网络(ANN)计算边界层感热通量的方法,并将ANN和经验公式法计算得到的感热通量分别和真值作相关和误差分析。对2009年4月和5月的两个个例研究的结果表明:ANN计算结果和真值的相关性都高于经验公式法且趋势变化和真值更加吻合,ANN计算的2009年4月的感热通量与真值的均方根误差(RMSE)稍大于经验公式法,但2009年5月的RMSE明显小于经验公式法。     

人工神经网络技术发展及在大气科学领域的应用

20世纪80年代以来，人工神经网络技术在理论和应用研究方面有了快速的发展，并在众多学科领域取得了大量的应用研究成果。文章首先概述了国外有关人工神经网络理论研究发展的主要过程及我国开展神经网络理论和应用研究的状况。重点介绍了国内外大气学科中，关于神经网络方法在中、短期天气预报，短期气候预测，农业气象，空气污染预报，卫星云图识别以及气象观测资料处理等许多方面的应用研究工作。并且也进一步介绍了有关神经网络气象预报建模研究的关键技术一过拟合，网络结构问题的研究工作以及模糊系统理论与神经网络相结合的模糊神经网络，遗传算法与神经网络相结合的气象预报建模的最近研究工作。     

登陆台风站点大风预报的人工神经网络方法

利用数值预报格点资料预报登陆台风影响时,沿海地区站点风的预报是各站点的定时二分钟风向风速。通过对MICAPS站点资料进行整合、分析,选取了沿海地区400多个资料比较齐全的站点和海岛站作为预报站点。用NCEP再分析场的格点资料做相关性分析,选定9个预报因子。运用BP网络对每个站点分别建立纬向风和经向风人工神经网络模型,拟合风速的绝对值误差是1.3 m·s~(-1)。独立样本检验,风速绝对误差在2 m·s~(-1)以内。     

月降水量的神经网络混合预报模型研究

以均生函数表征预报量自身周期变化，结合500hPa月平均高度场和月平均海温场预报因子，采用神经网络方法建立了一种新的短期气候预报模型。分别以广西桂北、桂中和桂南6月降水量作为预报对象进行预报试验，结果表明，这种新的预报方法比均生函数回归预报模型及高度场、海温场预报因子的回归预报模型，具有更好的物理基础和预报能力。     

气象要素在电力负荷预测中的应用

综合应用人工神经网络、模糊理论等智能技术,着重考虑天气因素对电力负荷的影响,确定了一种有效的电力系统短期负荷预测方法。并应用陕西省9个地市1998-2001年的逐日8个气象要素以及对应的逐日电力负荷值,对陕西省电力负荷进行训练和预测。研究结果证明这种方法能较大地提高日负荷预测的精度。     

神经网络方法在静止卫星多通道资料估算降水中的应用

使用人工神经网络 (ANN)模型探讨了利用静止卫星多通道资料估算地面降水的一种新方法 ,对淮河和长江典型区域 (2 4～ 3 6°N ,1 0 8°E以东 )一次暴雨过程的卫星遥感数据和地面水文站逐时降水资料的应用分析表明 ,该方法提供的客观定量的降水量估算的平均相关系数为 0 57,较现行业务使用的方法效果更佳     

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象，采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解，有效浓缩数值预报产品因子的预报信息，并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验，并与T213的降水预报进行对比分析。结果表明，本文建立的3个区域日平均降水量神经网络预报模型，在预报性能上明显优于同期的T213降水预报。     

蓄满-超渗兼容模型与神经网络模型的应用对比研究

利用鲇鱼山水库1975-1999年的小时降雨、蒸发和入库洪水资料,对建立的蓄满一超渗兼容模型与人工神经网络模型参数进行了率定和检验。分析结果表明,整体上两个模型的率定和检验结果都在评定精度以内,合格率分别为72．22％与83．33％,具有一定的可靠性与预测性。蓄满-超渗兼容模型在整体流量相对误差上要优于神经网络模型;在单场洪水过程及洪峰误差与峰现时差上,神经网络模型模拟得更准确。因此,蓄满-超渗兼容模型较神经网络模型更具有水文基础及物理意义,并且可以作中长期预报。     

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...     

人工神经网络算法在红外高光谱资料反演大气温度廓线中的应用

基于红外高光谱大气探测器AIRS实况观测资料,尝试用人工神经网络算法来实现晴空时大气的温度垂直廓线反演,重点将该算法与目前已经发展比较成熟的特征向量统计反演算法进行比较。结果表明,两种算法在计算时间效率和反演精度上相当。鉴于人工神经网络算法的统计物理本质,误差反向传播BP神经网络可以求解非线性问题,在优化训练样本和继续调试网络种类和网络参数的基础上,有望能进一步提高反演精度。     

Applying Artificial Neural Networks to Modeling the Middle Atmosphere

An artificial neural network (ANN) is used to model the middle atmosphere using a large number of TIMED/SABER limb sounding temperature profiles. A three-layer feed-forward network is chosen based on the back-propagation (BP) algorithm. Latitude, longitude, and height are chosen as the input vectors of the network while temperature is the output vector. The temperature observations during the period from 13 January through 16 March 2007, which are in the same satellite yaw, are taken as samples to train an ANN. Results suggest that the network has high quality for modeling spatial variations of temperature. Quantitative comparisons between the ANN outputs and those from the popular empirical NRLMSISE-00 model illustrate their generally consistent features and some specific differences. The NRLMSISE-00 models zonal mean temperatures are too high by ～6 K--10 K near the stratopause, and the amplitude and phase of the planetary wave number 1 activity are different in some respects from the ANN simulations above 45--50 km, suggesting improvement is needed in the NRLMSISE-00 model for more accurate simulation near and above the stratopause.