用支持向量机方法作德阳降水预报

本文对支持向量机(svm)回归方法的基本原理作了简要的概述.用常规观测资料并依据预报人员的实际工作经验选取预报因子,采取经典统计预报方法的方式,利用svm方法,选取径向基作为核函数对德阳市各站日降雨量建立预报模型.     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述,并依据常规观测资料选取预报因子,以经典统计预报方法的方式,利用svm方法,选取不同的核函数对德阳市雨量分类预报进行试验.Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力.     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法（SVM）,依据T213数值预报产品,对海口降水进行预报应用研究,结果表明：所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述，并依据常规观测资料选取预报因子，以经典统计预报方法的方式，利用svm方法，选取不同的核函数对德阳市雨量分类预报进行试验。Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力。     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法(SVM),依据T213数值预报产品,对海口降水进行预报应用研究,结果表明:所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

最小二乘支持向量机在云量预报中的应用

基于2003-2006年逐年1、8月WRF区域数值预报产品和单站观测资料,采用最小二乘支持向量机回归方法,结合选取合适的参数和核函数,分别按月通过不同长度样本序列建立了台北和厦门站总云量和低云量短期释用预报模型,利用2007年1、8月样本资料对模型进行了预报和检验,并与神经网络方法进行了对比.结果表明:最小二乘支持向量机回归方法的预报效果要好于神经网络方法;两站不同长度样本的总云量和低云量预报模型,预报效果较好,其预报准确率不会因为训练样本的减少而降低.可见,最小二乘支持向量机回归在云量等气象要素释用预报方面,具有较好的应用前景.     

支持向量机回归方法在实时业务预报中的应用

简要介绍了支持向量机(Support Vector Machine,简称SVM)回归方法的基本原理,并介绍了基于SVM回归方法,利用1990～2000年1～12月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料构造预报因子,建立德阳市5个代表站的日平均气温、日最高气温、日最低气温的SVM回归预报模型及其在业务化运用中的效果。     

支持向量机方法在山东山洪地质灾害预报中的应用试验

用支持向量机(SVM)方法根据T213数值资料和济南、淄博、泰安、莱芜4站的降水实况资料对山东山洪灾害多发的鲁中山区进行了降水分类预报试验。结果表明:多项式核和径向基核函数建立的模型较好地提炼了降水信息,都具有很高的预报技巧,客观性和实用性强,有很强的推广能力;用径向基核函数建的非线性降水分类模型优于用多项式核函数建立的线性降水分类预报,特别是资料减少时,非线性降水分类预报明显优于线性降水分类预报;低层大气湿度可能对线性降水分类有重要影响;建模时用的资料数据格式与实际业务中获得的数据格式应尽量保持一致。     

支持向量机（SVM）方法在气象预报中的个例试验

SVM（Support Vector Machine）方法的基本思想是：通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），在特征空间中寻求最优划分或回归线性超平面，从而解决样本空间中的高度非线性分类和回归等问题。利用1998～2000年9～11月T106—36小时预报的各种输出产品构造因子，以单站有无降水为预报对象，采用MOS法方式构造样本，通过训练建立了单站的晴雨SVM分类预报模型，利用1990～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料，确定关键区域，构造预报因子，以PP法方式构造样本，通过训练建立了四川盆地内单站气温的SVM回归预报模型，并进行了模拟试验，结果表明，无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了艮好的预报能力。     

支持向量机回归方法在铜川降水量预报中的应用

降水量定量预报是精细化预报的要求之一,由于降水量的离散性和预报因子的非线性,用常规数理统计的方法做定量预报效果不理想。支持向量机(Support V ectorM ach ine简称SVM)对处理非线性关系的问题有强大能力,且具有在海量信息中巧妙提取所关注预报对象特征的能力。应用2002—2004年夏季T 213预报产品资料,用支持向量机回归原理做铜川降水量预报,从大量历史个例的数值预报产品信息中,提取有代表性的支持向量,建立铜川3个站未来2 d每12 h降水量预报方法。结果表明,该方法的试验数据预报结论与实况相关系数可达0.6,绝对差2.2,并经过检验数据检验,能够投入业务使用。     

相似方法在夏季降水预报中的应用

以短期降水为研究对象,利用Ｔ１０６资料提供的７００ｈＰａ高度场和８５０ｈＰａθｓｅ场格点资料,计算欧氏距离找相似的方法,实现了２４、４８ｈ２１个市（县）夏季降水预报的自动化。经检验达到一定的精度,可成为日常预报的参考工具。     

SVM 方法在北京地区夏季晴雨预报中的初步应用

以常规观测降水资料、T639 模式输出产品为基础,利用支持向量机（SVM）方法分别建立了北京地区延庆、密云、房山和观象台4 个站点的夏季晴雨预报模型,并用独立的样本对预报模型进行了业务试运行检验。检验结果表明,经过SVM 方法学习后建立的站点晴雨预报效果优于T639 模式直接输出的晴雨预报效果,08—20 时段和20—08 时段4 站晴雨预报平均准确率分别提高了20.06%和9.45%。SVM 方法对T639 的晴雨预报效果有显著的改进,对北京地区夏季晴雨预报有一定的客观参考价值。     

支持向量机(SVM)方法在气象预报中的个例试验

SVM(Support Vector Machine)方法的基本思想是:通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间(Hilbert空间),在特征空间中寻求最优划分或回归线性超平面,从而解决样本空间中的高度非线性分类和回归等问题.利用1998～2000年9～11月T106-36小时预报的各种输出产品构造因子,以单站有无降水为预报对象,采用MOS法方式构造样本,通过训练建立了单站的晴雨SVM分类预报模型,利用1990～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料,确定关键区域,构造预报因子,以PP法方式构造样本,通过训练建立了四川盆地内单站气温的SVM回归预报模型,并进行了模拟试验,结果表明,无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了良好的预报能力.     

江苏暴雨概率预报及其业务应用

以未来12~36 h、36~60 h和60~84 h的暴雨预报为目标,利用2011年—2013年夏季6—8月欧洲细网格数值模式预报产品分析了江苏夏季暴雨的可能预报因子。通过对各因子进行相关性、敏感性和代表性分析后,优选了22个对不同强度降水具有较好区分能力的暴雨预报因子。以这些因子为基础建立了一种简单的江苏省暴雨概率预报方法。其预报产品已在江苏省气象业务一体化平台上投入业务使用。该方法在2011—2013年7月,针对提前12 h预报的历史回报试验中,TS技巧评分平均为13.6,明显高于EC细网格24 h降水预报产品(平均TS评分仅为4.5)。在2014年梅汛期的6月25—26日、7月1—2日和7月4—5日三次区域性暴雨个例的预报试验中,提前60、36、12 h的预报效果均较好,其平均TS评分(44.6)也明显高于欧洲细网格数值模式的降水预报(20.4)。     

暴雨的分型相似预报方法

选择1995－1997年4－9月安顺市暴雨个例29个，应用模糊聚类分析方法对产生暴雨的天气形势进行客观的分型。在此基础上，进行相似分析预报，经历史资料验证，该方法是合理可行的，对暴雨预报有很好的预警作用。