神经网络模型在预报湖北汛期降水中的试验

该文使用湖北省10个气象代表站汛期前期逐月降水量及逐月平均的太平洋海温、北半球500百帕高度场和海平面气压场资料,分别建立了湖北汛期总降水量的神经网络预报模型.该模型在1999年汛期的试验结果表明,其对湖北汛期总降水量的预测有一定效果.     

汛期短期气候预测月降水量预报方法研究

分析5、6、7月逐日气压、气温实时观测资料的一级变量与6、7、8月降水量的相关关系,寻找出4类降水过程预报模型和12个预报指标;确定同时满足预报模型和预报指标的日期为预测未来30±2天将出现日雨量≥10mm的降水过程的起报点;由模型和指标集成结果的月合计值得出月总降水量的预报结论。在业务应用中预报效果很好。     

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。     

深层地温在武汉市汛期降水趋势预报中的应用

在对武汉市近30多年汛期雨量资料和1971年以来不同深度的地温资料进行统计的基础上，运用气象统计学原理和方法，对各深度层地温和汛期雨量进行相关分析，进而选用显著相关因子建立汛期雨量预报的多元回归方程，用所建立的预报方程对1991～2000年汛期雨量进行了回代检验，并对2001-2004年汛期雨量作了试报，其效果均较好。     

辽宁汛期降水模糊聚类分析

运用1957～2000年辽宁24个测站的月降水资料，对辽宁汛期降水进行模糊聚类分析，将汛期降水异常分成若干相关较好的区域，并进行了信度检验。     

月动力延伸预报产品在阿勒泰地区预报中的应用检验

利用2005年7月—2009年12月阿勒泰地区7个气象观测站逐月和旬的降水和温度实况资料、国家气候中心制作的月动力延伸预测模式的图形资料,采用预报评分法(P)和距平符号异同评分法对内插预测结果进行检验。结果表明:月动力延伸预报产品对各月温度距平同号率要明显高于降水距平百分率预报与实况同号率,对各月温度距平的预报评分比较稳定,而对各月降水距平百分率的预报评分差异较大。     

湖北省短期温度预报的神经网络方法应用研究

利用欧洲中期天气预报中心的５０ｈＰａ高度场、８５０ｈＰａ温度场,海平面气压场和地面报文资料,采用人工神经网络方法建立了湖北省７６个县（市）气象台站短期最高和最低温度的预报模型。经１９９９年９～１１月试验发现,该模型预报效果较好,特别是在气温较大的强冷空气爆发过程中的预报效果比一般线性预报方法更佳。     

吉林省夏季降水量潜在可预报性估计

短期气候预测的主要对象是气温和降水的月、季平均量和总量,需要做预报是因为它们有年际变率,但是年际变率究竟有多少是可以被预报出来的呢？通常情况下将总的年际变率划分为主要来源于大气下边界条件持续性外源强迫引起的可预报成分和由于大气内部不稳定性产生的日际天气振荡引起的不可预报成分,前者称气候信号,后者称气候噪声,我们用两个成分的方差之比给出潜在可预报性的测度。本文用低频白噪声延伸法估计了吉林省夏季（6～8月）降水量潜在可预报的气候信号方差和天气噪声方差。结果表明,我省各地均存在潜在可预报性信号。以绝对误差小于均方差0．68倍做为预报正确的标准,我省70%的站预报正确率上限达60％以上。     

基于偏最小二乘法的前汛期月降水量预测方法

采用偏最小二乘回归建立了前汛期(4-6月)月降水量的预测模型,其中模型的输入因子是通过对3个前期月平均物理量场(海温场、500 hPa温度场和200 hPa高度场)大量的场相关因子采用系统降维的处理方法获得.为实现同时对多个站点的月降水量预测,将多站点的月降水量预测转换成多站点气候场的主分量预测,进一步利用气候场特征向量的近似不变性进行回算,从而得到多站点的逐站月降水量预测结果.对广西37个基本站的前汛期月降水量进行了6年独立样本检验,其预报结果显示该模型具有较好的预报能力.     

均生函数模型在高原汛期降水预报中的应用

以均生函数为基函数,建立了正交化、主成分和最优子集回归三类预测模型。对云南昆明、滇中（包括昆明、玉溪和楚雄）及西藏林芝的汛期（６￣８）降水进行了模拟和预测、其拟合效果,特别是对极值的拟合十分理想。结果表明：在高原地区,均生函数模型预报降水具有较高的精度,拟合报准率和实际报准率分别为９７％￣１００％和６０％￣８０％,且具有多步预测能力。     

人工神经网络预报模型的过拟合研究

针对神经网络方法在预报建模中存在的“过拟合”(overfitting)现象和提高泛化性能 (generalizationcapability)问题 ,提出了采用主成分分析构造神经网络低维学习矩阵的预报建模方法。研究结果表明 ,这种新的神经网络预报建模方法 ,通过浓缩预报信息 ,降维去噪 ,使得神经网络的预报建模不需要进行适宜隐节点数的最优网络结构试验 ,没有“过拟合”现象 ,并且与传统的神经网络预报建模方法及逐步回归预报模型相比泛化能力有显著提高     

人工神经网络方法预报长江上游流域面雨量的探讨

利用1998～2000年3～11月长江上游六大流域逐日降水实况和MAPS、T106(T213)、欧洲中心等数值产品资料，采用人工神经网络方法，建立了六大流域强降水面雨量等级预报模型。并于2002年6～9月进行了业务试验。     

热带气旋路径人工神经元预报方法对比试验研究

分别对具有动量项BP、LM、RBF人工神经网络建立36、48、60、72小时的热带气旋路径预测模型,各用100个独立样本进行预测检验,分析了网络"学习好,预报差"的原因,解决这一问题的关键是选择合适的网络结构参数、相应的学习算法和合适的预报因子,并总结了合理应用人工神经网络建立预测模型的经验.针对人工神经网络模型不具有自动选取因子的功能,给实际应用造成困难,提出了基于RBF的逐步选取因子的算法,并进行了对比试验,表明该方法具有较高的实用价值.     

模块化模糊神经网络的数值预报产品释用预报研究

综合应用预报量自身时间序列的拓展,数值预报产品和模块化模糊神经网络方法,进行了一种新的数值预报产品释用预报研究。将这种新方法与常规的数值预报产品完全预报(PP)方法进行了对比试验。结果表明,这种模块化模糊神经网络数值预报产品释用预报方法比PP预报方法的预报精度显著提高。并且,通过对预报模型“过拟合”现象的研究发现,这种模块化模糊神经网络的数值预报产品释用预报模型具有很好的泛化性能。     

B—P算法在青海省降雨分区分级预报中的应用

选用０８：００（北京时）常规资料和数据预报产品作为预报输入资料，将关键区要素场作贝雪夫多项式展开，取车贝雪夫系数作为预报因子，由Ｂ－Ｐ神经元网络进行训练，分别建立了全省各片未来２４ｈ内有，无≥５，１０和２５ｍｍ降水天气过程的人工神经元降水分区预报系统，从学习结果看，历史概括率均达９５％以上，１９９４和１９９５年６，７，８三个月的业务试报，效果较好。     

STUDY ON MIXED MODEL OF NEURAL NETWORK FOR FARMLAND FLOOD/DROUGHT PREDICTION

The paper concerns a flood/drought prediction model involving the continuation of time seriesof a predictand and the physical factors influencing the change of predictand.Attempt is made toconstruct the model by the neural network scheme for the nonlinear mapping relation based onmulti-input and single output.The model is found of steadily higher predictive accuracy by testingthe output from one and multiple stepwise predictions against observations and comparing theresults to those from a traditional statistical model.     

基于BP神经网络的汛期降水预测模型研究

采用误差反传前向网络（简称BP神经网络）建立汛期（6-8月）降水预测模型，并与采用逐步回归方法建立的模型进行对比试验，结果表明，基于BP神经网络的汛期降水预测模型不仅对历史样本的拟合精度更高，而且其独立样本的预测检验效果也比逐步回归方法更好，是一种具有一定应用前景的汛期降水预测方法。     

ENSO现象与甘肃省夏季降水

本文利用1958—1986年共29年甘肃省31个测站的夏季(6—8月)降水资料,运用自然正交函数方法进行展开。分析了展开后降水的空间分布特征与第一时间系数的变化规律,並与ENSO现象相对照,发现在ENSO现象发生之年甘肃夏季中部和陇东南降水明显偏少;而在ENSO现象次年夏季降水全省明显偏多。     

基于客观分析的重庆雾的BP神经元网络预报模型研究

本文利用数值预报产品、TTAA报文观测资料及重庆雾(能见度)的实况资料,采用客观分析方法将相关资料处理成二维网格资料,再运用车贝雪夫正交多项式实现二维网格图形的数学定量描述,最后建立重庆雾的BP神经网络方法预测模型,并对重庆雾进行预报试验。检验结果表明,这种方法预报效果较好,基于客观分析的BP神经网络模型进行雾的短期预报具有一定的应用前景。     

STUDY ON THE METEOROLOGICAL PREDICTION MODEL USING THE LEARNING ALGORITHM OF NEURAL ENSEMBLE BASED ON PSO ALGORITHMS

Because of the difficulty in deciding on the structure of BP neural network in operational meteorological application and the tendency for the network to transform to an issue of local solution, a hybrid Particle Swarm Optimization Algorithm based on Artificial Neural Network (PSO-BP) model is proposed for monthly mean rainfall of the whole area of Guangxi. It combines Particle Swarm Optimization (PSO) with BP, that is, the number of hidden nodes and connection weights are optimized by the implementation of PSO operation. The method produces a better network architecture and initial connection weights, trains the traditional backward propagation again by training samples. The ensemble strategy is carried out for the linear programming to calculate the best weights based on the “east sum of the error absolute value” as the optimal rule. The weighted coefficient of each ensemble individual is obtained. The results show that the method can effectively improve learning and generalization ability of the neural network.