遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究

基于TIGGE资料集中的ECMWF、CMA和JMA的数值预报产品,利用加权集成、回归集成和消除偏差集成等线性集成方式与遗传算法优化的BP神经网络(GABP)集成,对我国大部开展地面2 m温度在24 h、48 h和72 h预报时效的多模式集成预报试验。通过对2013年1—6月的预报检验,结果表明:GABP集成预报效果有较大提升,均方误差明显小于各单一模式预报。GABP集成的误差分布在新疆和华北均方误差较大,但是在预报效果改进上GABP集成在西部地区相对单一模式的误差减小更加明显。在进行几种多模式集成方式时,GABP集成相比线性方法预报结果更加精准。对于天气过程个例的预报,GABP集成预报出预报量的变化趋势,预报效果优于单一模式和线性集成预报。无论是较长时间段还是短时间的天气过程,在改进预报效果上GABP集成都起到了最佳的作用。     

太原地区集成温度预报方法研究

利用日本、欧洲中心、北京Ｔ６３等数值预报输出产品，选用省级实时资料库中的实时资料，采用ＭＯＳ法、ＰＰ法、统计法、卡尔曼滤波法以及集成预报法分别建立了最低，最高气浊和地面最你地温预方程，研究了各种温度的预报技术，给出了客观定量的温度预报方法，并在微机上开发研制了“太原地区集成温度预报系统”。通过实际业务运行，取得较好的预报效果。     

最佳数值预报模式选取与订正系统设计——温度集成预报系统

本文依据国家指导预报产品,山西省MOS预报以及MM5数值预报产品,对山西省的温度预报进行集成,通过3种客观预报方法的前期准确率对比,建立数学模型,从而产生一种新的客观预报方法。系统对3种数值预报产品进行了集成,建立了一个统一的预报指导产品分析、对比平台,为省台预报员提供一种客观的温度预报参考手段。     

基于BP人工神经网络的区域温度多模式集成预报试验

基于T213L31、T106L19和欧洲中期预报中心数值预报产品,应用BP人工神经网络技术,建立了850 hPa高度区域温度集成预报模型,并进行了检验.结果表明:该模型能比较准确地预报强冷空气活动过程中冷中心及温度槽脊的位置和强度,预报结果的平均绝对误差明显小于3个子模式,预报场与实况场的相关程度明显高于3个子模式,预...     

地面气象要素多模式集成预报研究进展

目前,集合预报已成为天气预报业务的主要支撑。然而,由于数值模式本身的限制与不完善以及集合系统存在初值扰动、集合大小等方面的局限,常存在预报偏差。不同预报模式通常具有不同的物理过程参数化方案、初始条件等,导致其预报能力各有不同。为此,如何纠正预报偏差以及如何充分有效地利用不同模式的预报信息以获得更加准确的天气预报广受关注。近年来,利用统计理论与预报诊断,基于多个集合预报系统的多模式集成预报技术得到快速发展,已成为有效消除预报偏差从而提高天气预报技巧的一种统计后处理方法。针对气温、降水和风3个最基本的地面气象要素,首先依据预报形式将应用范围较广的简单集合平均、消除偏差集合平均、超级集合、贝叶斯模式平均、集合模式输出统计等加权或等权平均多模式集成技术,分成确定性预报和概率预报两大类,并做系统介绍。最后,讨论使用和发展多模式集成技术需要关注的问题,包括考虑参与集成的模式个数、发展降水及风速分级预报模型和发展基于机器学习的多模式集成新技术。     

县站温度集成预报方法

介绍了以各台、站气温预报为因子，县站最高、最低气温为预报对象，用多元回归技术做温度集成预报的方法。     

数据挖掘技术在精细化温度预报中的应用

简要介绍了精细化天气预报和气象数据挖掘应用的现状,在对BP神经网络预测方法详细分析的基础上,研究了基于时间序列数据挖掘实现精细化温度预报的方法。该方法基于时序分析技术,建立起适合于BP神经网络的输入样本模型,通过反复学习从温度时序中建立预测模型,将其用于未来24 h的精细化温度预报。同时,对BP神经网络算法和步骤做了简...     

基于多神经网络的动态权重集成温度预报订正研究

基于CMA-GD模式预报数据,利用多神经网络的动态权重集成方法,开展了贵州省温度预报订正研究,最终获得本地化温度预报订正产品。结果表明：(1) 在对历史数据检验评估的基础上,利用多种神经网络方法可有效降低模式系统误差,通过BP、BP_GA、WAVENN、GRNN、LSTM等神经网络订正,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低0.01～0.17 ℃;(2) 考虑到不同神经网络订正结果的差异性,采用动态权重方案对订正结果进行优势集成可显著提升预报可靠性。经集成后的温度预报效果优于模式直接输出和各神经网络订正结果,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低14.93%,预报准确率提升8.24%。此外,动态权重集成后的订正结果还表现出较好的稳定性。基于该方法形成的本地化客观预报订正产品可为提升贵州复杂地形下温度预报质量以及精细化预报服务水平提供参考依据。     

多模式温度集成预报的检验分析

该文利用C#程序语言逐日读取欧洲数值预报模式(Ec)、中国数值预报模式(T639)、德国天气在线(ZX)、美国天气(MG)、中国天气(ZG)、中央气象台指导预报(ZY)6家模式预报的日最高气温(Tg)和日最低气温(Td)预报值,建立预报数据库。使用LINEST函数对Tg和Td做多元回归分析,得出6家模式的集成预报结果,结果表明:集成预报(JC)比6家模式预报准确率都高;同时,建立本地化订正方法,将原6家模式Tg和Td进行订正后再集成,结果表明:订正后的集成比直接集成准确率提高了0%～4%,说明订正方法的使用对提高气温预报准确率有一定的效果。另外,通过对各家模式预报结果和集成预报结果的检验分析,不仅为预报员择优使用数值预报产品提供参考依据,也为数值预报产品释用提供一定的参考方法。     

超级集合预报的误差订正与集成研究

利用类似KALMAN滤波的自适应误差订正法对中国国家气象中心、日本气象厅、美国国家环境预报中心、加拿大气象中心和澳大利亚-法国气象局的区域集合预报模式2m温度预报做订正,并对订正后的结果采用算术平均和多元回归两种方法进行集成.结果表明:订正后温度预报的各项检验指标都显示出不同程度的改善.36h内平均绝对误差在1.8℃以内;均方根误差也有明显减小,且与离散度大小更接近;talagrand图的U型分布仍然存在,但个别成员异常的现象得到改善;集合成员预报分簇的现象得到了很好的矫正;此外预报误差存在日变化.两种集成方法的温度预报结果都优于单一模式预报,并且不存在明显的系统误差,预报达到了一定精度.其中多元回归方法的集成效果胜于算术平均集成.     

极端气温集成预报方法对比

用2003-2009年ECMWF和庆阳市极端气温资料建立最高最低气温SVM、Kalman、多元线性回归3种统计方法的预报模型,采用平均、加权、回归3种方法进行预报集成,对庆阳市2010年6-12月各预报方法及5个时次集成预报进行评估.结果表明:单一的SVM、多元回归和集成方法最低气温预报5个时次的准确率均高于最高气温0.8％～24.2％,集成后加权法准确率最高,但最高和最低气温选取权重不同,SVM权重大时最高气温效果好,多元回归权重大时最低气温效果好.随着预报时效的增加,单一的预报方法和集成预报,预报准确率降低.逐月评估表明,单一的SVM准确率较高且预报性能稳定,Kalman准确率较低,回归方法各月差异大,预报不稳定,集成后,3种集成方法的预报比单一的预报方法均有所改善和提高.绝对误差分析表明,加权集成后最高和最低气温误差都较小,优于平均集成法和回归集成法.     

天津市多模式气温集成预报方法

在遗传算法和粒子群算法的基础上,采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。利用2012年5—10月中国气象局GRAPES模式、北京市气象局BJ-RUC模式、中国气象局T639模式、天津市气象局TJWRF模式24 h预报时效的逐6 h地面2 m高度气温和35个天津区域自动气象站点资料,通过逐日滚动建立集成预报模型,对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。结果表明:使用该方法建立的气温集成预报模型具有比较可靠的预报能力,预报误差明显小于任一成员,预报准确率高。按绝对误差不大于2℃的检验标准,2012年35个站逐6 h气温、最低气温、最高气温的集成预报平均准确率分别为76.34%,77.88%,78.00%。     

最优子集神经网络在武威气温客观预报中的应用

选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。     

冬小麦农田不同高度极端气温预测[ ]

利用2019年1月—2022年6月冬小麦农田小气候自动观测站观测的数据和齐河县国家基本气象观测站同期观测资料,采用多元线性回归和BP神经网络方法,建立冬小麦农田30 cm、60 cm、150 cm日最高和日最低气温预测模型。结果表明:两种模型对农田气温的预测效果均较好,阴天条件下150 cm最高气温预测效果最好;晴天条件下30 cm最高气温预测效果最差。两模型模拟结果分层次看,农田气温的模拟精度150 cm>60 cm>30 cm;分天气类型看,多元回归模型农田各层气温的模拟精度阴天>多云>晴天,BP神经网络模型农田30 cm、60 cm最高气温的模拟精度多云>阴天>晴天,农田30 cm最低气温的模拟精度多云与阴天相同,均大于晴天,农田60 cm最低气温的模拟精度晴天>多云>阴天,农田150 cm最高及最低气温的模拟精度晴天与多云相同,均大于阴天;分要素看,30 cm最低气温的模拟精度高于最高气温、60 cm和150 cm最高气温的模拟精度高于最低气温。通过比较,BP神经网络模型的预测精度比多元线性回归模型的预测精度高。两种模型均能满足冬小麦农田气温的预测需求。     

日极端气温的主客观预报能力评估及多模式集成网格释用

精细格点天气预报是我国未来几年天气预报业务发展重点。利用ECMWF、GRAPES等业务数值模式和广东站点观测资料,对日极端气温的主客观预报能力进行了多角度综合评估。统计结果表明,T_(max)、T_(min)的主客观预报误差均存在明显季节差异,在系统误差相对平稳的夏半年主观预报具有较明显订正能力,模式预报呈现一定流依赖特征,温度越高(低),负(正)偏差越明显;主客观预报误差空间分布均受地形影响,随着时效延长误差总体增幅不大,主观订正能力也较稳定。根据以上评估特征和网格预报特点,研究开发了一套多模式动态集成网格释用技术方案(McGF)。结果表明,相比单个模式的预报和主观预报,McGF较明显提升了T_(max)的预报技巧;T_(min)的模式预报偏差总体较T_(max)偏小,McGF提升幅度相对较小;网格释用后的广东区域预报能较合理反映气温空间和强度特征,较周边未经释用区域明显更优。     

相似区间叠合集成法在降水预报中的应用

在用相似预报方法制作安徽省汛期降水预报中,同时用相似系数和距离系数表征预报因子场的相似程序。并采用相似区间叠合集成法对找出的数十个相似年进行集成,客观地确定出预报量可能出现的范围,此方程预报效果良好。     

集成方法在热带气旋路径和强度预报中的应用

利用多元线性回归、递归正权决策和算术平均方法,分别建立热带气旋路径和强度多模式集成预报方程,并用2004年西北太平洋和南海生成的热带气旋资料进行预报试验,同时对各家预报和集成预报进行了检验分析。结果表明,用集成预报方法作热带气旋路径和强度预报是可行的,预报年总平均误差有一定程度的减小,最大预报误差也有所减小,出现较大预报误差的概率明显减小。集成方法的预报能力一般好于集成方法中采用的任意单一预报,体现了集成方法的优越性。     

北京地区未来1～3天昼夜气温预报模型

采用T2 1 3数值天气预报产品资料和北京市观象台 ( 5451 1 )实时地面气象观测资料 ,运用神经网络方法 ,建立了北京市观象台 (东郊 )未来 1～ 3天 ( 0～ 72h)夜间、白天、全天平均气温及夜间最低、白天最高气温共 5项气温的预报模式 ,经检验 ,预报的均方根误差 <2℃ ,可满足供热调度节能工作的迫切需要。     

秋旱的集成预报方法探讨

通过庆阳地区秋旱指数的空间分布特征及其时间变化规律分析,分别建立了秋旱指数的周期叠加、逐步回归、均生函数的预测模型,并对这三种模型用权重法、平均法、回归法、举手表决法进行集成。结果表明,平均集成法效果最好。