最佳分级程序

有关预测预报的问题(如天气预报,水位预报,病虫害预测,流行病暴发预测预报等)都要研究预报对象(用 y 表示)和因子(用 x 表示)之间的关系。例如:“发尽桃花水,必有旱黄梅。”桃花水就是前期预报因子,旱黄梅是预报对象,两者之间就有可能有着前因后果的相关性。气象上,经常用线性相关系数公式来计算两者之间的关系。若预报对象分别是偏多(或偏高),正常,偏少(或偏低)三级。而因子 x 是连续变量。用一般计算线性相关系数公式往往选不出较好的前兆因子,且不少因子和 y 之间也并非都存在     

用灰色系统理论试作灾变预测

灰色预测是指以GM(1,1)模型为基础所进行的预测。实质上就是根据过去及现在的信息,建立一个从过去引伸到将来的模型。灾变预测同数列预测一样,均属灰色预测, 设有原始数列X~((0))=X_((1))~((0)),X_((2))~((0)),………,X_((n))~((0))若规定一个阀值A,把X_((i))~((0))中的那些大于或小于A的点认为是具有异常值的点,然后将符合这一条件的数据挑出来,另外组成一个新的数列再将这一新的数列做灾变映射,而后将映射得到的灾变日期集P=P_((1＇)) ,     

多维空间点聚方法预报月降水量

图解预报是气象台站常用的统计预报方法,具有简单直观的优点。比如预报量y与两个前期要素(预报因子)x_1,x_2有关,(x_1,x_2)的一列历史资料在平面上表现为一个点组,在每一点处对应有一个y值。若因子挑选适当,这些y值在平面中的分布应有较明显的规律,这时,或者划出y的等值线,或者按y的不同等级,把平面划分为互斥的指示区域,就可应用来作预报,这就是平面点聚图。由于作图只能在平面中进行,因此上述方法对多因子的应用受到了限制。有一种     

降水概率预报中对微量降水的处理

本文用实例分析比较了在降水概率预报中微量降水时预报量取不同数值的不同预报效果,得出了“最佳”数值,并与公式推导计算的结论相一致。如在样本中剔除微量降水个例,可提高方程对晴、雨天气的判别能力。在降水概率预报(以下称 POP)中,如何处理微量降水,是一个较为突出的问题。如果当降水量 RR=0时,取 y=0,当 RR≥0.1时,取 y=1,而当 RR=0.0时,(记 y 为 y_(0.0))y 取作0或1似均欠妥。如下节图1所示,问题可归结为 y_(0.0)取何值,才能使回归方程(?)=b_0+b_1x 对整个样本配合得更好。李法然等指出微量降水时的环流特征介于晴、雨之间,就多数因子的状况看,它们更接近于晴天的情况,因而把 y_(0.0)取为0.4,即略偏于晴天一侧。这种处理从预报实践经验出发,取得了较好的效果。本文就此作进一步的讨论。     

华北汛期降水分离时间尺度降尺度预测模型的改进

本文采用偏相关预报因子挑选法和条件降尺度法,对已有的华北汛期(7~8月)降水时间尺度分离(TSD)降尺度模型进行了改进.利用偏相关法,找到一个新的影响华北汛期降水年际分量的前期预报因子,即6月北大西洋—欧亚遥相关(AEAT).该因子将扰动信号储存于北大西洋三极子结构,并在7~8月释放出来影响下游贝加尔湖低压系统的发展,从而影响华北汛期降水.利用6月Ni?o3指数和AEAT指数,本文建立了条件TSD统计降尺度模型,即按照预报因子的强度进行逐年分类,对于每个分类设计相应的预报模型,从而避免信息较弱因子的干扰.条件TSD降尺度方法显著改善了华北汛期降水的预测技巧,在独立检验阶段,预报降水与观测降水的相关系数由原模型的0.61提高到0.77,符号一致率从70%提高到87%.     

莒县花生产量预报方法初探

以往的县级农作物产量的气象预测预报方法中,都是直接将实际产量与趋势产量的余差序列(y—y(t)=yw)与各气象要素进行比较分析来制作产量预报,而对随机误差却很少考虑或忽略不计,这样做往往会出现一些难以拟合的较大误差,预报质量也随之降低,这种情况在气候条件优越的地区犹为明显。本文就莒县花生生产过程中的具体天气状况,考虑误差yε,对花生产量预报作初步尝试。     

MOS预报业务化试验中若干技术问题的处理

一、前言 随着数值预报的发展及输出产品的增加,MOS预报试验研究不断的深入并应用于业务预报上。近年来,我们也积极进行了MOS预报业务化的尝试。实践中我们体会到,MOS预报必须符合简便、迅速、准确的原则,才能在预报第一线站住脚,否则这种方法再好也只能成为墙上的画,镜中的花。为此,我们对预报对象、因子的选取进行了必要的技术处理,并在实际应用中取得了较好的效果。 二、建立预报模式时的技术处理 1.y量的处理 在进行晴雨预报时,一般将雨量y作0,1化处理,晴天取0,雨天取1。我们假设y随因子x线性单调地变化,当x小于某一数值时,y始终是0;一旦x超某一临界值,y明显地随x而变化。y由恒为0突变到随x变化的现象,反映了这两段具有不同的函数关系。     

简单投票法预报病虫害高峰期

作物病虫害的发生发展与气象条件有密切的关系。在资料年代较短的气象站,如何用前期气象条件来预测预报病虫害的发生蔓延,我们做了些简单尝试。下面用预报水稻三化螟成虫高峰期为例,说明我们的作法。 1.要素和预报对象分级 把本站主要气象要素分为“ ”,“-”两级,可以按距平值来分,也可以按把历史资料各占一半的某临界值来分。把历年三化螟成虫高峰期也按迟、早分为“ ”、“-”两级。 2.普查相关因子 用预报对象(y)普查各气象要素(x_1……x_n),找出历史相关机率达75％或以上的相关因子。为使找出的相关因子比较稳定,至少要统计5年以上的历史     

模糊综合评价在汛期(6—8月)降水趋势预报中的应用

本文用计算相关系数的方法,筛选出与汛期(6—8月)降水量相关性好的因子,作为预报因子。应用模糊变换原理,综合评价预报因子与预报对象之间的关系。通过设计各因子的隶属函数,建立它们间的一种模糊关系(?);同样也建立预报因子与预报对象之间的一种模糊关系(?)。然后,对(?)与(?)进行模糊变换运算,作出汛期降水趋势预报。     

预报对象和因子间的相关性探讨

在气象统计预报中,时常涉及到因子和预报对象之间的相关性问题。一般说来,因子与预报对象之间的相关性越好,则因子对预报对象的指示性也越好。然而,由于因子和预报对象之间还有一个相关稳定性的问题,所以,只有在因子和预报对象之间的相     

用相关表作倒春寒预报

相关表是一种用多要素进行综合统计的表格。它的基本原理是将与预报对象关系密切的各个预报因子分为几个级,然后通过各种级别的排列组合,寻找多种因子的综合影响与预报对象的关系。它不仅能综合反映多因子与预报对象的关系,同时还能够单独考虑诸因子中某一个或某几个因子与预报量的关系,因此是一种简便而实用的综合多因子的预报工具。     

用相关表作倒春寒预报

相关表是一种用多要素进行综合统计的表格。它的基本原理是将与预报对象关系密切的各个预报因子分为几个级,然后通过各种级别的排列组合,寻找多种因子的综合影响与预报对象的关系。它不仅能综合反映多因子与预报对象的关系,同时还能够单独考虑诸因子中某一个或某几个因子与预报量的关系,因此是一种简便而实用的综合多因子的预报工具。     

Contrasting two spring SST predictors for the number of western North Pacific tropical cyclones

文章对比了两种可用于预报西北太平洋热带气旋生成数量的春季海温预报因子(热带北大西洋海表面温度(NTA SST)和西南太平洋与西北太平洋暖池之间海表面温度梯度(SSTG))。研究揭示了这两种春季海温预报因子在年际和年代际时间尺度上的不同变化特征、变异机制以及它们与西北太平洋热带气旋数量之间的不同相关关系。研究结果表明:在80年代末之后,NTA SST和SSTG在中部型厄尔尼诺的共同调控下呈现出共同的年际变化特征,从而增强了两种春季海温预报因子对西北太平洋热带气旋数量的预报能力。     

宝丰县汛期长期天气预报趋势

根据本站历史资料，从可能与汛期降水量、平均气温密切相关的气象要素中筛选预报因子，建立预报方程，制作预报。１ 预报因子 对气压、气温、相对湿度、水汽压等气象要素进行逐时段计算，形成预报因子数据文件。 以预报因子与预报对象的相关系数为判据，从预报因子中筛选出与预报对象密切相关的预报因子。２ 预报方程及效果检验 选取宝丰县１９７１年至１９９９年６～８月降水量和平均气温为预报对象，以１９９９年４月３０日以前的气象资料为预报因子，建立预报方程。２．１ 降水量预报方程及准确率 Ｒ６、８＝一 １８１８４．７２－８．３…     

基于人工神经网络的洪涝预报方法研究

针对西江流域的洪涝灾害,利用流域的水文参量和气象参量作为自变量,探索基于人工神经网络的洪涝预报方法。以西江流域梧州市1971~2003年超过警戒水位(17.0m)共125次作为研究对象,选取流域的水文参量和气象参量作为预报因子,对数量众多预报因子采用自然正交分解(EOF)方法,浓缩大量因子的有效信息,建立了西江流域梧州洪涝的人工神经网络预报模型。结果表明:所建立的预报模型历史拟合平均绝对百分比误差为2.21%,平均绝对误差为0.43m,预报结果平均绝对百分比误差为2.34%,平均绝对误差为0.45m,预报效果较好,可应用于实际的洪涝预报中。     

关于“S”型生长曲线数学模拟模型的讨论

引言“S”型生长曲线的数学模拟模型在农业气象和农业气候分析和研究中得到了日益广泛的应用。韩湘玲等(1984)应用 Y_((N))=(C)/(1-e~(a-bN))函数方程进行了玉米干物质积累动态模拟,并定义系数 b 为斜率。肖淑招等(1986)应用 W_((t))=(A)/(1 Be~(kt))函数方程探讨了小麦千粒重的变化,赵月珍等(1986)应用上式研究了鸭梨果实生长的变化。王信理(1986)应用 X =(X_m)/(1 e~(at2 bt_c))(作者称为作物普适生长函数)进行了杂交稻干物质积累的动态模拟。     

“真值图”法天气预报——0—1型多因子综合统计预报方法

真值图是表达逻辑代数运算的一种直观图形,常用于电子开关线路设计中。在作气象定性预报的0—1型多因子综合预报中,引用了真值图,效果较好。一、综合预报真值图的制作方法0—1型多因子综合预报,通常用“1”和“0”分别表示预报对象或预报因子的“出现”和“不出现”。当用两个预报因子作综合预报时,因子的不同组合状态可以有2×2=2~2种;n 个因子的不同组合状态将有2~n 种。进行综合预报的关键,就在于正确地区别 n 个因子的各种组合状态,以及表达各不同组合状态与预报对象状态的对应关系。真值图是一种能够区分因子的不同组合状态的有规律的图形,所以能用于作综合预报。真值图的画法有很多种,这里介绍一种比较简便的方法。     

概率映射作因子非线性变换

对非线性因子的处理,一般的做法是通过寻找一个比较合适的拟合曲线函数,用这个函数来进行变换,对于二级预报问题,因子的变换还可以通过概率映射来进行。一、概率映射变换当预报对象为二级时,因子与预报对象之间的相关关系可以通过因子各取值区间内某一级预报对象出现的概率反映出来,因子各取值区间的概率形成一个序列,从这一概率序列的变化可以看出因子与预报对象之间的关系是线性的,还是非线性的。事实上,对于二级预报问     

区域降水数值预报产品人工神经网络释用预报研究

利用T213、日本细网格降水预报等数值预报产品,采用人工神经网络方法进行预报释用。通过聚类分析方法对广西自治区测站进行分类,简化预报对象,对数量众多的T213数值预报产品采用自然正交分解(EOF)方法,浓缩大量因子的有效信息,并结合日本降水预报因子建立广西5~6月区域降水量级的逐日人工神经网络预报模型。运用与实际业务预报相同的方法进行逐日预报试验。结果表明,用这种数值预报产品释用方法建立广西3个预报区域的B-P人工神经网络预报模型对中雨以上降水量级预报的TS评分分别为0.55、0.5和0.26,比目前业务预报中参考使用的T213和日本数值预报产品降水预报具有更好的预报效果。     

ECC方法在中国夏季气温预测研究中的应用

以中国夏季气温为预测对象,选取东亚地区冬季500 h Pa高度场、海平面气压场、地表温度场和850 h Pa温度场为预测因子,采用1951~2009年去趋势处理后的资料,通过变形的典型相关分析(Barnett-Preisendorfer Canonical Correlation Analysis,BP-CCA)方法分别建立单因子预测模型,再利用集合典型相关分析(Ensemble Canonical Correlation,ECC)方法建立集合预测模型,对中国夏季气温进行基于交叉检验方法的预测试验,然后利用2010~2014年的资料对中国夏季气温进行独立样本检验。通过分析BP-CCA模态可知,一对BP-CCA模态的空间型在一定程度上可以反映预报因子场和对象场的遥相关特征。通过基于交叉检验方法的预测试验表明环流场和热力场均能为气温提供预测信息。ECC预测模型综合了各个预报因子的在不同地区的预报技巧,比单因子BP-CCA预测模型有更高、更稳定的预报技巧。独立样本检验表明ECC模型与单因子BP-CCA预测模型相比,对中国夏季气温有更高、更稳定的实际预测能力,对气温季节预测具有参考价值。