对目前概率统计预报中有关因子挑选和组合的几点讨论

一、多因子线性回归分析的不合理性和逐步回归挑选因子的弊病在利用气象要素前后期的相关关系的预报中,多因子回归分析是目前采用较多的一个概率统计预报方案。所熟知的数学模型是:Y=a_0+a_1X_1+a_2X_2+……+a_nX_n+8这里包含了几项重要的假定:1.各预报因子 x_1,x_2,…,x_n 之间彼此线性无关;各预报因子均独立地对     

长期天气预报中逐步回归应用的讨论

70年代以来,长期天气预报中广泛引进数理统计方法,应用较多的是回归,尤其是逐步回归。天气的变化是多种因子共同作用的结果,长期天气预报中常常需要从各种可能影响预报量的许多因素中挑选一批相关较好的、有物理意义的因子,建立逐步回归方     

用曲线方程普查因子进行逐步回归作月降水预报

一、前言逐步回归方法在长期预报中已被广泛采用。实践中预报因子与预报对象之间极少存在简单的线性相关。故应用线性相关普查因子,再进行逐步回归的方法做长期天气预报极其误差还是较大的。随着电子计算机的开发和应用,可以采用曲线方程普查因子,再进行逐步回归的方法做长期预报。根据“回归分析方法”一书提供的六条曲线方程,用FORTRAN语言编     

长期天气预报中的多层递阶预报方法

一、问题提出 统计预报是当前长期天气预报的主要手段之一。常用的古典统计方法包括:回归分析、判别分析、方差分析、时间序列分析i等。对于预报量y,选取s个预报因子x_i(=1,2……s),建立预报方程。     

用主成份分析法作冬小麦产量预报

主成份分析法是中长期天气预报中常用的方法之一,但在农作物产量预报中应用不多。主成份分析法,是将若干个预报因子(X_1,X_2……X_m)提供的信息进行浓缩、组合成个数较少的、互不相关的因子。用这些较少的因子来代替较多的因子,建立回归方程。 本文以山东省有代表性的十九个县的冬小麦产量和气象资料为样本,用主成份分析法作了一九八五年冬小麦产量预报,预报产量和实际产量接近。 产量资料和气象资料分别来源于省统计局和省气象局资料室。     

长期天气预报微机业务系统简介

由浙江省金华市气象局李邦宪、蒋天麟研制的IBM—PC/XT微机长期天气预报微机业务系统包含了相关普查、逐步回归、逐步判别、方差分析、谐波分析、多层递阶、岭回归、门限自回归、逐步回归双重分析等20多个气象应用程序包和约300余k字节的长期天气预报因子资料库。经测试和使用表     

一个用偏相关筛选建立多元回归方程的方法

逐步回归方法在天气统计预报中已应用较久,因为它计算手续复杂,在没有快速计算设备的县站一直很难应用。现在提出一个用偏关的t检验对回归方程中预报因子进行筛选,即所谓偏相关筛选的方法建立回归方程。因为在未建立回归方程以前就可以确定可能预报因子中的剔除对象,而且可以利用筛选过程中的相关计算结果来计算回归,所以这个方法的计算量较逐步回归方法大大减少。     

逐步回归方法在汛期降水预报中的应用

逐步回归方法在天气预报中已广泛应用。为了进一步提高方法的应用效果,我们进行了下面的实验。一、因子和预报量的多级处理根据预报的需要,我们把预报量——汛期(6～8月)降水量分为五级,编序为1、2、3、4、5,分别与降水的特少、偏少、正常、偏多、特多相对应。具体分级情况如表1所示。     

预报因子选取及方程建立人机交互平台

利用计算机技术,将预报因子选取、方程建立和样本拟合融为一体,建立了预报因子选取及方程建立人机交互平台。该平台包括文件信息,因子初选和回归分析三个模块:(1)文件信息模块主要是读取预报对象文件和预报因子文件,显示并检查文件头信息样本长度的一致性;(2)因子初选模块主要是计算各气象要素或物理量场中每个格点因子与预报量之间的相关系数,构成各相关场,分析这些相关场及其关键区域,从中筛选出组合因子;(3)回归分析模块是对选入的组合因子与预报对象进行逐步回归计算,建立预报方程,并根据回归方程参数和样本拟合率,通过改变因子引入和剔除标准来调整回归结果。     

太阳黑子活动对相关稳定性的影响

统计预报是目前台、站长期预报的主要手段之一,相关分析是统计预报的重要组成部分。相关系数不稳定,直接影响到统计预报的效果,是我们预报业务中面临的一个重要问题。本文以4月降水量预报为例,分析太阳黑子活动对相关稳定性的影响。 我台制作本地区4月降水预报时,首先进行4月降水与北半球500毫巴平均高度的相关普查,选取信度达0.01以上的网格点并组成相关区。采用逐步回归对因子加以筛选。当取F=4时,建立回归方程为Y=313.1-1.03X_1-6.49X_4-1.55X_5-1.93X_7 47.0X_9,其中X_1、X_4、X_5、X_7、X_9分别为当年1月和前一年4、5、7、9月500毫巴诸网格点的平均高度。方程的复相关系数为0.91,平均拟合误差为     

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:     

油菜花期物候主要限制因子分析及预报模型的构建

以油菜开花开始时间(即始花期)为研究对象,利用1980—2016年江苏省油菜发育期观测资料和同步气象数据,分析油菜始花期的时空变化趋势。结合油菜生理特性,筛选与油菜始花期显著相关的气象因子。以高淳站为例,采用通径分析明确各气象因子对油菜始花期的作用并评估因子敏感性,最后构建油菜始花期的回归预报模型。结果表明:在气候变化背景下江苏地区油菜始花期呈逐年提前趋势,淮河以南地区平均提前3 d以上;上年日平均气温稳定通过0℃终日(X_1)、当年日平均气温稳定通过5℃初日(X_2)、现蕾至开花前时段内分别大于0℃、5℃和10℃的有效积温(X_1、X_4和X_5)、最低气温分别小于0和5℃的日数(X_6和X_7)及平均最低气温(X_8)等8个因子与油菜始花期相关性达极显著水平;其中2月上旬至3月上旬的平均最低气温(X_8)、日最低气温小于5℃日数(X_7)、大于5℃有效积温(X_4)对油菜始花期的直接影响位列8个因子的前三位,且这3个因子两两共同对油菜始花期的相对影响程度也排在各因子对回归方程R~2总贡献率的前三位;其余5个因子直接效应普遍小于间接效应,且它们主要通过X_4、X_7、X_8对油菜始花期产生影响,而X_4、X_7、X_8也通过这5个因子产生一定影响;去掉任何一个因子,都会引起其他某些因子对油菜始花期的直接、间接作用发生变化;基于这8个因子构建的回归模型可解释68.48%的油菜始花期变化,并具有区域适用性。因此,就江苏地区而言,光照和降水对油菜开花早晚影响较小,热量条件才是江苏油菜开花早晚的主要限制因子,所构建的始花期预报模型可较好反映油菜开花时间早晚与相关热量因子变化的规律。     

因子场的典型相关分析在解释数值预报产品中的应用

一、引言 典型相关分析是研究两组变量之间相关关系的一种统计方法。 设有两组变量X_1,X_2,……,X_(p1),y_1,y_2,……,y_(p2),都是由N个样本组成的向量。通常我们用p_1×p_2阶的相关系数矩阵来分析X_i与y_j的关系,这并不能清晰反应两组变量之间的关系。有些因子分析方法(例如     

逐步回归双重分析及其在长期天气预报中的应用

本文针对多元分析和周期分析各自存在的缺陷,提出了一种新的统计预报方法——逐步回归双重分析方法,它利用逐步回归技术将因子筛选和周期分析有机结合,并反映在同一预报方程中。 本文以金华市5月份降水量长期预报为例,进行了初步的分析和尝试,表明该方法与多元分析和周期分析比较,其拟合误差与预报误差均较小,预报效果稳定,对长期天气预报有较好的实用价值。     

基于预测平方和PRESS准则选取预报因子的向前、向后算法及其应用

本文提出了基于预测平方和PRESS准则选取预报因子的二个快速算法——向前、向后算法,这二个算法不仅使计算PRESS值的回归方程个数从原算法2~P—1个减少到至多为P(P 1)/2个,而且使每个PRESS值的计算量减少很多。通过长期天气预报的实例计算,预测效果比逐步回归有明显提高。     

一种新的城市SO2污染统计预报方法及其应用

针对目前采用的统计方法存在的不足, 即在选择预报因子时没有考虑预报因子之间的相关性, 挑选的预报因子由于非正交, 使回归计算的结果不稳定, 给计算带来一定的误差。该文提出把一元线性回归分析、自然正交函数 (EOF) 和逐步回归方法结合起来, 从而得到一种新的建立统计预报模型的方法。以西安市采暖期和夏季SO₂日均浓度为预报对象, 使用该方法建立预报模型。拟合及预报试验表明, 这些预报模型不但可以很好地拟合变化趋势, 而且还能作出较准确的预报, 采暖期预报的级别命中率为72.5 %, 夏季级别预报命中率为100%。通过对比试验, 此方法优于目前常用的逐步回归方法, 具有很好的应用前景。     

以最小信息准则(AIC)代替F检验的逐步回归分析方法

引言在天气预报、农业气象预报、气候分析等实际工作中,可以利用回归分析方法建立多要素的预报方程.在建立预报方程的过程中,一个十分重要的问题是在众多的因素中,挑选出一些因素作为自变元,以建立这些变量中的最优回归方程.在挑选变元时,为避免相关分析方法的局限性,往往采用逐步回归分析方法. 但是,逐步回归分析的结果常因F检验临界值的不同而异,得到的解可以有数个.为了     

天气预报相关因子的选择和使用

1引言预报因子的选择是天气预报中最关键的问题，预报因子选择成功与否决定预报的成败。目前，由于大气变化本身的复杂性和人们对大气变化规律认识的局限性，特别对于长期天气形成的前期物理机制还了解很少，加之长期预报的空间和时间尺度大，预报量和预报因子相隔几个月以上或     

岭回归在预报集成中的应用

一、前言 在天气预报中,往往是由多个预报员应用多种预报工具和方法进行预报。因此,需要有一种综合的方法集中各种预报结果而形成统一的预报结论。这种预报集成对于今后实现天气预报自动化也有重要的意义。预报集成的方法很多,回归集成、判别集成是比较常用方法。本文提出了用岭回归做预报集成的方法,经过试验证明,这种方法优于一般回归集成和其它集成方法,并且预报量可以是连续变量,也可以是离散变量。     

带周期分析因素的逐步回归方法在寒露风天气预报中的应用

提出以方差分析周期因素嵌入逐步回归建立灾害天气长期预报模型方法，应用结果表明：模型预报精度及稳定性均比单纯的周期分析或利用前期气象因子建立回归模型有明显改善。