共查询到20条相似文献,搜索用时 62 毫秒
1.
在用经验统计方法和降水判别函数进行24h和12h晴雨预报的基础上,再用BP人工神经网络建立降水量级预报模型。经2003年汛期试用,预报准确率高于上级指导预报准确率,12h预报准确率高于24h预报准确率。 相似文献
2.
人工神经网络在梅雨期短期降水分级预报中的应用 总被引:1,自引:1,他引:0
将人工神经网络应用于南京夏季梅雨期短期降水分级预报。根据梅雨期天气特点,用统计和动力学方法从HLAFS(高分辨率有限区域预报系统)资料中寻找预报因子;然后分别用两种方法选取输入因子对人工神经网络进行训练,并分别利用抽取的五天做降水分级预报检验。通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现:与HLAFS降水预报相比,降水预报准确率由原来的66.7%提高到88.2%,漏报、错报明显减少;与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高。 相似文献
3.
蔡仁 《沙漠与绿洲气象(新疆气象)》2007,1(1):49-52
利用2002年10月2日—12月1日的HLAFS资料,计算得到组合因子,通过相关系数的检验得到预报南京秋季(10—11月)降水的组合预报因子。把这些组合因子和对应的降水实况输入人工神经网络中进行学习和训练,最后得到南京秋季降水的人工神经网络预报方法。检验和试预报结果表明,预报降水的准确率为70%~80%,高于HALAF模式10%~20%。 相似文献
4.
人工神经网络方法在夏季降水预报虽的应用 总被引:3,自引:1,他引:3
在夏季雨型预报中引进了人工神经网络方法,首先,根据雨型与前期环流和海温的关系,从前期冬季资料场中找预报因子;然后,用人工神经网络方法对我国夏季的雨型进行模拟预报,以前40年资料做训练样本,让网络在一定的学习规则下进行学习。 相似文献
5.
6.
运用人工神经网络作汛期降水预报 总被引:2,自引:0,他引:2
本文提出汛期降水预报的人工神经网络方法,并选择一组标样进行了具体分析,预报成功率达100%,结果表明,该方法性能良好,可望成为汛期降水预报的有效手段。 相似文献
7.
人工神经网络方法在降水量级中期预报中的应用 总被引:7,自引:2,他引:7
将人工神经网络方法与统计方法相结合,采用分步预报的方法,首先用经验统计方法进行晴雨预测,再用BP人工经网络建立降水量级预报模型,探讨神经网络方法在中期降水预报的应用,试验表明,神经网络方法能提高中到大雨降水量级的中期预报能力,但对暴雨的预报不理想。 相似文献
8.
人工神经网络方法在夏季降水预报中的应用 总被引:8,自引:3,他引:8
在夏季雨型预报中引进了人工神经网络方法。首先,根据雨型与前期(冬季)环流和海温的关系,从前期冬季资料场中找预报因子;然后,用人工神经网络方法对我国夏季的雨型进行模拟预报,以前40年资料做训练样本,让网络在一定的学习规则下进行学习,最后得到一种分类预报模型。经对1992~1996年夏季雨型做独立试报,结果与实况基本相符。 相似文献
9.
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。 相似文献
10.
按“前期环流状态决定后期环流状态”的思想,用逐站预报、场展开、分片预报方法,设计了哈尔滨市月、季气温降水的3个预报方案,给出一年试报结果 相似文献
11.
12.
The prediction of Indian summer monsoon rainfall (ISMR) on a seasonal time scales has been attempted by various research
groups using different techniques including artificial neural networks. The prediction of ISMR on monthly and seasonal time
scales is not only scientifically challenging but is also important for planning and devising agricultural strategies. This
article describes the artificial neural network (ANN) technique with error- back-propagation algorithm to provide prediction
(hindcast) of ISMR on monthly and seasonal time scales. The ANN technique is applied to the five time series of June, July,
August, September monthly means and seasonal mean (June + July + August + September) rainfall from 1871 to 1994 based on Parthasarathy
data set. The previous five years values from all the five time-series were used to train the ANN to predict for the next
year. The details of the models used are discussed. Various statistics are calculated to examine the performance of the models
and it is found that the models could be used as a forecasting tool on seasonal and monthly time scales. It is observed by
various researchers that with the passage of time the relationships between various predictors and Indian monsoon are changing,
leading to changes in monsoon predictability. This issue is discussed and it is found that the monsoon system inherently has
a decadal scale variation in predictability.
Received: 13 March 1999 / Accepted: 31 August 1999 相似文献
13.
Prediction of soil temperature using regression and artificial neural network models 总被引:3,自引:0,他引:3
Mehmet Bilgili 《Meteorology and Atmospheric Physics》2010,110(1-2):59-70
In this study, monthly soil temperature was modeled by linear regression (LR), nonlinear regression (NLR) and artificial neural network (ANN) methods. The soil temperature and other meteorological parameters, which have been taken from Adana meteorological station, were observed between the years of 2000 and 2007 by the Turkish State Meteorological Service (TSMS). The soil temperatures were measured at depths of 5, 10, 20, 50 and 100 cm below the ground level. A three-layer feed-forward ANN structure was constructed and a back-propagation algorithm was used for the training of ANNs. In order to get a successful simulation, the correlation coefficients between all of the meteorological variables (soil temperature, atmospheric temperature, atmospheric pressure, relative humidity, wind speed, rainfall, global solar radiation and sunshine duration) were calculated taking them two by two. First, all independent variables were split into two time periods such as cold and warm seasons. They were added to the enter regression model. Then, the method of stepwise multiple regression was applied for the selection of the “best” regression equation (model). Thus, the best independent variables were selected for the LR and NLR models and they were also used in the input layer of the ANN method. Results of these methods were compared to each other. Finally, the ANN method was found to provide better performance than the LR and NLR methods. 相似文献
14.
15.
基于TIGGE资料集中的ECMWF、CMA和JMA的数值预报产品,利用加权集成、回归集成和消除偏差集成等线性集成方式与遗传算法优化的BP神经网络(GABP)集成,对我国大部开展地面2 m温度在24 h、48 h和72 h预报时效的多模式集成预报试验。通过对2013年1—6月的预报检验,结果表明:GABP集成预报效果有较大提升,均方误差明显小于各单一模式预报。GABP集成的误差分布在新疆和华北均方误差较大,但是在预报效果改进上GABP集成在西部地区相对单一模式的误差减小更加明显。在进行几种多模式集成方式时,GABP集成相比线性方法预报结果更加精准。对于天气过程个例的预报,GABP集成预报出预报量的变化趋势,预报效果优于单一模式和线性集成预报。无论是较长时间段还是短时间的天气过程,在改进预报效果上GABP集成都起到了最佳的作用。 相似文献
16.
17.
车怀敏 《高原山地气象研究》2005,25(2)
本文对支持向量机(svm)回归方法的基本原理作了简要的概述.用常规观测资料并依据预报人员的实际工作经验选取预报因子,采取经典统计预报方法的方式,利用svm方法,选取径向基作为核函数对德阳市各站日降雨量建立预报模型. 相似文献
18.
用支持向量机方法作德阳降水预报 总被引:3,自引:0,他引:3
本文对支持向量机(svm)回归方法的基本原理作了简要的概述。用常规观测资料并依据预报人员的实际工作经验选取预报因子,采取经典统计预报方法的方式。利用svm方法,选取径向基作为核函数对德阳市各站日降雨量建立预报模型。 相似文献
19.
江苏暴雨概率预报及其业务应用 总被引:1,自引:0,他引:1
以未来12~36 h、36~60 h和60~84 h的暴雨预报为目标,利用2011年—2013年夏季6—8月欧洲细网格数值模式预报产品分析了江苏夏季暴雨的可能预报因子。通过对各因子进行相关性、敏感性和代表性分析后,优选了22个对不同强度降水具有较好区分能力的暴雨预报因子。以这些因子为基础建立了一种简单的江苏省暴雨概率预报方法。其预报产品已在江苏省气象业务一体化平台上投入业务使用。该方法在2011—2013年7月,针对提前12 h预报的历史回报试验中,TS技巧评分平均为13.6,明显高于EC细网格24 h降水预报产品(平均TS评分仅为4.5)。在2014年梅汛期的6月25—26日、7月1—2日和7月4—5日三次区域性暴雨个例的预报试验中,提前60、36、12 h的预报效果均较好,其平均TS评分(44.6)也明显高于欧洲细网格数值模式的降水预报(20.4)。 相似文献
20.
Predicting Indian monsoon rainfall: a neural network approach 总被引:5,自引:0,他引:5
The summer monsoon rainfall over India is predicted by using neural networks. These computational structures are used as a nonlinear method to correlate preseason predictors to rainfall data, and as an algorithm for reconstruction of the rainfall time-series intrinsic dynamics. A combined approach is developed which captures the information built into both the stochastic approach based on suitable predictors and the deterministic dynamical model of the time series. The hierarchical network so obtained has forecasting capabilities remarkably improved with respect to conventional methods. 相似文献