森林火险中期预报方法探讨

一、前言 目前国内森林火险的预报方法很多,可是这些方法多侧重于应用气象要素的实况值,代入方程(y=29.39-29.26x_1+1.76x_2等)求出火险等级。这些方程虽较好地概括了林火同气象因子的关系,但如要做预报,还必须将目前气象台站的气象要素预报值(如相对湿度、气温日较差等)代入。这种预报方法较适合于天气比较稳定、气象要素变化较小的北方。而南方天气多变,预报气象要素(特别是中期预报)相当困难,准确率低,由此做出的火险预报效果较差。因此,我们在探讨林火同气象因子的关系     

瑞金六月最高洪峰预报方法初探

为了做好汛期洪涝灾害服务工作,尤其汛期大水进城的重大预报服务,我们利用训练迭代法,制作了预测6月最高洪峰超警戒水位(191.0米)3米(大水进城水位)的预报方法.该方法拟合率为25/26,试报及预报准确率为10/10(见表1).现将该方法作一简单介绍.所谓训练迭代法,就是对m个因子x_i(i=1、2、…m)确定系数b_i(i=1、2、…m),并由此建立预报方程:y=b_0x_0 b_1x_1 … b_mx_m,式中x_0是为求取常数b_0而虚设的因子,令x_0=1,b_i是待定系数.     

分类逐步筛选相似预报

相似方法是目前天气预报,特别是中长期预报中广泛采用的方法之一。选相似有各种办法,我们采用了分类逐步筛选相似法,现介绍如下: 一、方法 设有p个因子:x_1,x_2,……,x_p,预报量为y,各有n次观测样本。问题是有了X°=(x_1°,x_2°,……,x_p°)’后,找出X_i=(x_(1i),x_(2i),…x_(pi))’(i=1,2,……p)中与其相似的样本(’表示转置)。 (一)相似标准 怎样才算相似,这是最基本的一个问题,我们认为,相似程度的确定应从大气运动的本质特征入手,建立恰当的数量表征,可称为相似指数,以g记之。g_(ij)表示样本X_i与X_j的相似程度。应有|g_(ij)|≤1。     

判别分析的非参数方法

分类问题是气象预报中的重要问题。判别分析的非参数方法是解决分类预报问题的一种方法。它不需要假定预报因子满足n维正态分布律;不需求解线性方程组;通常不需要估计预报因子的总体参数(数学期望、均方差等),故称为判别分析的非参数方法。一、基本算法若有n个预报因子的一组观测资料,它可以看作为n维空间的一个点,记为x={x_1,x_2,……x_n}。{}表示列向量。这个空间点与n维空间中的另一点Y={y_1,y_2,……y_n}的距离为:     

用“A.I.D”方法作梅汛期雨量预报

一、“A.I.D”方法简介设有k个因子x_1,x_2…x_k,预报量是y,于是n次观测的全部资料可写成如下矩阵: “A.I.D”方法的第一步,依x_i;(i=1,2,…,k)的大小顺序,把y的资料排成有顺序的k个资料序列。考察它们的最优二分割,最优二分割相应的总变差记为S_i(i=1,2,…,K)。比较S_1,S_2…S_k,找出一个最小的,设S_(il)=(?),这就是说依x_(il)。的大小顺序来对y作最优二分割,可以使分割后两组内部的变差总和达到最小。然后对S_(il)所对应的二分割作一次F     

用概率分布图作短期(24小时)晴雨预报

点聚图是我们在短期预报中经常使用的预报工具之一,但在制作点聚图时往往由于晴雨点子混杂难以分离,造成划分晴雨区的随意性,甚至很难划分出比较规则的晴雨区。在去年预报会战中,我们通过学习兄弟台站的经验,根据独立事件概率乘积P[x_1]×P[x_2]=P[x_1·x_2]的原理利用单因子的晴雨相关概率P[x_1],P[x_2]……算出二维概率分布图制作短期晴雨预报,收到了较好的预报效果。现以滕县站四月份概率分布图的制作和使用方法介绍如下:     

(九)A.I.D.的作图法

本讲介绍如何在图上进行A.I.D.的分类筛选预报,它的优点是避免了计算,利用和天气预报中常用的点聚图方法相类似的画法,就可以作出预报。现用一个实例来说明。 考虑长江中下游汉口、九江、芜湖、南京、上海五站平均5—8月降水总量(y),选用了1952—1976年25年资料用五个气象要素作为因子。 因子:x_1是一月0—150°E,45—65°N的纬向指数I_z, x_2是一月份欧洲大型环流型C型天数, x_3是一月份长江流域六站降水量∑R_1月, x_4是一月份长江流域六站温度∑月,     

对目前概率统计预报中有关因子挑选和组合的几点讨论

一、多因子线性回归分析的不合理性和逐步回归挑选因子的弊病在利用气象要素前后期的相关关系的预报中,多因子回归分析是目前采用较多的一个概率统计预报方案。所熟知的数学模型是:Y=a_0+a_1X_1+a_2X_2+……+a_nX_n+8这里包含了几项重要的假定:1.各预报因子 x_1,x_2,…,x_n 之间彼此线性无关;各预报因子均独立地对     

国外谷类作物产量预报方法

近年来,国外对谷类作物产量预报方法的研究较为重视。本文就美、加、日、西德等国在这方面的研究做一扼要介绍。北美美国和加拿大这两个国家有不少研究人员作了气象因子对小麦产量影响的研究工作。 L.M汤普森研究了天气条件对美国五个州(黑钙土和栗钙土)的春小麦产量的影响,绘制出每一州产量的变化曲线图(1931-1961年),分析了产量因生产技术的改进而增长以及因天气条件而变化的情况。回归分析结果表明,在计算产量时,非线性方程计算的结果准确性高,最后,汤普森提出了春小麦州的平均产量(y)与3月-8月的总降水量(x_1)以及与全州的4、5、6和7月的平均降水和平均气温(分别以x_2,x_3,x_4,x_5,x_6,x_7,x_8 x_9表示)相关的二次方程式。     

简单投票法预报病虫害高峰期

作物病虫害的发生发展与气象条件有密切的关系。在资料年代较短的气象站,如何用前期气象条件来预测预报病虫害的发生蔓延,我们做了些简单尝试。下面用预报水稻三化螟成虫高峰期为例,说明我们的作法。 1.要素和预报对象分级 把本站主要气象要素分为“ ”,“-”两级,可以按距平值来分,也可以按把历史资料各占一半的某临界值来分。把历年三化螟成虫高峰期也按迟、早分为“ ”、“-”两级。 2.普查相关因子 用预报对象(y)普查各气象要素(x_1……x_n),找出历史相关机率达75％或以上的相关因子。为使找出的相关因子比较稳定,至少要统计5年以上的历史     

黑河地区玉米地膜覆盖节水增产灌溉制度的数学模型

通过一年的试验,初步得出参试各变量x_1(灌溉定额)、x_2(灌溉次数)、x_3(头水叶龄)和x_4(保苗株数)对产量y的多元回归模型。利用这一模型分析了各参试因子对产量的作用,并通过频数分析,筛选了地膜覆盖条件下玉米高于某一产量指标,同时限制灌溉定额或灌水次数的节水增产的优化措施组合。本文还分析了参试因子对玉米产量构成因素的影响,评价了地膜的节水效果和增温增产效果,初步探索了地膜玉米的节水增产机理。     

MOS预报业务化试验中若干技术问题的处理

一、前言 随着数值预报的发展及输出产品的增加,MOS预报试验研究不断的深入并应用于业务预报上。近年来,我们也积极进行了MOS预报业务化的尝试。实践中我们体会到,MOS预报必须符合简便、迅速、准确的原则,才能在预报第一线站住脚,否则这种方法再好也只能成为墙上的画,镜中的花。为此,我们对预报对象、因子的选取进行了必要的技术处理,并在实际应用中取得了较好的效果。 二、建立预报模式时的技术处理 1.y量的处理 在进行晴雨预报时,一般将雨量y作0,1化处理,晴天取0,雨天取1。我们假设y随因子x线性单调地变化,当x小于某一数值时,y始终是0;一旦x超某一临界值,y明显地随x而变化。y由恒为0突变到随x变化的现象,反映了这两段具有不同的函数关系。     

试用PRESS准则选择预报因子

一、引言在长期天气统计预报中,如何选出预测能力较强的预报因子是一个非常重要的问题。逐步回归方法实质上是一种选取因子的方法,但是在实际使用中有不足之处:(1)有时控制选入因子的F_1或剔除因子的F_2稍有变动,其选取的因子就会出现较大的变化,似乎没有一个客观标准,最终还是靠主观判断来选择回归方程。(2)逐步回归方程主要考虑拟合的好坏,而拟合的好坏不能完全反映预测能力。为了克服上述不足之处,提高方程预报能力,本文采用了预测平方和PRESS准则来选取预报因子,在合理选择预报因子上作一些初步尝试。     

多预报量双重筛选逐步回归

一、引言 回归分析在长期天气预报中应用十分广泛。逐步回归是回归分析中效果较好的方法之一,逐步回归可以避免引入强相关变量所导致的求解的困难。 在长期天气预报中经常要同时制做P个站点的预报(即:多个预报量y_1、y_2…y_p),采用相同的M个预报候选因子(即:M个预报因子X_1、X_2…X_M)。对每一个预报量y_i可以分别应用逐步回归来筛选这M个因子建立预报方程:     

微型计算机气象应用程序目录选载(二)

1.多维(星座)图应用程序 多元变量经过合理变换后,可在复平面上把图形打印出来,间接表征多维空间图象,是多元分析的一种综合方法。本程序用FORTRAN6语言编写,FOR文件占内存8K字节,COM文件占23K字节。(安徽省气象科学研究所) 2.“万用点聚图”计算机语言(FORTRAN4)程序(1)可制作二维坐标图,供分析使用;(2)依据预报因子制作二维点聚图,作为预报工具;(3)一次输入多项指标,可控制给出任意两组合或全部因子成对组合的点聚图。经过分析可以从中挑选少数较好的点聚图使用。(安徽省气象科研所)     

隆冬气温与春播期冷暖

通过资料分析我们发现,春播期的冷暖与隆冬温度关系密切。我们以此思路建立的预报工具,经过7年的实践检验,预报效果稳定,现介绍如下: 我们通过对本地育秧历史的调查和单站资料分析,用日平均气温稳定(五天滑动)通过12℃日期的迟早(x_1)和4月上旬旬平均气温的高低(x_2)两个因子,采用组合编码(见附表)来划分历史上春播期冷暖年(取编码和≥0为暖年,<0为冷年)。     

用PC——1500袖珍计算机筛选统计预报因子的几种方案

无论是经典统计预报方法还是动力一统计预报(MOS,PPM等)方法,筛选预报因子都是一个重要步骤。下面是用PC-1500袖珍计算机筛选预报因子的几种方案。这几种方案,在输入预报量的观测值及筛选因子的标准后,只要将待选的各个可能预报因子的观测值依次输入,即可初选出符合指定标准的预报因子,并可给出供进一步筛选因子和建立预报方程的有关统计结果。     

汉中市汛期降水分级分县T213释用方法

利用 T2 1 3数值预报产品制作汉中市汛期降水分级分县预报 ,对 2 0 0 2 -2 0 0 3年 5 -1 0月T2 1 3数值预报格点场进行每个站点相关因子资料插值后 ,与同期的降水实况做了对比统计分析 ,确立每个站点降水量级与选用因子的临界指标值 ,再用多因子概率权重、 3 0 a各降水量级出现的气候概率和 T2 1 3数值预报对汉中市各个站点进行解释预报。应用表明 ,方法对 T2 1 3数值预报有一定的订正效果和较高的实用价值     

残差分析在天气预报中的应用

一、引言在统计预报方法的数值模拟中,回归分析是使用非常普遍的一种方法。其基本原理是将预报量和预报因子按最小二乘法原则进行拟合,即要求预报量的数学估计值与实际值之差(称为残差)的平方和达到最小。这种方法的优点很多(许多文献都已介绍)但其不足之处主要有二点:     

择优录用MOS春播预报方程

本文用日本发播的中期预报图FEAS09-19和FEAS509-19中的资料从多个预报方程中,选择最为理想的一个在实际中应用。 所用的是82—85年四年资料,86年是预报的年份。 一、选取预报因子 先用82-83二年的资料进行因子普查。取95—115°E、25—40°N为关键因子区,以5个纬距,2.5个经距划分网格点进行读数,这样每张图共有36(4×9)个格点的数据。FEAS09-19(地面图)读的是气压(P)预报值;FEAS509—19(高空图)