改进BP神经网络在城市环境大气污染分季节预报中的应用

用泛化改进后的BP神经网络模型，选用2001、2002、2003年的气象因子和环境监测浓度资料按年度、季节分别建立预报模型，对贵阳市城市大气污染浓度进行预报。该方法除弥补了统计方法的预报精度不高和数值预报模式的方法复杂难实现的不足之处外，还很好地解决了未改进的BP网络训练误差很小时，一个新的输入与对应的目标输出具有较大误差的问题。     

基于气象因子及机器学习回归算法的夏季空调负荷预测

气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。     

大连地区雷暴时空变化特征及其严重年大气环流背景分析

利用1961—2013年大连地区3测站逐日地面雷暴观测资料及1948—2016年NCEP/NCAR再分析月平均资料,采用线性趋势估计和合成分析方法分析了大连地区雷暴日数的时间和空间分布规律,并进一步探讨雷暴严重年5—9月平均大气环流背景特征。结果表明:大连地区雷暴具有明显的地域特征,空间分布主要呈现北部内陆地区多,南部沿海地区少的特点;除2月外,各地其余月份均可发生雷暴,7月和8月达到高峰值,雷暴集中发生在5—9月,雷暴具有较强的季节性,夏季6—8月最多,冬季很少出现雷暴;年平均雷暴日数总体呈减少趋势,其中北部的减少趋势尤为显著;雷暴初日多出现在4月,终日多出现在10月,初日较终日稳定,无论初日和终日均以北部地区较南部地区稳定,各地雷暴初日显著提前,终日推迟不显著,但仅有大连终日推迟趋势显著;雷暴初日和终日北部地区对应的候平均气温阈值分别为-1℃和10℃,南部(东部)地区对应的候平均气温阈值分别为6℃(-1℃)和3℃(8℃);多雷暴年,高层500 hPa蒙古低涡异常偏强,副热带高压偏西偏北,低层850 hPa偏南风水汽输送和大连上空整层垂直上升运动均异常偏强,这些有利于雷暴日数的增多,而少雷暴年与多雷暴年特征基本相反。