“时间序列分析及其气象应用”讨论班

为介绍和推广时间序列分析的新模型及其应用,安徽省气象台和中央气象局科学研究院天气气候研究所联合举办的“时间序列分析及其气象应用”讨论班1981年10月8日至22日在安徽青阳举行。讨论班邀请了中国科学院应用数学研究所、系统科学研究所、安徽大学数学系、天气气候所和安徽省气象台的同志讲授了如下方面的内容: (1) 随机序列和统计估计的基础知识;(2) ARMA(自回归滑动平均)模型及其识别和参数估计;(3) 动态系统的建模;(4) 非平稳序列;(5)时间序列预报;(6) 多维时间序列和Akaike准则;(7)门限自回归模型;(8) 气象实例。这些内容反映了时间序列分析在七十年代的最新进展。     

丽水近50年气温变化规律、突变分析及趋势预测

本文采用1953～2004年丽水观测站气温资料,通过使用线性回归分析、滑动平均、累积距平等方法对近50年的气温进行诊断分析,得出1953年以来丽水的年平均气温总体以0.1185℃/10 a的变化率上升;通过用滑动t-检验、Yamamoto法、Mann-Kendall法等方法大致确定1958年、1997年是年平均气温由冷转为增暖的突变点.在此基础上针对年平均气温序列本身建立了自回归滑动平均模型,模型预报能较好的拟合实况序列,对下一年的趋势预报有一定的应用价值.     

逐步回归自相关分析

作者从时间序列的自相关分析出发，提出了一种适于回归统计分析的生成预报因子的简单方法，建立起自相关预报模型。实例计算表明，此方法不仅预报精度较高，而且在对周期性相关因子的选择上具有等同的统计、检验前提，避免了一般方法因周期长度不同而带来统计，检验差异的影响。因而得到的回归因子较客观，真实。另外，还具有一定的分析时间序列隐含周期的能力。     

时间序列分析在农业气象产量预报中的应用

所谓时间序列分析,主要是指用方差或谐波分析方法找出周期,建立回归预报方法.这种方法是建立在历史产量序列的周期波动规律的基础上,外推预测其未来的演变.我们对江西、湖南、福建、浙江、广东、山东等省三十多个县市的部分粮食作物的气象产量(其时间趋势产量分别采用一无线性回归、正交多项式回归、直线滑动平均等方法进行处理)采用时间序列分析方法进行验证性预报,取得了较为满意的效果.     

逐步回归双重分析及其在长期预报中的应用

一、问题的提出多元分析和时间序列分析是统计预报的两大分支,为目前气象台站制作长期预报的主要方法之一。通常认为,气象要素序列的组成包括趋势项、周期项和随机项,即: y=f_1(x)+f_2(x)+ε多元分析假设气象要素的变化主要受前期因子的支配,周期性变化可以忽略不计,即     

基于陆基GNSS的电离层时间序列预报研究

为讨论不同时间序列模型对电离层垂直总电子含量（VTEC）的预报效果,在平静电离层条件下,采用载波相位平滑伪距法解算单站上空的电离层VTEC值,分别利用自回归积分滑动平均模型（ARIMA）与Holt-Winters指数平滑模型进行逐站建模,通过时长为9 d的样本序列实现3 d预报,并对预报值进行系统评估.结果表明,时间序列模型能够较好地反映预报期内的电离层VTEC变化情况,均方根误差均值不超5 TECU.此外,Holt-Winters乘法模型的预报值偏差最大,加法模型次之,ARIMA模型在11个测站的相对精度都高于Holt-Winters指数平滑模型,且其均方根误差峰值最小,具有最高的预报精度.     

当前台站在数理统计预报上的主要问题及其分析

近十年来,我国台站普遍开展了统计预报,主要是把多元分析和时间序列应用于天气预报、资料分析、农业气象,取得了一定的成绩。但是,基层台站在开展应用上已经几起几落,有人认为统计预报方法“不能用”,有人认为“不好用”,有人觉得“用不好”。实际上,我们基层台站在统计预报方法的应用上也确实存在不少问题,如不很好解决,势必影响使用。今后开展模式输出统计预报(MOS),数理统     

近年来多元分析在气象中应用的进展

多元分析方法,作为近代统计学的重要分支,是最早引入气象学的统计学方法之一。早在二十年代Walker(1)提出世界三大涛动和研究印度季风时,就应用了相关和回归分析。我国气象学家涂长望(2)在三十年代也把这种方法用于夏季旱涝研究。气候学家么枕生教授(3)(4)早在五十年代完成了统计气象学和气候统计两本专著,为多元分析在气象上的应用奠定了基础。近十余年来,多元分析在大气科学中的应用,是随着时间而更为广泛、深入,已成为分析和研究气象随机过程的一个重要手段,并在各项业务工作中取得了一定的成效(5)。当前,直接或间接地在气象中的应用,主要有以下几方面:(1)天气分析和预报;(2)气     

非线性门限自回归模型用于时间序列的外推预报

对一些呈非线性变化的时间序列，如果勉强用线性统计模型来描述，效果往往不理想。本文利用非线性的自激励门限自回归模型（ＳＥＴＡＲ）、开环门限自回归模型（ＴＡＲＳＯ）对我省记录年代较长的烟台年降水量序列进行建模分析，并探讨分析了模型的稳定性，最后利用稳定的ＳＥＴＡＲ模型进行外推预报。     

基于集合经验模态分解和傅里叶分析的风场预测试验

采用集合经验模态分解(EEMD)和滑动傅里叶分析方法,建立了非线性气候序列的统计预测模型。针对气候要素距平场,对EOF分解得到的各模态时间系数进行EEMD分解,对得到的各IMF分量构建滑动傅里叶(Fourier)分析预报模型,提取出控制当前复杂气候信号的主要傅里叶频谱组合作为IMF分量的主要成分,即确定当前信号的主要波内频率,再将各个IMF分量和剩余项预测结果重构得到各模态时间序列的预测结果,最终通过时空重构得到预测场。将上述思想方法应用于新疆地区风场的预测试验,并采用距平相关系数(ACC),预报技巧(SS)和同号率(R)进行评估,结果表明对于区域性的风速预报,基于上述思想的算法模型能够较好地把握当前气候信号的主要变化频率,较为理想地预测了气候要素时间系数,对新疆地区风速变化的形态分布有较好的估计,使其预报时效在40侯以内均拥有一定的预报技巧,平均SS在0.5以上,36侯以内平均ACC达到0.4以上。     

多元样条逐步回归模型在夏收中期预报中的应用

在夏收期间的中期预报中,使用了非线性多元样条函数回归预报模型。该方法保留了线性统计预报模型中多元分析,逐步筛选因子和显著性检验等特点,又吸取了数值逼近中样条函数处理复杂非线性函数的一些优点。经过与线性回归的对比和１９９８年的预报,在历史拟合率和预报效果上的提高较为明显。     

多元分析和天气预报

1.引言很多统计方法都可用于作几天以上的天气预报,而对于短期预报来说,往往用非统计方法来作更为合适。对于单个变量来说,已经有一些人们所熟悉的统计预报方法。但是在气象学中,通常要求同时作出多个变量的预报。虽然在多元时间序列预报方面已经开展了一些工作,但其效果如何,尚不十分清楚。本文对多元分析的标准方法(不是多元时间序列方法)进行了探讨,用以说明这些方法是如何用于预报的。这些方法大多数是气象工作者所熟悉的,但人们对它们在气象预报中的作用则了解甚少。本     

数量化理论在天气预报中的应用

数量化理论是多元分析的一个分支。在气象统计分析预报中,通常把预报量取成定量的基准变量,预报因子取成定性的说明变量,来使用数量化方法。本文就是围绕我国月平均气温场的长期预报,讨论数量化(一)和(四)的若干应用问题。 一、数量化理论(一)的应用 数量化(一)本质上是回归分析,二者在处理问题的方法上不同。假定基准变量与各项目,类目的反应间遵从下列线性模型:     

基于SSA-AR方法的MJO指数预报模型试验

采用奇异谱分析(SSA)与自回归向量(AR)预报模型相结合的方法,对热带地区大气季节内振荡(MJO)指数向量作自适应滤波意义下的预报试验。结果表明,通过对MJO原始序列进行SSA的分解重建,无论采用对重建的分量序列进行AR(P)建模的方案,还是利用对重建合成序列进行AR(P)建模的方案,均可得到两周以上的MJO指数预报能力,其提前20天指数预报值与实况之间平均相关系数达到0.5,与直接对MJO原始序列进行AR建模相比较,该方法有较高的预报技巧和超前预报能力,预报效果也较稳定,故将SSA-AR方案进一步完善,可望作为MJO指数业务预报的有效模型。     

我国数理统计天气预报的概况

数理统计天气预报开展以来进行了广泛的预报服务工作,在为国民经济和国防建设服务中发挥了一定的作用,同时在实践中推动了统计预报的发展,已取得了以下几个方面的结果: 1.乡元分析目前广大台站应用最普遍的是多元分析,各种类型的回归分析     

基于深度学习的全球平均表面温度年际信号时间序列的预测北大核心CSCD

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。     

气象学中概率论与统计学的新发展

本文分随机-动力预报、观测资料的同化(assimilation)、时间序列分析、统计天气预报、概率预报以及统计在人工降水试验研究中的应用等六个方面介绍统计气象学的新发展,并且指出各个方面所存在的一些问题,特别指出需要多学科共同解决的课题。     

用复数自回归模式预报月平均气温

在复数域最小二乘法的基础上, 建立了复数自回归模式。数学推导和实例应用表明:这一复数自回归模式不同于将复数序列中的实部和虚部分开来计算的结果, 将实部和虚部分开来计算的方法不是真正意义的最小二乘法。应用包括一个任意给定的复数序列和全国160个基本气象台站上历年7月月平均气温。采用距平相关系数和均方根误差两种检验标准, 对独立预报结果进行检验, 并与其他3种常用统计模型作比较。结果显示:该复数自回归模式确实具有较好的预报效果。     

提高粮食产量预报模式稳定性及准确性的探讨

运用气候因子预报粮食产量的多元回归模式在应用中表现不够稳定．本文提出用正常气候条件对作物生长最适气候条件的动态供需分布，对入选因子进行生物学意义的合理性检验，使静态的统计预报模式稳定性明显提高，同时使动态统计产量预报评价模式有了明确的生物学意义，本文还提出了多元回归与时间序列分析相结合的三项式产量预报模型和综合预报方法，产量预报模式的稳定性和准确性平均提高４％以上。     

BP神经网络和支持向量机在紫外线预报中的应用

为了提高紫外线预报准确率,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machines,简称SVM)回归方法建立重庆市主城区紫外线辐射强度客观预报模型。统计相关分析结果显示,不同季节影响紫外线辐射强度的主要因素并不相同。对所有相关分析因子用逐步回归方法,按方差贡献大小筛选出预报因子,以每日紫外线平均辐射量为预报对象,分季节建立预报模型。比较用不同方法建立的预报模型发现,两种非线性模型(BP模型和SVM模型)的拟合能力优于线性逐步回归模型,但独立样本检验结果表明,3种模型的预报准确率基本相当。将3种方法所建预报模型应用T213数值预报资料进行业务试报,得到较好预报效果。