基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆(LSTM)的气象预测方法.方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息.通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测.通过实验以及与经典机器学习预测方法的...     

利用深度神经网络和先兆信号的江苏夏季降水客观预测方法

利用1961—2019年江苏省67个站降水量和气候指数数据集等资料,选取大气环流、海温和积雪等先兆信号的不同组合作为预测因子方案,通过对比不同机器学习方法对江苏省夏季降水开展预测试验。结果表明,深度神经网络（Deep Neural Network,DNN）较传统统计方法和其他机器学习方法有一定优势,深度神经网络结合动态权重集合因子方案对江苏省夏季降水的预测技巧最高,其独立样本检验结果稳定,2015—2019年的平均PS评分为76.0,距平符号一致率为0.62,距平相关系数达0.35,尤其对江苏省中南部的预测技巧更高,具有业务应用价值。不同预测因子方案对比分析表明,大气环流因子在江苏省夏季降水预测中做主要贡献,而海温因子和积雪等其他因子也有正贡献,说明使用综合性预测因子以及集合方案有助于提升季节预测准确率。      

基于机器学习的光伏功率预测模拟方法研究

为了丰富贵州西部光伏电站的功率预测思路与方法,利用2019—2021年贵州西部5个光伏电站发电功率、气象要素、卫星反演辐照度、地面观测辐照度数据,分析光伏功率的时间演变和与卫星反演辐照度、地面观测辐照度的相关性。利用前80%样本数据为测试集,剩余数据为预测模拟模型的检验集,利用机器学习中的BP、GRNN神经网络算法和测试集分别对5个电站建立光伏功率预测模拟模型。利用检验集和光伏电站的检验方法对各个模型进行效果验证,并对比不同算法不同站点间的预测模拟效果。结果表明,BP、GRNN算法在5个光伏电站的功率预测模拟中平均日准确率在90%左右,标准化均方误差在0.07～0.12,且FY-4A反演辐照度参与建立的光伏功率预测模拟模型较地面观测辐照度参与建立的模型效果更佳,能够为光伏功率预测提供一种参考方案和思路。     

第四范式视角下的大数据科学

随着物联网、云计算技术的飞速发展,大数据及其相关科学成为学术界和工业界关注的热点.本文从范式理论的角度对大数据科学进行剖析,阐述大数据研究与传统研究的联系与区别;从机器学习的视角出发,分析了大数据带来的三大主要挑战及其背后的科学问题.此外,本文介绍了第四范式视角下进行大数据科学研究的洞察力,以及其所具有的积极意义;最后总结并展望未来大数据科学面临的挑战.     

A hybrid model for short-term rainstorm forecasting based on a back-propagation neural network and synoptic diagnosis

暴雨是我国最重要的自然灾害之一.大量的研究表明,暴雨的频率和强度在全球变暖的背景下正在逐年增强.但是如何成功的预测短期暴雨,特别是发生在复杂地形下的暴雨,仍然是一个巨大的挑战.本项研究采用BP神经网络和天气学诊断相结合的方法,探索了一种四川盆地西部复杂地形下的暴雨预报模型.该模型有效改善了喇叭口地形下,受低层偏东风影响的暴雨预报准确性.机器学习与天气学理论的结合,提升了模型的物理基础和预测成功率,同时该方法也为发展具有本地特征的暴雨预报客观工具,提供了一定的参考价值.     

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。     

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.     

基于MATLAB神经网络对大同市气溶胶浓度预测

通过对大同市2011-2012年PM10质量浓度、有关气象要素和参数进行随机抽样、分组,建立单隐含层BP神经网络、多隐含层BP神经网络以及RBF网络对以上数据进行调试和训练,得出：就2011-2012年预测PM10日均质量浓度样本而言,按预测效果好坏排序,多隐含层最佳BP神经网络＞单隐含层最佳BP神经网络＞RBF神经网络;从网络最小误差总和来看,三种网络对夏秋两季的预报效果最好;从预测值和实测值的拟合效果来看,RBF网络对春季和冬季PM10质量浓度的预测效果最好;多隐含层BP网络对秋季PM10质量浓度的预测效果最好;三种神经网络对夏季PM10质量浓度的预测效果都很好,优劣性差异不大.     

基于机器学习的灾害性天气多尺度预测模型

为提高传统数值模拟预报结果的准确性,引入机器学习算法构建一种新型灾害性天气多尺度预测模型。通过降尺度时空融合算法实现遥感数据融合,反演推算得到大气气溶胶光学厚度作为天气预测模型的输入变量。利用包含反向解搜索策略的萤火虫优化算法,建立预测模型参数寻优策略,应用机器学习的支持向量机算法,构建包含多项式核函数的复杂多尺度预测模型,在考虑各种不确定因素的情况下进行不断训练,最终得到灾害性天气预测结果。使用该模型对2015年6月23日00—24时成都市灾害性天气进行预测,预测结果的ROC(Receiver Operating Characteristic)曲线的AUC(Area Under the Curve)值为0.88,且龙泉驿、新津和金堂站的预测正确率达90%。基于机器学习的灾害性天气多尺度预测模型可为灾害性天气预测提供一种有效手段。     

驾虚卸实:气象界发展“trustworthy”AI技术

刚刚过去的2021年,全球气象界的一个热点,是以"机器学习"(machine learning,ML)和"神经网络"(neural network,NN)等为代表的AI技术,从几年前有"炒作"嫌疑和爆炸式的登场,到开始入驻气象研究和业务各领域并产生效果和积极影响的过渡年。伴随这样的过渡,"trustworthy"一词被很多学者加在AI之前,组成"可信的AI"。强调AI技术可信,既与AI技术本身的神奇有关,还是现代气象科学本身"物理求真"的传统使然。     

深度学习方法在干旱预测中的应用

使用标准化降水蒸散指数作为农业干旱的监测指标, 以站点气象要素和大尺度环流要素为驱动变量, 建立干旱预测模型, 分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果。结果表明: DNN模型的总体预测能力优于ARIMA模型; 同基于长短期记忆网络(LSTM)提出的传统LSTM预测模型(TLSTM)相比, 改进的LSTM模型(ILSTM)通过预处理全连接层对预测因子进行非线性映射, 能够自动剔除无效信息, 提取高层次综合特征, 可使预测序列和观测序列的相关系数提升0.04~0.25, 均方根误差降低0.07~0.32, 误差绝对值的平均降低0.06~0.27;卷积神经网络(CNN)可提取影响干旱变化的大尺度环流信息, 其与ILSTM的组合深度网络模型(CLSTM)可进一步使相关系数提升0.03~0.44, 均方根误差降低0.09~0.33, 误差绝对值的平均降低0.05~0.26。CLSTM模型可应用于短期区域性干旱变化气候预测。     

STUDY ON THE METEOROLOGICAL PREDICTION MODEL USING THE LEARNING ALGORITHM OF NEURAL ENSEMBLE BASED ON PSO ALGORITHMS

Because of the difficulty in deciding on the structure of BP neural network in operational meteorological application and the tendency for the network to transform to an issue of local solution, a hybrid Particle Swarm Optimization Algorithm based on Artificial Neural Network (PSO-BP) model is proposed for monthly mean rainfall of the whole area of Guangxi. It combines Particle Swarm Optimization (PSO) with BP, that is, the number of hidden nodes and connection weights are optimized by the implementation of PSO operation. The method produces a better network architecture and initial connection weights, trains the traditional backward propagation again by training samples. The ensemble strategy is carried out for the linear programming to calculate the best weights based on the “east sum of the error absolute value” as the optimal rule. The weighted coefficient of each ensemble individual is obtained. The results show that the method can effectively improve learning and generalization ability of the neural network.     

基于遗传算法的神经网络短期气候预测模型

用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,进行短期气候预测建模研究。该方法克服了由于神经网络初始权值的随机性和网络结构确定过程中所带来的网络振荡,以及网络极易陷入局部解问题。作为应用实例,以广西全区4月份平均降水作为预报量及前期500hPa月平均高度场,海温场高相关区作为预报因子,建立基于遗传算法的神经网络短期气候预测模型。将这种方法与传统的逐步回归方法作对比分析,结果表明,该方法具有预报精度高,稳定性好的特点。     

时问序列动态学习率神经网络模型及其初步试验

神经网络在气象上的应用往往是采用固定学习率的BP算法建模,学习过程易出现振荡现象和网络存在冗余连接等缺陷,基于此对神经网络进行了改进。利用时间序列分析方法对样本数据进行处理,用改进后的神经网络对时间序列样本数据进行训练预测,创建了时间序列动态学习率神经网络模型。最后用库车县1997—2007年四季的平均气温值作样本数据进行训练,其训练精度和拟合度都达到很高的标准,用该模型预测了库车县2008年的气温。通过实例证明这个模型在气象预测领域有一定的实用价值。     

Forecasting Different Types of Convective Weather: A Deep Learning Approach

A deep learning objective forecasting solution for severe convective weather(SCW) including short-duration heavy rain(HR), hail, convective gusts(CG), and thunderstorms based on numerical weather prediction(NWP) data was developed. We first established the training datasets as follows. Five years of severe weather observations were utilized to label the NCEP final(FNL) analysis data. A large number of labeled samples for each type of weather were then selected for model training. The local temperature, pressure, humidity, and winds from 1000 to 200 h Pa, as well as dozens of convective physical parameters, were taken as predictors in our model. A six-layer convolutional neural network(CNN) model was then built and trained to obtain optimal model weights. After that, the trained model was used to predict SCW based on the Global Forecast System(GFS) forecast data as input. The performances of the CNN model and other traditional methods were compared. The results show that the deep learning algorithm had a higher classification accuracy on HR and hail than support vector machine, random forests, and other traditional machine learning algorithms. The objective forecasts by use of the deep learning algorithm also showed better forecasting skills than the subjective forecasts by the forecasters. The threat scores(TSs) of thunderstorm, HR, hail, and CG were increased by 16.1%, 33.2%, 178%, and 55.7%, respectively. The deep learning forecast model is currently used in the National Meteorological Center of China to provide guidance for the operational SCW forecasting over China.     

基于“深度学习”识别模型的玉米农田监测应用系统设计与实现

为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet(Visual Geometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力。基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统。系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中。仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53%,较VGGNet的87.21%和LSTM的88.50%,准确率分别提高了5.32%和4.03%。实地测试结果表明,野外环境下系统准确率可达到91.43%,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值。     

A Short-Term Climate Prediction Model Based on a Modular Fuzzy Neural Network

In terms of the modular fuzzy neural network (MFNN) combining fuzzy c-mean (FCM) cluster and single-layer neural network, a short-term climate prediction model is developed. It is found from modeling results that the MFNN model for short-term climate prediction has advantages of simple structure, no hidden layer and stable network parameters because of the assembling of sound functions of the selfadaptive learning, association and fuzzy information processing of fuzzy mathematics and neural network methods. The case computational results of Guangxi flood season (JJA) rainfall show that the mean absolute error (MAE) and mean relative error (MRE) of the prediction during 1998 2002 are 68.8 mm and 9.78%, and in comparison with the regression method, under the conditions of the same predictors and period they are 97.8 mm and 12.28% respectively. Furthermore, it is also found from the stability analysis of the modular model that the change of the prediction results of independent samples with training times in the stably convergent interval of the model is less than 1.3 mm. The obvious oscillation phenomenon of prediction results with training times, such as in the common back-propagation neural network (BPNN) model, does not occur, indicating a better practical application potential of the MFNN model.     

多尺度残差金字塔网络模型三维气象要素降尺度研究

本文将研究对象从地面气象要素扩展到三维气象要素;针对三维气象要素空间分辨率提升问题,融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理,提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型(Multi-Scale Residual Laplacian Pyramid Network, MSRLapN)。具体地,构造一种多尺度残差模块(Multi-Scale Resolution Block, MSRB),用于从三维空间多种气象要素中自动提取预报特征;从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用;然后,通过超分辨重建循环迭代方法,基于大样本历史数据学习订正降尺度预报的误差。在华东气候区,本文针对相对湿度和风速两种气象要素,实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度,并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比,实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息,MSRLapN有效实现了三维气象要素降尺度,效果优于其他对比方法。