三峡区间面雨量预报方法及其试验效果

介绍了用于制作三峡区间面雨量预报的各种预报方法,分析了天气学方法、数值预报方法及以数值预报产品为基础的人工神经网络方法在１９９９年汛期的试验效果,结果表明：人工神经网络方法及ＭＡＰＳ数值预报方法预报效果较好。并提出了对几种面雨量预报方法的改进措施。     

气象问题中椭圆型狄氏边值问题数值解的迭代法

本文从天气学的事实出发,应用自共轭椭圆型边值问题解的简单格林函数表达式,建立适合解动力气象学中椭圆型方程狄氏边界值问题的数值迭代解法,这个方法有较普遍的意义。目前,气象中常用的近似方法——方法、方法、Fjortoft方法以及外推Liebmann方法都是本文所提方法的特殊情形。在本文所提方法的一般形式基础上,还可以对上述各种近似方法的准确度、收敛情况以及改进途径得到明确的了解。作者将公式Ⅱ_1用在数值解平衡方程的计算中,作为本文所提方法的数值计算的检验,试用结果表明本文所提方法有理论概括意义和实用前途。     

不同时间尺度的统计天气预报

目前在美国海洋天气局(NOAA),有许多气象要素的统计预报方法投入业务。这些方法中应用得最成功最广泛的是模式输出统计(或MOS)方法。MOS方法主要适用于每天进行两次高空观测的,时效为12—60小时的天气尺度预报(世界时00.12小时)。对较长时间的预报,国家天气局使用经典统计学和数值(动力学)预报相结合的“完全预报”方法。对中尺度和小于12小时时间尺度的预报,经典统计学方法仍是主要工具。 本文用图表和比较验证讨论了三种统计学预报方法的用途和精度,简述了每种方法的近况与进展。从中可见,MOS方法在运用到时间和空间尺度预报中是怎样优于其它二种统计方法的。利用数字模式的运算与分级,MOS方法将来也可能用于任何中长期时段的预报。对短期预报而言,MOS方法要结合经典统计学方法,且MOS也适用于中尺度的数值模式,并能提供局地和任何时间的订正预报。可以预计,下一世纪MOS方法可能成为所有天气预报的主要指导方法。     

洋面动量、感热和潜热通量计算的研究

整体传输公式是一种常用的计算洋面海气通量的方法。在作气候平均计算时,存在两种平均方法:方法一F_1=AB及方法二F_2=AB。显然,方法一是合理的,而方法二是对方法一的近似。本文利用COADS资料针对不同的平均时间计算分析了方法二对方法一的近似程度,结果表明:利用方法二计算长期气候平均,平滑时间超过5天则对计算结果必须进行订正;对感热和潜热通量,月平均方法二在20％的精度内可代替方法一,而旬平均方法二则可在10％的精度内代替方法一;动量通量月平均和旬平均精度分别为40％和20％。因此方法二在计算月平均动量通量时必须作订正,或直接用方法一进行计算,本文同时计算比较了1972年(E1 Nino年)和1975年(非E1 Nino年)太平洋洋面的各项能量及总能量收支,发现1972年洋面能量收支年变化幅度比1975年小得多,其差别主要决定于感热和潜热的变化。     

京津冀站点风温湿要素的机器学习订正方法

基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3～12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。     

苏联季节天气预报的发展、现状及展望

苏联的季节天气预报始于本世纪20年代,60年代开始发布官方的季节天气预报。经过苏联气象学者近70年的努力,季节天气预报方法由最早的天气学方法。大尺度环流型方法发展成天气学方法、大尺度环流方法、统计学方法、天气——统计学方法等多种方法相结合的季节天气预报方法,季节预报要素除最早的温度距平和降水量预报外,增加了旱涝预报、解冻与严寒预报、春秋气温经过0℃和±5℃预报等多种季节气象要素的预报业务。一、苏联季节天气预报的发展     

奥运气象资料管理系统中SCRUM方法应用

引言 软件质量和生产率是软件工程的两个核心目标。敏捷软件开发方法（以下简称敏捷方法）统称轻载方法,以区别于传统的软件开发方法（又称重载方法）。目前常见的敏捷方法有Extreme Program—ming（简称XP）、SCRUM、Crystal、Adaptive Software Development（ASD）,     

基于空间回归的B样条拟合在地面气温资料质量控制中的应用

将B样条拟合算法引入到地面气温资料的质量控制当中,在分析地面气温资料空间相关性的基础上,提出一种基于空间回归的B样条拟合地面气温资料质量控制方法(SRT_BSF方法)。为了检验SRT_BSF方法的有效性及适应性,利用SRT_BSF方法对多个场景地面气温资料进行质量控制,并与反距离加权方法(IDW方法)和空间回归方法(SRT方法)进行比较分析。试验结果表明,SRT_BSF方法相对于IDW方法和SRT方法更能有效地标记出地面气温资料中的存疑数据,同时多组独立案例的分析结果说明SRT_BSF方法具有更好的稳定性和适用性。      

医疗气象学研究方法进展

综述了近年来国内外有关医疗气象的研究方法,特别是介绍了统计学方法（相关分析和回归分析方法、时间序列方法）,流行病学方法（描述性研究方法、队列研究方法、病例对照和实验流行病学研究方法）,毒理学方法（动物实验、细胞分子实验）,以及用这些方法所得出的研究结果。对今后医疗气象的研究进行了展望,指出应进一步加强气象与医疗两个学科之间的合作,增强机理方面的研究。利用气象条件对疾病影响的机理性研究结果为医疗气象预报做好服务。     

贴近度在农业气象预报中的应用

近年来，模糊数学方法在国内农业气象中的应用日益广泛，已经应用的方法有模糊聚类、模糊综合评判、模糊相似分析、模糊决策等多种。模糊数学方法中的模型识别也是农业气象预报中最常用的一种预报方法。模型识别有模型识别的直接方法和间接方法两种。下面仅介绍模型识别的间接方法——贴近度的应用。     

利用专家神经网络试报广西前汛期暴雨

介绍了专家神经网络的基本方法及用此方法作广西前汛期暴雨预报的经验，以探索人工智能用于灾害性天气预报的新方法。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

模糊神经网络在台风云系图象识别中的应用

利用数学形态学方法对台风云系进行区域分割，计算并统计出了台风云系纹理特征的概率密度，然后结合模糊判别技术，利用多层神经网络对ＧＭＳ云图的台风云系进行图象识别，结果表明，该方案是成功的。     

人工神经网络在感热通量计算中的应用

感热通量计算方法的研究是边界层研究中最重要的内容之一。基于中日JICA计划项目中青藏高原东缘四川盆地温江站的边界层铁塔观测资料初步研究了使用人工神经网络(ANN)计算边界层感热通量的方法,并将ANN和经验公式法计算得到的感热通量分别和真值作相关和误差分析。对2009年4月和5月的两个个例研究的结果表明:ANN计算结果和真值的相关性都高于经验公式法且趋势变化和真值更加吻合,ANN计算的2009年4月的感热通量与真值的均方根误差(RMSE)稍大于经验公式法,但2009年5月的RMSE明显小于经验公式法。     

用天气雷达回波资料作临近预报的BP网络方法

讨论了利用ＢＰ模型进行临近预报的方法,并与傅立叶描绘子法作了比较,从而说明了人工神经网络方法用于临近预报是可行的。     

多模式温度集成预报

基于中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式2 m高温度预报, 利用神经网络方法中的BP网络建立了我国600多个站的温度集成预报系统, 该预报系统的预报时效为72 h, 间隔为3 h。通过对2004年1—5月的预报结果检验, 表明:集成的温度预报结果明显优于3个模式单独的预报结果, 72 h内预报的平均绝对误差在3 ℃以内, 并且不存在明显的系统误差, 预报达到了一定的精度, 可以为预报员提供定时、定点精细的客观温度预报参考。分区的检验结果表明:不同区域预报误差存在差别, 新疆和西藏误差比较大, 而长江流域和华南地区误差很小, 并且不同区域系统误差的情况也不相同。从总体情况看, 预报误差还存在日变化, 一般来讲, 夜间的预报误差小于白天。     

基于组网天气雷达的台风定位方法探讨

利用组网天气雷达格点反射率因子确定登陆台风的中心位置,根据台风的反射率因子表现出对称特征,提出一种简单的定位方法——相关法,该方法具有较高的时间分辨率,能对临近登陆台风连续定位.通过2008年台风“黑格比”与2009年台风“天鹅”两个实例验证了该方法的可行性.结果表明:该方法能较好地确定台风中心位置,以中央气象台给出的...     

春季中国日最高气温延伸期预报误差分析及订正

数值模式直接输出和经模式后处理得到的预报误差比较,是延伸期逐日要素预报应用基础。针对中国2 583个站点在2020年春季11~30天的日最高温度预报,根据欧洲数值中心的集合预报输出,首先,使用BP-SM（Back-Propagation - Self memory）法和回归法,进行确定性预报订正效果比较;结果表明BP-SM法和回归法都明显降低了预报绝对误差;在11~14天预报中,BP-SM法得到的平均绝对误差为3.3~3.6 ℃,预报准确率超过35%,订正效果更优。其次,基于模式直接输出和BP-SM法获得的概率预报,使用CRPSS (continuous ranked probability skill score)进行了可预报性分析。结果表明,在地形复杂地区,经过订正,预报准确率明显改善。对于延伸期逐日要素预报,合理的模式后处理方法是降低预报误差和提高预报能力的重要环节。      

基于人工神经网络的GMS云图四类云系的识别

应用人工神经网络方法较成功地识别了GMS云图中的四类云系,并与传统的统计识别方法进行了对比,得出结论:神经网络方法更适合于云系的特征识别。还研究了神经网络本身的问题,取得一些网络设计的经验。     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNNLSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350%和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520%和8.089%。为气温的精准预报提供了参考依据。