气象分类预报中的两次判别法

在气象分类预报中,线性判别方法已广泛得到使用。众所周知,二维时,线性判别相当于在平面点聚图上用数学方法寻找区分二类的直线。但是,当事实上(经常如此)必须用曲线进行客观分类时,这种不太符合实际的线性判别法的效果就不会很好。本文介绍并提出在n维空间均适用的非线性分类的数学计算方法;指出这种方法的广泛使用范围;给出在平面点聚图上进行非线性判别的例子;并与线性判别法作了实际比较。     

“NLM”方法在预报集成中的应用

用马氏距离客观确定样本的空间结构后,我们可定义在E最小意义下高维空间到低维空间的映射。根据这个原理,L(L>2)个预报方法可综合为2个新因子,最后通过点聚图分析作出预报决断。     

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:     

中国降水区划模糊聚类软划分法

利用软划分模糊聚类分析法,对中国160个观测站的近50年的年均降水数据进行研究,按降水量的多少和年际变化规律,把中国降水区域划分n类降水带,并研究了聚类参数对于划分结果的影响.进一步研究了经典的5类降水带划分法,发现了一些被分入某一降水带的地区可能具有较大的与其他类别的相似性(如通辽,大连等),研究结论提供了更丰富的隶...     

相关系数显著性检验的几何意义

从几何学角度阐明了相关系数显著性检验的意义。对于来自正态分布的样本,利用其距平序列对应的随机向量在高维空间中均匀分布的性质,在母体无相关假定下,用几何方法求得了显著性水平α和样本容量n下的临界相关系数rα,n′的表达式,并验证了它等于由t分布求得的临界相关系数rα,n,从而给出了相关系数显著性检验的直观理解。     

云分类中逐个修改聚类和模糊聚类分类性能的对

利用卫星图像对各种云型进行识别在大气科学领域具有重要意义，为了深入了解云分类过程中逐个修改聚类和模糊聚类对各种云型的识别能力，采用极轨卫星EOS／MODIS图像资料和静止卫星GMS-5图像资料，在样本采集和特征提取的基础上。选择不同的光谱或纹理特征对两种分类器的分类性能进行测试和对比分析。结果发现，不管采用哪种图像资料，提取哪些特征量，逐个修改聚类的平均分类准确率总体上略高于模糊聚类。但就两种分类器对各种云型的识别能力而言，模糊聚类对低云和高云（如层云、薄卷云、密卷云、卷层云、积云）的分类准确率明显好于逐个修改聚类，而逐个修改聚类对积雨云的分类准确率稍高于模糊聚类。从各类别间混判的情形来看，积雨云和高中低混合云、低云之间及卷云子类之间混判的情形较多，模糊聚类与逐个修改聚类相比，混判的类别增多，相对比例减少。     

聚类统计检验在人工增雨效果检验中的应用

将聚类统计检验分析引入原有的基于聚类的浮动区对比历史回归人工增雨效果检验方法中,减小站点分区的盲目性,聚为同一类的站点相似度更大,使聚类分析具有统计学意义。并把这种方法和未引入聚类检验的方法进行比较,通过对河南4月10次作业的效果评估表明,引入聚类检验提高了效果评估的功效。     

基于投影寻踪原理的动态聚类模型及其在气候区划中的应用

以投影寻踪原理为基础, 结合动态聚类方法, 建立了基于投影寻踪原理的动态聚类模型, 并首次将其应用于气候区划分析中。首先, 利用线性投影技术将多因素聚类问题转换为投影特征值的线性聚类问题; 其次, 利用动态聚类方法完成投影特征值序列的聚类分析; 最后, 通过气候区划实例验证了基于投影寻踪原理的动态聚类模型的可行性与有效性。     

气温分区方法研究

采用EOF方法和直接离差平方和聚类方法分别对全国160个站点的42年气温资料进行聚类。对比分析聚类结果，发现EOF方法分区分辨率更适中，气候意义更明确。     

多光谱云分类技术在锋面云系中的应用

将逐个修改聚类和模糊聚类的多光谱云分类技术应用于2002年6月10日03时锋面气旋云系的识别,并采用同一时次的地面常规观测与其进行了对比分析。结果发现,两种聚类方法对典型锋面气旋云系均有较好的识别能力,分类结果与天气概念模型云层分布情况一致;逐个修改聚类对组间差别较大的情况分类效果较好,而模糊聚类却对性质相近的类别有较好的识别;卫星图像分类结果与地面常规观测比较一致,但在层云、积云、层积云等性质较为相近类别的识别上存在一定差异。     

气流输送对北京大气污染物体积分数的影响

利用HYSPLIT后向轨迹模式和2004年8月—2007年12月NCEP再分析气象资料,计算每天15:00抵达北京地区10、100和500m高度上的后向气流轨迹.对整个研究时段、采暖季和非采暖季期间的后向气流轨迹分别进行聚类分析,得到这3个时段到达北京地区的主要后向气流轨迹聚类.其中整个研究时段的后向气流轨迹分成3个聚类,采暖季和非采暖季的后向气流轨迹都分成5个聚类.结合各段时间中国科学院大气物理研究所观测的大气污染物体积分数资料,分析不同时段气流输送作用对北京主要大气污染物体积分数的影响.发现采暖季和非采暖季北京气体污染物体积分数高值主要集中在来自风速较小的西北方气流聚类.采暖季污染物体积分数低值主要出现在偏北方向风速较大的后向气流轨迹聚类.非采暖季污染物体积分数低值主要出现在偏北低速气流聚类和西北向高速气流轨迹聚类中.从各时段污染物最值分布情况可以看出:在风速较大的后向气流轨迹聚类影响下,北京的污染物体积分数较低;途经了较严重工业排放地带的后向气流轨迹聚类会使北京气体污染物体积分数显著增高.此外,虽然非采暖季的大气污染物分布与气流输送的影响基本符合,但各聚类污染物分布结果与气流输送作用的影响存在偏差.     

判别分析方法在天气预报中的应用

选取了M(M≥3)个具有较高分辨预报量类别能力的因子后,也即决定了由这M个因子所确定的M维空间。Fisher判别的做法是定义这M维空间到一维空间的映射,本文定义这M维空间到二维空间的映射,其映象结果后者优于前者。     

广西月降水量、气温的区域性气候分片研究

本文选取相关距离系数为相似性度量参数。采用逐级归并聚类法,首次对广西86个气象站1960—1985年月降水量和月平均气温进行聚类,划出了这两个气象要素的气候区域,并用其他方法对所划区域合理性作了探讨。     

基于K均值聚类的中国夏季降水日变化空间分布模式

为了获取降水日变化的空间分布模式,本文采用K均值聚类算法对中国陆地区域的夏季逐时格网降水数据进行了聚类。首先,采用K均值聚类算法对每个格网上的逐时降水数据进行聚类。然后,根据每一聚类的降水日变化峰值,将具有相似峰值时间的聚类合并成为一个分类。合并后的分类对应一种降水日变化类型,分类中的格网边界则构成了该类降水日变化的空间分布模式。研究结果表明,中国大部分地区的降水量日变化由降水频率日变化主导。此外,一些盛行夜雨区域在空间分布上表现出从西向东的分布模式,且降水日变化峰值时间表现出了从西向东逐渐延迟的现象。结合地形分析,研究发现一些夜雨区的降水峰值延迟现象与MPS环流效应导致的雨带移动现象较为一致,得出MPS(Mountain-Plain Solenoid)环流效应是导致这些地区盛行夜雨的结论。本文研究结果可为探索降水日变化的形成机理提供线索,也可为研究其他地区降水日变化提供参考。     

副热带高压强度变化的模糊聚类诊断预测

采用模糊C均值聚类 (FCM)、遗传算法 (GA) 和模糊减法聚类 (FSC) 交叉融合、优势互补思想进行副热带高压影响因子的综合聚类分析和副热带高压指数的诊断预测。在统计分析的基础上, 通过选择若干与副热带高压指数关系密切的影响因子构成了高维特征空间, 进行了综合聚类分析, 实现了副热带高压指数的聚类判别和诊断预测。该文提出的综合聚类方法既可克服FCM/GA算法全局/局部寻优的不足, 又可客观确定聚类数目。试验结果表明, 该方法具有良好的分类效果, 判别结果与实况基本相符。     

我国东部夏季雨带的气候分类及其环流特征

利用主分量分析和Ｋ－均值聚类分析的方法，对我国东部夏季雨带进行客观的气候分类。分析表明：当聚类因子（Ｎ＝４），聚类数（Ｋ＝２）时，第２主分量成分是在所有聚类因子中起决定性的因素，它不仅反映出两类不同雨带类型及其强弱的变化，而且在环流特征上具有显著性的差异。     

甘肃省林业气候区划

根据甘肃林木生长与气候因素的相关分析,选取8个对林木生长影响较大的气候因素作为聚类因子。应用模糊聚类方法,把我省划分成9个不同类型的林业气候区,并对各分区作了较详细的评述,提出了保护和发展林业的对策。     

陇东干旱的聚类分片和特征分析

本文计算了陇东地区及相邻站点共１８个站的干旱指数，制定了干旱标准，并用自然正交分解，模糊聚类方法对干旱指数进行聚类分片，分析了陇东干旱的气候特征和变化规律。     

利用气象条件做大气中SO2浓度的预报

本文采用模糊聚类的方法,分别对地面气压场、本站气象要素进行聚类,分析其与SO_2浓度变化的关系,并用逐步回归的方法试做SO_2的12小时与24小时浓度值和等级预报,为开展空气污染潜势预报提供依据。     

我国降水量的模糊聚类分区

本文采用模糊聚类中的系统聚类分析法对全国年、季降水量作了分压计算。为了客观地表示区内相关程度,提出了一种计算区内相关系数的方法。并根据实际情况,提出了选择降水分区方案的原则。结果比较令人满意。