支持向量机方法在单站降水预报中的应用探讨

将武汉天空云量预报的81个预报因子运用到该站中等以上强度的降水预报中,基于SVM方法进行了交叉验证和预报试验。结果表明用81个预报因子建立的5～9月和全样本的降水预报模型有较好稳定性、且对降水都有正的预报技巧。因此天空云量的预报因子可以用来做降水的预报因子,同时也证明了这些预报因子在天空云量和降水预报中是协调的。SVM方法为天空云量和降水的预报提供了客观参考依据。     

天空云量预报及支持向量机和神经网络方法比较研究

使用支持向量机和人工神经网络两种方法,分别建立了天空云量的预报模型。利用2001年5月1日～2004年12月31日的武汉市地面、高空观测值及欧洲中心的24小时预报场等资料,通过按不同比例随机抽取样本进行交叉验证的方法,分析了SVM和ANN模型的预报能力和鲁棒性;然后再用全部样本资料建立预报模型,来预报2005年1月1日～5月31日武汉市天空云量。交叉验证和实例预报的结果显示：虽然SVM和ANN模型都表现了较好的预报能力,但SVM的预报能力高于ANN方法,且在计算速度上有ANN无法比拟的优势。     

最小二乘支持向量机在云量预报中的应用

基于2003-2006年逐年1、8月WRF区域数值预报产品和单站观测资料,采用最小二乘支持向量机回归方法,结合选取合适的参数和核函数,分别按月通过不同长度样本序列建立了台北和厦门站总云量和低云量短期释用预报模型,利用2007年1、8月样本资料对模型进行了预报和检验,并与神经网络方法进行了对比.结果表明:最小二乘支持向量机回归方法的预报效果要好于神经网络方法;两站不同长度样本的总云量和低云量预报模型,预报效果较好,其预报准确率不会因为训练样本的减少而降低.可见,最小二乘支持向量机回归在云量等气象要素释用预报方面,具有较好的应用前景.     

湖北省天空云量的特征分析及其预报

利用１９９６～１９９８年的历史气象资料统计了湖北省天空云量,接着分析了天空云量与高空物理量的关系,在此基础上使用ＭＯＳ方法建立了天空云量的预报模型。经１９９９年９～１１月试验,其初步结果表明,该预报模型可较好地反映云量变化的趋势,对阴天和晴天之间转变的趋势预报较为正确,但其在应用时仍需加强订正工作。     

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。     

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。     

支持向量机方法作温度预报试验

SVM(SupportVectorM ach ines)方法独特新颖,具有坚实的理论支撑;其方法依据关键样本(支持向量)来建立最终的决策函数,与传统的基于确定因子的权重系数来明确表达各个因子的权重组合及预报对象变化的常规统计方法有显著的区别。作为对一种新的数值预报产品的释用方法尝试,利用欧洲中心数值产品及兴义市历年温度资料,利用支持向量机方法作了兴义市24h平均温度预报试验,其结果显示出了该方法有一定的预报能力。     

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。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。     

用支持向量机方法做登陆热带气旋站点大风预报

将支持向量机（SVM）回归方法应用于在登陆热带气旋影响下,每天00、06、12、18 UTC 4时次2分钟平均的站点风速预报。从2002-2007年热带气旋本身强度、站点地形情况和站点附近高低空环境场要素,设计相关因子,建立了4种预报模式,其中模式4的风速拟合误差的标准差为1.591 m·s~（-1）。用2008年8个登录热带气旋做独立样本检验,预报风速与实际风速的平均绝对值误差为1.750 m·s~（-1）,标准差为2.367 m·s~（-1）。结果表明,在适当的样本截取和预报因子选取后,SVM方法建模的风速预报48小时内效果较好。     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

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。     

SVM方法在热带气旋风雨及温度预报中的应用

热带气旋的强弱和移动路径会直接影响到周围大气中气压、温度、露点等气象要素的变化.为更好地了解热带气旋对海口市的影响,通过收集影响海口市热带气旋关键因子,建立热带气旋风雨影响预报因子库,基于SVM方法对热带气旋在过程降水量、最大风速和平均温度进行趋势预报.结果表明,该方法对影响海口市热带气旋的过程降水量、最大风速和平均温度都有较好的预测效果,但对于超过15 m/s的最大风速和200 mm以上降水量级上存在一定的偏差,这可能与SVM模式中预报因子库中关键因子不全及模式的择中原理使结果趋于平均化相关.     

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。     

基于支持向量机(SVM)方法的冬季温度预测

选取河南省5个代表站,分别代表河南省5个片,将气候预测中常用的74项环流特征量资料进行归一化处理,分别将其与5个代表站的冬季温度进行相关普查,在筛选预测因子的基础上,利用SVM两类分类和回归方法,建立河南各代表站冬季温度预测推理模型,用2000/2001~2004/2005年4年进行试报,结果显示SVM方法是处理非线性分类和回归等问题的有效方法,做分类和回归预测时,各代表站对应的SVM推理模型均具有良好的预报能力,且对温度预测SVM回归优于SVM分类。     

利用CFSR资料分析近30年全球云量分布及变化

在利用MODIS卫星的云产品资料对CFSR(Climate Forecast System Reanalysis)再分析资料云产品质量进行检验评估的基础上,采用CFSR资料对1979—2009年全球总云量及低、中、高云量的平均分布及其随纬度的变化进行了分析;用经验模态分解(EMD)方法分析了近30年全球云量的变化趋势,结果表明:(1)全球近30年平均总云量约为59%,全球总云量及低云量、中云量都有明显的纬向分布特征,全球总云量有3个峰值带和3个低值带。(2)低云量的海陆分布差异较明显,陆地上的低云量明显低于海洋上的,除了两个极圈附近,南半球各纬度的低云量都比北半球相应纬度上的都要多;高云量的高值、低值中心均集中在赤道附近到南、北半球30°之间的中低纬度,并且低值中心主要分布在大洋的东部。(3)总云量的总变化趋势为增长,具体表现为随时间呈现先略减少后大幅增加趋势,其突变点大致在1993年,在1993年之后,总云量显著增多。低云量和高云量均呈现增长趋势,中云量则相反,呈减少趋势。低云量增幅最明显,接近2%,中、高云量则增减幅度较小。     

支持向量机方法应用于理想时间序列的预测研究

简要介绍了基于统计学习理论的支持向量机方法的基本思想和原理,利用该方法对33模Lorenz系统的理想混沌时间序列建立预测模型,并对在此基础上产生的非平稳时间序列进行预测试验研究。结果表明,支持向量机方法不仅对平稳过程有较好的预报能力,也可以适用于非平稳过程,对实际序列的预测有一定的启发意义。     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.     

南京市心脑血管疾病的医疗气象预报研究

以2003年1月至2008年7月南京市某医院的心脑血管逐日就诊人数为样本,首先根据其时间分布特征采用虚拟变量选择包含节假日等的22个非气象因子,然后通过逐步回归法筛选气象因子和非气象因子,得到最终模型的解释变量,采用支持向量机(SVM)回归方法分别构建了南京市心、脑血管疾病预测模型。将就诊人数分为5个等级,通过反查,模型针对心、脑血管疾病在同一等级和差一等级的准确率分别为87.91%和84.62%,实际预测结果较好,证明该模型具有较高的实际应用价值。