多模式温度集成预报

基于中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式2 m高温度预报, 利用神经网络方法中的BP网络建立了我国600多个站的温度集成预报系统, 该预报系统的预报时效为72 h, 间隔为3 h。通过对2004年1—5月的预报结果检验, 表明:集成的温度预报结果明显优于3个模式单独的预报结果, 72 h内预报的平均绝对误差在3 ℃以内, 并且不存在明显的系统误差, 预报达到了一定的精度, 可以为预报员提供定时、定点精细的客观温度预报参考。分区的检验结果表明:不同区域预报误差存在差别, 新疆和西藏误差比较大, 而长江流域和华南地区误差很小, 并且不同区域系统误差的情况也不相同。从总体情况看, 预报误差还存在日变化, 一般来讲, 夜间的预报误差小于白天。     

基于前馈神经网络的多模式集成降水预报研究

为提高山东定量降水预报准确率,采用深度前馈神经网络（Deep Forword Neural Networks,DFNN）和降水分级最优TS(Threat Score)权重集成方法对多模式集成降水预报进行研究。对2019年4—9月欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasting, ECMWF）全球数值预报系统、中国气象局上海数值预报模式系统（China Meteorological Administration Shanghai9 km, CMA-SH9）和中国气象局中尺度天气数值预报系统（China Meteorological Administration Mesoscale, CMA-MESO）逐24 h累积降水量预报进行有监督训练,得到4组DFNN(ES、EM、SM、ESM)深度学习模型,并利用多模式降水分级最优TS权重集成方法建立Mul-OTS(Multi-mode Optimal Threat Score)集成模型。用2020年4—9月各模式逐24 h累积降水量进行降尺度格点预报,对5种集成方案对比...     

基于BP人工神经网络的区域温度多模式集成预报试验

基于T213L31、T106L19和欧洲中期预报中心数值预报产品,应用BP人工神经网络技术,建立了850 hPa高度区域温度集成预报模型,并进行了检验.结果表明:该模型能比较准确地预报强冷空气活动过程中冷中心及温度槽脊的位置和强度,预报结果的平均绝对误差明显小于3个子模式,预报场与实况场的相关程度明显高于3个子模式,预...     

月平均气温预报的神经网络BP型多层映射模式

采用神经网络ＢＰ多层映射模式，利用１９４６～１９７９（１９８０）年南京月平均气温资料序列，计算得到系统的分维数Ｄ＿０＝２．８，确定三层模式形式ｉ×ｊ＝３×２，ｋ＝１，由此作出１９８０（１９８１）年１～１２月平均气温预报值。它与实测值的相关系数为０．９７（０．９８）。如按各月资料建立序列，作１～１２月各月平均气温预报与实测值的相关系数为０．９９（０．９９）。     

BP神经网络法在大气污染预报中的应用研究

近年来将BP网络模型应用到大气污染浓度预报中 ,并建立了大气污染物浓度的神经网络预报模型。将计算结果与监测值进行了验证 ,结果表明 :TSP的计算值与观测值之间的绝对误差为 4× 1 0 - 3～ 3× 1 0 - 2 mg·m- 3,NOX 的计算值与观测值之间的绝对误差为 5× 1 0 - 3～ 2× 1 0 - 2 mg·m- 3;且具有较好的相关性。BP模型是目前最为广泛应用的神经网络模型之一 ,它是一种简单而又非常有效的算法 ,BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。     

BP神经网络在寒露风长期预报中的应用

运用神经网络理论建立玉林寒露风长期预报模式，该预报模式在预报实践中获得了较好的效果。     

地面气象要素多模式集成预报研究进展

目前,集合预报已成为天气预报业务的主要支撑。然而,由于数值模式本身的限制与不完善以及集合系统存在初值扰动、集合大小等方面的局限,常存在预报偏差。不同预报模式通常具有不同的物理过程参数化方案、初始条件等,导致其预报能力各有不同。为此,如何纠正预报偏差以及如何充分有效地利用不同模式的预报信息以获得更加准确的天气预报广受关注。近年来,利用统计理论与预报诊断,基于多个集合预报系统的多模式集成预报技术得到快速发展,已成为有效消除预报偏差从而提高天气预报技巧的一种统计后处理方法。针对气温、降水和风3个最基本的地面气象要素,首先依据预报形式将应用范围较广的简单集合平均、消除偏差集合平均、超级集合、贝叶斯模式平均、集合模式输出统计等加权或等权平均多模式集成技术,分成确定性预报和概率预报两大类,并做系统介绍。最后,讨论使用和发展多模式集成技术需要关注的问题,包括考虑参与集成的模式个数、发展降水及风速分级预报模型和发展基于机器学习的多模式集成新技术。     

多隐层BP神经网络在模式预报中的简化应用

EC细网格预报效果好,基本满足业务需要,在工作中被广泛应用。为进一步提升预报准确性,做好迪士尼园区的气象服务保障,选取2016年7月至2017年6月1年的2 m温度预报场,24 h预报时效的时间分辨率为3 h,72 h预报时效的时间分辨率为24 h,分别用回归分析法、S型和简化Line型BP神经网络法进行模式释用,与迪士尼气象站观测数据对比。结果表明:阈值为1℃时,对模式结果释用后,均方根误差减少了0.5℃到1.0℃,3—9 h和21—72 h预报时效的准确率由原来的50%和30%分别上升到70%和50%。采用S型多隐层BP神经网络误差最小,不同预报时效释用稳定性最高,同时该释用方法对t_(min)的预报特征把握更精准,释用效果明显优于对t_(max)的预报释用,但迭代计算耗费时间大幅增多,与预报效果的提升不成正比。简化Line型的BP神经网络通过8个半月的数据量和简单的网络模式,捕获了EC预报的特征,不但减小了计算量,大幅缩短了计算时间,而且预报结果也有显著提升,预报稳定性较好,具有广泛的业务应用空间。     

台风路径多模式集成预报技术研究

利用NCEP、ECMWF、日本数值、英国数值、上海台风模式和广州模式包含全球模式和区域在内的6家数值模式资料,利用近似SEAV方法,设计台风路径多模式集成预报方法(SHME),并用2014—2016年的台风客观预报数据进行多模式集成预报的效果检验,且与ECMWF模式进行比较,通过比较发现,SHME方法较ECMWF在12～48 h预报上有明显改进,在72～120 h预报2014年尤其突出,2015—2016年均与ECMWF预报效果相当。     

遗传算法进化设计BP神经网络气象预报建模研究

利用遗传算法进化设计神经网络的结构和连接权,并针对遗传算法局部调节能力比较弱的问题,采用从进化后的神经网络中用训练样本再次寻优的方法,建立神经网络气象预报模型,该方法克服了神经网络极易陷入局部解和遗传算法局部调节能力比较弱的问题,以广西的月降水量进行实例分析,计算结果表明该方法预报精度高、而且稳定。     

基于遗传优化BP神经网络的水稻气象产量预报模型

利用1951—2010年江苏省水稻产量及同期14个气象站点的逐日平均气温、降水资料,采用因子膨化及相关分析,研究了水稻气象产量的影响因子及影响时段。在此基础上建立了逐步回归、PCA-BP神经网络以及PCA-GA-BP神经网络3种产量预报模型。结果表明:(1)7—9月份是水稻产量形成的关键时期,对气温、降水的变化最为敏感,气温对气象产量的影响大于降水;(2)两种神经网络模型预报效果好于回归模型;(3)遗传优化的神经网络模型比未优化模型的训练速度提高了70%左右,预报精度也提高了4.3%。     

交叉熵神经网络及其在闽北大雨以上降水预报中的应用

基于误差平方和最小化准则的BP神经网络(ANN-MSE)并不适合解决小概率天气事件的预报问题,引进一种改进的以交叉熵函数为目标函数的神经网络方法(ANN-CE),该法是一个三层反向传播神经网络,其输出层只用一个节点.利用2003-2008年的ECMWF预报场资料,把该法用于福建省南平市4-6月部分大雨或以上降水96h预报中,分别用原始因子和PCA降维后的主因子建立了ANN-CE预报模型和ANN-MSE预报模型,用这些模型对2009-2010年独立样本进行了试报.测试结果显示主因子预报模型TS评分比原始因子预报模型高且漏报次数少,其中,主因子ANN-CE预报模型的TS评分和漏报率分别是0.51和0.17,其性能是所有模型中最好且最为稳定的,是一种适合于小概率事件预报的方法.     

基于神经网络和地理信息的华东及华南地区降水概率预报

基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Fore-casts,ECMWF) 2015年2月8日-2016年12月31日中国华东及华南地区24 ～168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Ne...     

A short-range quantitative precipitation forecast algorithm using back-propagation neural network approach

A back-propagation neural network （BPNN） was used to establish relationships between the shortrange （0-3-h） rainfall and the predictors ranging from extrapolative forecasts of radar reflectivity, satelliteestimated cloud-top temperature, lightning strike rates, and Nested Grid Model （NGM） outputs. Quan- titative precipitation forecasts （QPF） and the probabilities of categorical precipitation were obtained. Results of the BPNN algorithm were compared to the results obtained from the multiple linear regression algorithm for an independent dataset from the 1999 warm season over the continental United States. A sample forecast was made over the southeastern United States. Results showed that the BPNN categorical rainfall forecasts agreed well with Stage Ⅲ observations in terms of the size and shape of the area of rainfall. The BPNN tended to over-forecast the spatial extent of heavier rainfall amounts, but the positioning of the areas with rainfall ≥25.4 mm was still generally accurate. It appeared that the BPNN and linear regression approaches produce forecasts of very similar quality, although in some respects BPNN slightly outperformed the regression.     

基于BP神经网络的浙北夏季降尺度降水预报方法的应用

利用NCEP提供的全球空间分辨率为2.5°×2.5°、2007—2012年6—8月日平均500 h Pa高度场再分析格点资料和浙北地区158个站点观测资料,研究了不同大气环流型下局地降水与大尺度降水场之间的关系,以4种不同环流型下的预报对象和预报因子分别采用BP神经网络方法对观测资料进行逼近,得到4种空间降尺度的预报模型,分析对比4种预报模型158站逐日的降水量的预报。结果表明:神经网络模型的隐层节点数为2时,对降水的拟合效果最好;对降水的极值拟合效果中,环流分型中NW型和C型的效果优于SW型和SE型;从4种分型下的误差空间分布来看,浙北地区沿海的宁波、舟山一带的误差小于浙北其他区域;把雨量分等级后进行预测,发现模型对暴雨的预测能力最好。     

BP神经网络在图像字符识别中的改进和应用

传统BP神经网络算法虽然具有良好的学习能力和容错能力,但是收敛速度慢,易陷入局部极小点等缺点制约了它的进一步发展和应用.针对这些不足,采用自适应学习率结合附加动量因子的方法可以有效缩短训练时间,加快收敛速度,同时抑制寻优算法陷入局部极小点.将该算法应用于图像字符识别系统中,通过一系列实验优化系统参数之后给出系统识别结果,表明该系统识别具有较高的准确性和鲁棒性.     

基于BP神经网络的厦门集美大桥高程传递的设计与实现

针对厦门集美大桥建设过程中的高程传递问题,提出了基于BP神经网络的方法,并构建了沿桥梁径向布设的GPS水准网,通过BP神经网络的设计与解算,得到了较好的结果.     

BP神经网络在长期天气过程预报中的应用试验

采用误差反传前向网络(简称BP网络)方法,以日、月相概率作为输入因子,建立长期天气预报模型。结果表明,模型的业务预报试验效果比较理想,对较大降水和升(降)温过程均有一定预报能力,相对于传统的单纯运用日、月相概率预报长期天气过程的方法,BP神经网络方法具有预报较客观、准确率较高等特点,在目前长期天气预报理论和数值预报模式尚不能用于实际业务的情况下具有较大的应用价值。     

通用线性模型在气象水文集合预报后处理中的应用

通用线性模型是一个气象水文预报后处理的统计模型。它能消除水文模型流量模拟中的偏差,保留了原始预报的技巧,并且能产生可靠的水文集合预报。本文试验中利用通用线性模型对取自于国际模型参数估计试验数据库的日流量模拟数据进行校正,并与实况观测作比较,检验通用线性模型降低误差的性能。结果表明:通用线性模型产生的流量集合预报的连续分级概率评分分值都在0.5分以下,证明集合预报结果是可靠的;校正后的模拟值在平均值、标准差、均方根误差等检验指标方面都比原始模拟更加接近于实际观测值;即使是对于误差较小的水文模拟,通用线性模型仍有对其进行改善的能力。     

一种改进的BP算法及在降水预报中的应用

传统BP（back propagation）算法在实际应用中具有网络结构参数和学习训练参数难以确定、泛化能力差、训练学习易陷入局部极小点等问题。该文在传统BP算法的基础上,提出一种改进算法,在训练过程中能自动确定各种参数,并避免陷入局部极小点,提高网络的泛化能力。利用2003—2005年5—9月中国国家气象中心T213的数值预报产品,通过动力诊断得出反映降水的物理量,然后从中挑选出与降水关系较好的25个因子,连同中国国家气象中心T213模式、日本气象厅业务模式和德国气象局业务模式相应的降水量预报结果作为预报因子。采用改进的BP算法建立江淮流域68个站24 h降水 (08:00—08:00,北京时）3个等级（降水量≥0.1 mm,降水量≥10 mm,降水量≥25 mm）的预报模型。通过对2006—2007年5—9月68个站试报结果表明：改进BP算法对降水预报的TS评分大大高于传统BP算法,也高于几种模式的降水预报结果,同时,改进算法使降水预报的平均空报率、漏报率明显降低。