人工神经网络在南京秋季短期降水预报中的应用

利用2002年10月2日—12月1日的HLAFS资料,计算得到组合因子,通过相关系数的检验得到预报南京秋季(10—11月)降水的组合预报因子。把这些组合因子和对应的降水实况输入人工神经网络中进行学习和训练,最后得到南京秋季降水的人工神经网络预报方法。检验和试预报结果表明,预报降水的准确率为70%～80%,高于HALAF模式10%～20%。     

数值预报产品在短期降水分级预报中的应用

和１９９４、９５年７－８月Ｔ６３数值预报产品，结合日本ＦＳＦＥ０２、０３资料，研制出东营市各站汛期短期降水分级ＭＯＳ预报系统。     

湖北省梅雨期分级降水预报试验

以武汉中心气象台日常业务降水预报项目为研究对象，选择梅雨期１２－３６小时预报时段，以灰色系统理论的生成函数为基础，运用灰色预测模型将ＬＡＦＳ模式等降水量预报集成，制作了武汉单站降水量分级（弱降水，中等强度降水和强降水）预报。运用回归分析方法，将ＬＡＦＳ资料的降水量预告场订正到湖北省５个自然区，制作湖北省区域降水分级预报。经过１９９３年、１９９４年准业务试验，获得了较好的效果。     

人工神经网络在温度和降水预报中的应用

利用人工神经网络的ＢＰ网络制作全省温度和降水预报。在作哈尔滨站温度预报时,选取实时高空、地面和欧洲温度场共１０个因子,一天２次发布未来２４ｈ预报。对哈尔滨站共作了１２个月的最高、最低温度预报。在作全省降水预报时,将全省分成８片,分别进行降水等级预报和暴雨有无预报;选用的是Ｔ１０６资料,选取２０个因子,对１９９８、１９９９年的温度和降水预报进行了检验和评分。     

综合指标方法在降水分级预报中的应用

利用１９９５年１月～１９９７年１２月国家气象中心的Ｔ１０６分析场资料,采用因子组合、相关分析等手段,确定与降水关系密切,且有、无雨分类较明确的物理量因子,将样本内每个因子由小到大排列后分段,计算各段上的降水频率,根据各物理量对降水贡献的大小,确定各因子的权重系数,将每个样本中的所有因子所在地庆的降水频率加权累加,得到一个综合降水频率值,通过历史拟合,确定降水ＴＳ评分最大的降水频率值为综合预报指标分     

人工神经网络方法在鹤壁汛期降水预报中的应用

在用经验统计方法和降水判别函数进行24h和12h晴雨预报的基础上，再用BP人工神经网络建立降水量级预报模型。经2003年汛期试用，预报准确率高于上级指导预报准确率，12h预报准确率高于24h预报准确率。     

人工神经网络方法在夏季降水预报虽的应用

在夏季雨型预报中引进了人工神经网络方法,首先,根据雨型与前期环流和海温的关系,从前期冬季资料场中找预报因子;然后,用人工神经网络方法对我国夏季的雨型进行模拟预报,以前４０年资料做训练样本,让网络在一定的学习规则下进行学习。     

运用人工神经网络作汛期降水预报

本文提出汛期降水预报的人工神经网络方法，并选择一组标样进行了具体分析，预报成功率达100％，结果表明，该方法性能良好，可望成为汛期降水预报的有效手段。     

江淮细网格数值预报产品在短期降水分片分级预报中的应用

介绍了福建泉州公路局乳化沥青站乳化沥青的生产工艺、设备安装及使用情况，对乳化沥青的经济效益进行了分析，认为阳离子乳化沥青对湿矿料具有较的吸附作用，在多雨的福建省尤为值得推广使用。     

多元判别与降水分级概率预报

以Bayes判别的基本原理为依据 ,利用分级降水客观概率预报方法 ,获得不同量级降水可能发生的概率 ,在淄博初夏分级分段降水预报中试用 ,取得了良好的效果 ,在实际工作中有较强的实用性。     

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。     

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。     

人工神经网络在天气预报中的应用研究

介绍了将人工神经元网络用于灾害性天气（暴雨）预报研究的情况，分析了天气预报问题的数学提法及困难所在，神经元网络用于天气预报的原理，暴雨预报的特点及我们对网络模型的改进。结果表明，神经风格确可通过学习从原始数据中提取足够的分类信息，达到较好的预报准确率，值得进一步研究。     

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h^-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具"潜力"的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。     

事件概率回归估计与降水等级预报

该文对比分析概率回归降水等级预报和回归降水等级预报的差异, 2007年秋季至2008年夏季全国平均检验结果表明:概率回归降水等级预报效果好于回归降水等级预报, 尤其是小雨预报, TS评分明显高于回归降水等级预报, 同预报偏差过大情况也有很大改善。进一步分析表明:回归降水等级预报方法在建立小雨预报方程的样本中, 少数较大降水量的样本方差占总方差的百分比过大, 导致预报方程中反映的预报量与预报因子的关系以少数大降水量样本为主, 是造成小雨预报空报过大的原因。与模式降水预报的对比分析表明:概率回归降水等级预报效果好于模式直接降水预报, 模式降水空报较大情况得到改善。     

一种神经网络的云图短时预测方法

依据6hT213数值预报产品的资料,采用EOF展开和人工神经网络等方法,对卫星云图短时预报方法进行研究。首先对卫星云图灰度值样本序列进行EOF展开,将提取出来的时间系数作为建模的预报量,以数值预报产品的物理量场作为预报因子,建立人工神经网络预测模型。将预报得到的时间系数与空间特征向量进行时空反演,实现对未来6h云图的预测。预报方法的独立样本试验证明,预测结果与实际云图的主要特征基本吻合,尤其在预测云图的大体分布和发展趋势上得到了较好效果。     

川西高原大雪人工神经元网络短期预报系统

采用初级预报模式结合人工神经元网络（ＢＰ算法）的方法,使用阿坝牧区大雪天气过程历史资料,研制了川西高原牧区大雪天气预报系统。利用９２１０工程接收到的数据资料,自动完成因子采集和结论输出,每次输出后,因子库自动增加新的因子,网络再次学习,从而进一步提高预报精度。     

一种改进的BP算法及在降水预报中的应用

传统BP（back propagation）算法在实际应用中具有网络结构参数和学习训练参数难以确定、泛化能力差、训练学习易陷入局部极小点等问题。该文在传统BP算法的基础上,提出一种改进算法,在训练过程中能自动确定各种参数,并避免陷入局部极小点,提高网络的泛化能力。利用2003—2005年5—9月中国国家气象中心T213的数值预报产品,通过动力诊断得出反映降水的物理量,然后从中挑选出与降水关系较好的25个因子,连同中国国家气象中心T213模式、日本气象厅业务模式和德国气象局业务模式相应的降水量预报结果作为预报因子。采用改进的BP算法建立江淮流域68个站24 h降水 (08:00—08:00,北京时）3个等级（降水量≥0.1 mm,降水量≥10 mm,降水量≥25 mm）的预报模型。通过对2006—2007年5—9月68个站试报结果表明：改进BP算法对降水预报的TS评分大大高于传统BP算法,也高于几种模式的降水预报结果,同时,改进算法使降水预报的平均空报率、漏报率明显降低。