小波分析在陕西省旱涝气候预测中的应用

根据榆林、西安和汉中3个代表性测站534 a的旱涝资料,利用小波变换技术对陕西不同时间尺度旱涝周期比较和诊断,并对陕西未来的旱涝趋势作了初步分析。结果表明,小波分析方法在旱涝气候趋势预测中具有一定的应用前景。     

基于GAMLSS模型的玛纳斯河设计年径流分析

玛纳斯河年径流在气候变化影响下发生了变异,传统径流频率分析方法的一致性假设遭到破坏,本文根据玛纳斯河上游出山口1956—2014年水文气象资料,采用遥相关分析法,并基于GAMLSS理论分别建立以时间、气候因子为协变量的时变矩模型,将其拟合效果与传统P-III分布进行对比分析,利用最优分布模型进行年径流量设计。结果表明：北大西洋涛动指数（NAO）作为气候影响因子与年径流序列相关系数为-0.322,遥联性最佳;以累积气温亏损值、降雨量、NAO为协变量的LOGNO分布模型为最优分布模型,有效地描述了在气候变化影响下玛纳斯河年径流动态变化特征,并在不同设计保证率下设计年径流比传统P-III分布偏大3.08%~16.10%,各月径流设计值与P-III分布相差较大。其研究结果为玛纳斯河水资源的高效利用及科学管理提供参考依据。     

S2S气候模式产品在黄河流域径流预测中的应用

次季节气候和径流预测是主动减灾的一个关键。基于国家气候中心第三代气候模式系统的次季节到季节模式(CMA-CPS v3 S2S)的气候预测信息和HBV水文模型,应用集合预测技术研发了未来40 d时段平均径流量和时段内极端干旱概率预测模型,应用平均方差技巧评分、距平相关系数、相对操作特征曲线面积、布赖尔技巧评分开展了回报检验,并检验了2021年黄河流域径流异常预测效果。结果表明,所建模型能够以较高技巧预测黄河流域未来40 d时段平均的径流量,且表现出枯季预测技巧高、湿季技巧低的季节差异;对秋末11月和冬季3个月(12月、1月、2月)的极端干旱概率预测也有较高技巧。对于2021年5—8月黄河上中游干旱和9—10月的秋汛,该方法正确预测了除6月、9月外的其他4个月的径流异常方向,但异常程度与实况存在差异。对径流预测水平影响因素的进一步分析表明,S2S降水预测能力影响径流预测水平,特别是丰水期的径流预测,但还有降水之外的其他因素影响径流预测技巧。     

最优加权组合预测方法在气候预测中的应用研究

把组合的方法引用到夏季降水预测综合集成研究中,讨论了最优加权方法的性质和特点,计算结果表明组合预测可以提高综合预测结果的可靠性和准确率,在气候预测业务与研究中有一定的使用价值。     

基于小波分解的沙尘天气发生日数预测组合模型研究——以2008—2016年策勒沙漠绿洲过渡带沙尘天气发生时序为例

新疆南疆地区是扬沙浮尘的主要高发区,风沙对当地生产生活影响严重。为揭示当地风沙天气变化特征并预测未来变化趋势,通过小波分解方法,将塔克拉玛干沙漠南缘的策勒沙漠 绿洲过渡带2008—2016年沙尘天气发生时序分解为平稳性波动项和非线性趋势项,根据两项数据的特性,针对性选取自回归(AR)模型和最小二乘支持向量机(LSSVM)进行变化趋势预测,最后利用加法原则重构实现沙尘天气发生日数时序预测。结果表明：研究区沙尘天气发生属于典型的春夏型,主要集中在3—9月,峰值出现在5月。组合模型预测值与实测值基本吻合,具有较高的预测精度（绝对误差为4.00 d, 均方根误差为3.76 d）,同时,其结果与AR模型、LSSVM模型预测结果相比较也显示出一定的优越性（组合模型相关系数相比AR、LSSVM分别提高了0.12、0.31）,具有较好的应用前景,可为研究区预防风沙灾害及指导实际生产生活提供科学依据。     

多步预测的小波神经网络预报模型

采用小波分析与人工神经网络相结合的方法，进行了一种新的非线性长期预报模 型研究。结果表明，所构造的小波神经网络多步预测模型对历史样本具有很好的拟合效果， 独立样本的预报效果也令人满意。并且，该预报模型具有误差收敛快，预报时效长以及建 模所需阶数低等显著优点，具有很好的研究前景。     

小波分析在大气科学中的应用简介

1前言小波分析是80年代以来发展起来的应用数学技术,它以群理论和平方可积描述为基础,允许人们把一个信号或一个场展开为空间（时间）和尺度及可能方向的函数。小波分析使用被称之为小波的分析函数,小波函数在空间是被局部化了的。尺度分解是在小波函数与信号之间进行卷积运     

中国夏季降水的组合统计降尺度模型预测研究

现阶段的动力气候模式尚不能满足东亚区域气候预测的实际需求,这就需要动力和统计相结合的方法,将动力模式中具有较高预测技巧的大尺度环流信息应用到降水等气象要素的统计预测模型当中,以改善后者预测效果。本文中所介绍的组合统计降尺度模型,可将动力气候模式预测的大尺度环流变量和前期观测的外强迫信号作为预测因子来预测中国夏季降水异常。交叉检验结果显示,组合统计降尺度预测模型的距平相关系数较原始模式结果有较大提高。在实时夏季降水预测中,2013～2018年平均的预测技巧相对较高,趋势异常综合检验（PS）评分平均为71.5分,特别是2015～2018年平均的PS评分预测技巧达到72.7分,总体上高于业务模式原始预测和业务发布预测的技巧。该组合统计降尺度模型预测性能稳定,为我国季节预测业务提供了一种有效参考。     

投影寻踪回归模型及其在降水预测中的应用

介绍了以投影寻踪回归（ＰＰＲ）进行预测建模的基本思想和算法实现。通过将ＰＰＲ和逐步回归（ＳＲ）应用于降水实例预测,结果表明ＰＰＰ模型的拟合和预测检验结果均优于ＳＲ的相应结果。     

基于SWAT模型的汉江流域径流模拟

应用SWAT(Soil and Water Assessment Tool)分布式水文模型对汉江流域1971-2000年30年逐月径流进行了模拟.结果表明:模型模拟精度高于评价标准(模拟效率Ens>0.5,相关系数r 2>0.6),SWAT模型适用于汉江流域的径流模拟;水量平衡各要素中,30年月、年平均蒸散发量、地表径流量、土壤对地下水补给量、土壤含水变化量、地下水侧流量分别占降水量的55.97%、25.88%、17.64%、0.26%、0.25%,蒸散发是该流域水量的主要输出项;各月30年平均降水量变化趋势与地表径流量变化趋势较一致,而与基流量变化趋势一致性较差;30年流域降水量年变化趋势与地表径流量、基流量的变化趋势较一致;30年月、年地表径流量对降水的响应程度高于基流.     

双线性模型在江淮旱涝序列预测中的应用

提出了一套用双线性模型预测旱涝序列的简便方案。实例的计算结果说明了该方案的实用性和通用性,在各种自然灾害序列预测中具有重要的理论意义和广泛的应用价值。     

灰色时变参数模型及其对气候预报的应用

本文提出关于灰色系统预报的一种新模型，并应用该模型对蒙自5月雨量进行了预报。结果表明:灰色时变参数模型的预报准确性与其他几类模型相比有显著提高。     

时间序列均生函数模型在降水量预测中的应用

利用高要站1980—2015年冬季(12月—次年2月)的降雨量,构建均生函数模型,并采用粗选因子、逐步引入、逐步剔除等3组回归方案,对降雨量进行模型拟合,2016—2017年冬季降雨量进行模型预测结果的检验。结果表明:3组回归方程均能较好地拟合时间序列的变化趋势,对极值的把握表现较好,对短期气候预测业务有一定的现实意义。     

支持向量机方法应用于理想时间序列的预测研究

简要介绍了基于统计学习理论的支持向量机方法的基本思想和原理,利用该方法对33模Lorenz系统的理想混沌时间序列建立预测模型,并对在此基础上产生的非平稳时间序列进行预测试验研究。结果表明,支持向量机方法不仅对平稳过程有较好的预报能力,也可以适用于非平稳过程,对实际序列的预测有一定的启发意义。     

多步预测的降水时序模型

该文设计了一个能作多步预报的时间序列模型，先生成时间序列及其差分的均生函数，再运用双评分准则对所有均生函数延拓序列作粗选和精选，以期建立一个拟合和预报效果均好的模型。就长江中下游6—8月降水总量的序列进行了计算，证实该模型可用在制作逐年气候预报或分月长期预报中。     

基于时间序列模型与残差控制图的兰州市空气质量研究

利用2003-2012年兰州市月均空气污染指数API和季节性时间序列模型SARIMA,对数据序列进行拟合并对其变化趋势进行了分析,研究其演变趋势并选取空气质量良好(月平均API150)的月份(2012年6月2013年2月),选用时间序列模型ARIMA(1,1,1)进行拟合,再结合残差控制图,对2013年3月日平均API预测监控。结果表明,SARIM A(0,1,1)×(0,1,1)12模型较好的拟合了近10年兰州市API的变化趋势,兰州市的空气污染大致呈冬、春季污染相对较重,夏、秋季相对较轻,空气质量总体在逐渐好转。适合该地区短时间尺度的时间序列模型是ARIMA(1,1,1),结合残差控制图对2013年3月API进行预测监控,结果显示6,9,10,11,12和13日超出控制限,对6日和9日提出预警。预测结果与实际结果相吻合,证实了将时间序列模型与残差控制图结合预测监控大气污染的有效性。     

非平稳时间序列的区域预测研究

基于重构状态空间理论和嵌入定理,给出一个新的非平稳场时间序列的区域预测方法。该方法将外强迫因子引入到预测模型中,并且将区域内预测相点的周围相点所对应的空间信息也引入到预测模型中。然后利用该方法对33模Lorenz系统得到的"理想"的非平稳场时间序列进行预测实验分析。结果表明,嵌入外强迫因子可以更好地重构出原来的动力系统,有效地提高非平稳时间序列的预测精度;同时引入空间和外强迫信息可以利用空间数据弥补时间序列长度的不足,从而进一步提高预测精度。     

A Stochastic Time Series Model for Threshold Crossing Statistics of Concentration Fluctuations in non-Intermittent Plumes

A numerical stochastic model is developed for the upcrossing rate across a specified threshold concentration. The model assumes that the concentration time series at a given spatial point within a dispersing plume can be approximated as a first-order Markovian process designed to be consistent with a given time-invariant concentration probability density function (pdf). The model requires only the specification of a concentration pdf with a given mean and variance and a concentration fluctuation integral time scale. Predicted upcrossing rates are compared with atmospheric plume concentration data obtained from a point source near the ground. For this data set, a log-normal pdf is found to give better estimates of the threshold crossing rate than a gamma pdf.     

用动态时间序列周期分析预测模型作郑州汛期降水预报

动态时间序列周期分析预测模型是将多层递阶方法与逐步回归周期分析的基本原理相结合,可以有效地选取时间序列的各个隐含周期.利用所选取的隐含周期,可作更长时间的预测.本文以郑州汛期降水为样本,对该预测模型进行了应用及讨论.