广西春播期降水量预报方法研究

对广西春播期降水量序列利用3种时间序列分析法,通过相关系数与符号相关结合选取因子,建立了6种回归方程,试报结果表明:多因子场序相关相似法有较可信的结果;在逐步回归预测方法中,多因子逐步回归优于单因子场逐步回归;集成预报的结果明显好于单一方法的结果.而在组合计算预报因子中,用500hPa高度场、海平面气压场的滑动块状平均场作为基本因子,不仅符合降水发生所应具有的天气形势的系统性和稳定性,给自动化编程也带来方便.     

主分量逐步回归法在桂东南低温阴雨预报的应用

在桂东南低温阴雨天气的特征和类型研究的基础上,应用气候场的主分量逐步回归方法,通过多个气候场的主分量因子相关分析筛选,求得低温阴雨场主分量与高度场、海温场、环流指数以及副高面积指数等因子场主分量之间的联系,而后进行逐步回归预报.     

主分量逐步回归法在桂东南低温阴雨预报的应用

在桂东南低温阴雨天气的特征和类型研究的基础上，应用气候场的主分量逐步回归方法，通过多个气候场的主分量因子相关分析筛选，求得低温阴雨场主分量与高度场、海温场、环流指数以及副高面积指数等因子场主分量之间的联系，而后进行逐步回归预报。     

基于均生函数的EOF迭代温度长期预报

本文用单站温度时间序列的均生函数周期延拓序列拓展预报因子,然后进行EOF迭代温度预报试验,并与主分量、逐步回归筛选方案建模法的预报结果进行比较,初步表明:这种预报方法充分地利用了要素序列与其优势周期的主要相关信息,它具有一定的预报能力。     

用北太平洋海温场资料制作月降水量预报

使用东营市1963-1996年逐月降水量资料和1962-1996年北太平洋海温资料，采取滚动式相关分析方法，建立了备选因子集。另外，应用逐步回归、最优子集回归、人工神经元网络、多因子EOF迭代等四种统计方法，分析了东营市月降水量与北太平洋海温场的关系。结果表明：东营市月降水量与北太平洋海温场存在显著相关；采用四种统计方法制作东营市月降水量预报，其预报效果均较好。     

典型相关分析在台风路径预报中的应用

本文通过对500hPa上的五个因子场分别与台风中心未来48小时和60小时经纬度的预报量场进行典型相关分析,求出由各因子场组成的典型变量,以此作为预报因子,再结合经实践证明预报效果较好的天气学经验因子,用逐步回归方法建立台风中心未来48小时和60小时的路径预报方程。通过对历史样本的拟合和实际试报,表明该方程的预报能力有明显的提高;典型变量权重系数的地理分布与因子场的天气学意义基本吻合。      

影响广西热带气旋年频数的神经网络预测模型

利用人工神经网络方法，结合均生函数和逐步回归分析方法对影响广西的热带气旋年频数序列进行神经网络的预测模型研究，该模型既考虑了预报量自身显著周期变化，也考虑了海温场，高度场等因子对预报量的影响，给预报检验，考虑多种影响因子的预测模型比只考虑单一影响因素的预测模型效果好。     

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:     

用逐步回归模型预测肇庆市汛期降水

用逐步回归方程对肇庆6县(市)分县汛期降水做预测，选取北半球500hPa高度场和太平洋海温场的若干个主分量作为因子(共1748个)。这些因子包含着气候背景场的主要信息，通过对预报量和预报因子群的相关筛选，选取相关系数最大的因子建立逐步回归模型。结果表明：所建立的预报方程的复相关系数高，对肇庆汛期降水预报效果好。     

澳门单站气象资料变化趋势的预报模型之比较

以澳门单站年和四季降水和温度两个气象要素的气象资料(1952~2001年)为主要研究对象,利用3种统计预报模型(谐波分析外推模型、开环门限自回归模型和主分量因子的逐步回归模型)进行拟合及试报,对澳门的降水及温度的变化做较深入的分析及预测,比较3种统计预报模型在研究澳门单站气象资料的变化趋势中的优劣。结果发现,3种预报模型在预报年和四季平均气温的方面都比较理想,但对降水量变化序列做拟合及试报则差异较大。总体而言,气候场的主分量逐步回归法对相同的气候资料建模做拟合及试报,结果拟合率是三者中最高的,复相关为0.821~0.911,预报效果除秋季较差外,其余都非常好。     

试用非线性预报方法预报辽宁夏季气温和降水

一、前言过去在长期预报的统计分析中大部分采用相关分析方法,找出相关较好的关键区,如要做定量的预报,则找出相关较好的预报因子,用逐步回归的方法建立预报方程,但是这里的相关分析及建立的逐步回归预报方程都是线性的,而实际上预报量与预报因子的关系是非线性的。因此,线性相关分析方法是不适合实际的,用线性预报因子建立起来的预报方程也必     

广东冬季水资源的预测和因子背景场分析

为预报广东冬季水资源量,利用500hPa高度场和太平洋海温场作为气候变化的相关因子场,并应用了主分量逐步回归预测模型进行了计算。利用各标准化主分量的预测结果,按照主分量逐步回归模型进行回算得到预测场。结果表明,2004年和2006年预测结果与实况比较相似;2005年冬季水资源预测值和实测值分布相差较大。为了分析预测因子的影响,对进入广东冬季水资源场前4个主分量预测方程的因子进行分析,并对个别关键因子的背景场做了细致的研究。     

用T63及日本数值预报产品制作汛期降水预报

该文利用Ｔ６３Ｌ１６和日本数值预报产品，采用相关分析方法提取典型因子场，再由典型因子场选点求取平均场及极值场，用逐步回归法制作黄河三角洲地区汛期降水预报，试用效果较好。     

预报因子选取及方程建立人机交互平台

利用计算机技术,将预报因子选取、方程建立和样本拟合融为一体,建立了预报因子选取及方程建立人机交互平台。该平台包括文件信息,因子初选和回归分析三个模块:(1)文件信息模块主要是读取预报对象文件和预报因子文件,显示并检查文件头信息样本长度的一致性;(2)因子初选模块主要是计算各气象要素或物理量场中每个格点因子与预报量之间的相关系数,构成各相关场,分析这些相关场及其关键区域,从中筛选出组合因子;(3)回归分析模块是对选入的组合因子与预报对象进行逐步回归计算,建立预报方程,并根据回归方程参数和样本拟合率,通过改变因子引入和剔除标准来调整回归结果。     

统计预测方法的试验比较

通过相关系数选出预报因子,用逐步回归、最优子集回归、EOF降维逐步回归、神经网络等统计预报方法对预报对象进行逐年交叉检验以及实际预报检验,检测预报因子对原预报序列的预报能力。同时通过计算每种方法的平均绝对误差和实际预报检验的平均误差,客观地对各种预报方法进行既有纵向也有横向的较为全面的比较。     

一种制作气象要素预报的MOS方法

介绍了基于MM5模式的预报气象要素的一种MOS方法 ,并对预报效果做了初步检验。MOS方法直接利用MM5模式的预报产品 ,采用多点滑动平均普查因子方法和多元线性 (非线性 )逐步回归方法 ,可以同时预报多地点、多时次、多个气象要素。其中采用的多点滑动平均普查因子方法 ,减弱甚至消除了由于随机原因造成其中单点相关因子的不稳定性     

利用最优子集回归作鲁南夏季降水量预报

通过普查北半球５００ｈＰａ、１００ｈＰａ月平均高度场与鲁南夏季降水量的相关，选取相关信度达到０．０５的相关区的格点平均高度值作为预报因子，利用最优子集回归建立鲁南夏季降水量预报方程，并投入业务运用，通过与逐步回归方法比较得知，最优子集因归比逐步回归具有更好的预报效果。     

统计预测方法的试验比较

通过相关系数选出预报因子后,用逐步回归、最优子集回归、EOF降维逐步回归、神经网络等统计预报方法对预报对象进行逐年交叉检验以及实际预报检验,检测预报因子对原预报序列的预报能力。同时通过计算每种方法的平均绝对误差和实际预报检验的平均误差,客观地对各种预报方法进行既有纵向也有横向的较为全面的比较。     

一种制作气象要素预报的MOS方法

介绍了基于MM5模式的预报气象要素的一种MOS方法，并对预报效果做了初步检验。MOS方法直接利用MM5模式的预报产品，采用多点滑动平均普查因子方法和多元线性(非线性)逐步回归方法。可以同时预报多地点、多时次、多个气象要素。其中采用的多点滑动平均普查因子方法，减弱甚至消除了由于随机原因造成其中单点相关因子的不稳定性。     

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。