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.     

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。     

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。     

支持向量机方法在冰雹预报中的应用

支持向量机（Support Vector Machines简称SVM）方法是近年发展起来的一种新的统计学习理论方法,本文通过对这一方法的学习,总结陇东主要降雹的环流形势特点,利用这一新方法对冰雹分类预报进行了探讨,经检验,效果较好。并与传统的天气分型后制作预报模式进行了比较,验证了SVM方法不需要进行天气分型,这样总样本数多,建立的预报模型效果好。这为基层台站制作天气预报模式提供了一种新方法和新思路。     

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。     

支持向量机方法在天气预报中的应用

简要介绍了支持向量机方法(SVM)方法的基本原理和使用方法。用高空500hPa月平均高度、海洋温度以及地面资料作为因子，对西安6—9月份降水总量建立了SVM预报模型。     

人工神经网络及支持向量机在降雨量预报中的应用

使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1h和3h预报的研究,并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6～7月的降水过程,比较了网络(文中指BPN、JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、强降雨区域和强度;使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明:网络和CCM对雨带和强降雨区域的预报比较准确,但是对强降雨中心位置和强度的预报与实况存在差异;在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响;预报的中小尺度结构与天气分析的结果一致;网络与CCM以及不同的网络之间的预报结果存在着差异;连续预报的结果表明,与CCM相比,网络对3h预报的效果优于1h的。     

涡旋自组织现象在上海一次暴雨预报中的应用

根据涡旋自组织理论的研究成果,通过对天气背景以及卫星、雷达等资料的分析发现,在2008年8月25日早晨上海地区发生的一场雨强为百年未遇的强雷电和大暴雨天气过程中,确实存在着涡旋自组织现象。地面中低压的发展与中小尺度涡旋的组织、合并关系密切,而中低压的发展导致了剧烈而集中的降水发生,进而造成了上海地区的这场特大暴雨。此外,详细阐述了在业务预报中预报员如何应用涡旋自组织理论的相关成果来改进和提高暴雨预报的时效和准确度,显示该理论在业务应用中具有广阔前景。     

德阳市天气预报系统简介

德阳天气预报系统是依据客观预报方法和"以数值分析预报产品为基础,以人机交互系统为主要工作平台,综合应用各种气象信息和先进的预报技术方法"研制的.系统包括3部份内容:天气预报业务技术系统、天气预报业务流程、预报平台.     

德阳市天气预报系统简介

德阳天气预报系统是依据客观预报方法和“以数值分析预报产品为基础，以人机交互系统为主要工作平台．综合应用各种气象信息和先进的预报技术方法”研制的。系统包括3部份内容：天气预报业务技术系统、天气预报业务流程、预报平台。     

德阳市区空气污染气象指数预报

根据空气污染与气象条件的关系分析,引入一个空气污染气象指数,用T213数值预报产品相关资料作为空气污染气象因子输入,从而作出空气污染气象指数预报.     

德阳市区空气污染气象指数预报

根据空气污染与气象条件的关系分析，引入一个空气污染气象指数，用T213数值预报产品相关资料作为空气污染气象因子输入，从而作出空气污染气象指数预报。     

A case study of excessive rainfall forecasting

Summary Flash floods have been recognized as one of the most significant natural disaster problems in the world. Within the United States, the annual average flood death toll exceeds one hundred and property damage is on the order of a billion dollars. There has been an increased effort of the meteorological community to improve short term quantitative precipitation forecasting, principally by improving mesoscale numerical weather prediction for heavy rain events. Nevertheless, to date, numerical weather prediction has had rather limited impact on the prediction of the most damaging convective rainstorms.This study examines numerical experiments, including both coarse-mesh and fine-mesh model simulations, of the Enid, Oklahoma flood of 10–11 October 1973. Besides the great concentration of rainfall, the Enid flood was rather unique in comparison with other flash flood cases in that it was part of a much larger area of heavy rainfall which soaked the central Plains over the 24h period ending at 1200 UTC 11 October. The objective is to assess the overall usefulness and limitation of numerical weather prediction models in quantitative precipitation forecasting for this flash flood event.The model experiments reveal that the broad-scale precipitation patterns associated with the front and cyclone are well predicted, but the maximum rainfall amounts around Enid are underpredicted. The fine-mesh model is superior to the coarse-mesh model because of the former's ability to generate many significant mesoscale features in the vicinity of the front. In the fine-mesh model, many convection-related parameters (e.g., moisture flux convergence) are correlated very well temporally and spatially with the observed heavy precipitation scenario.