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.     

支持向量机分类方法在天空云量预报中的应用

以2001年5月1日至2004年12月31日逐日武汉市地面、高空观测资料及欧洲中心24小时预报场等资料为基础,构建了不同的训练样本集,基于支持向量机方法进行了大量多因子的随机交叉验证,从而筛选出了包含最佳预报因子的训练样本集和相应的核参数g,建立了武汉市天空云量的预报模型。交叉验证结果表明预报模型是稳定性的、且具有较好的预报能力和推广应用能力。预报试验和实时预报的结果都显示出SVM方法对天空云量有一定的预报能力。     

人工神经网络及支持向量机在降雨量预报中的应用

使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1h和3h预报的研究,并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6～7月的降水过程,比较了网络(文中指BPN、JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、强降雨区域和强度;使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明:网络和CCM对雨带和强降雨区域的预报比较准确,但是对强降雨中心位置和强度的预报与实况存在差异;在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响;预报的中小尺度结构与天气分析的结果一致;网络与CCM以及不同的网络之间的预报结果存在着差异;连续预报的结果表明,与CCM相比,网络对3h预报的效果优于1h的。     

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。     

用支持向量机方法作德阳降水预报

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。     

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。     

BP神经网络和支持向量机在紫外线预报中的应用

为了提高紫外线预报准确率,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machines,简称SVM)回归方法建立重庆市主城区紫外线辐射强度客观预报模型。统计相关分析结果显示,不同季节影响紫外线辐射强度的主要因素并不相同。对所有相关分析因子用逐步回归方法,按方差贡献大小筛选出预报因子,以每日紫外线平均辐射量为预报对象,分季节建立预报模型。比较用不同方法建立的预报模型发现,两种非线性模型(BP模型和SVM模型)的拟合能力优于线性逐步回归模型,但独立样本检验结果表明,3种模型的预报准确率基本相当。将3种方法所建预报模型应用T213数值预报资料进行业务试报,得到较好预报效果。     

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。     

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。     

监测旱涝的云参数方法研究

类似于降水量Ｚ指标法对旱情的监测,进行了云参数监测旱情的研究,建立了云量监测的Ｚ指标法。以１９８７～１９９２ 年的总云量和高云量的候平均资料为基础,求出１９９２ 年不同时段的Ｚ值,得到以图形表示的各时段的旱情监测结果,并与同期降水量Ｚ指标法的结果作了比较。分析表明,用云参数的Ｚ指标法监测旱情是可行的。由于云参数既容易获得又不受地区限制,所以云参数监测旱情的Ｚ指标法有实际应用价值     

SVM方法在武汉区域夏季暴雨预报业务中的应用

以2003～2006年ECMWF数值预报产品、Japan和T213降水预报场资料为基础,应用支持向量机（SVM）方法和CMSVM应用软件平台,通过对训练样本进行交叉验证和模型核参数的逐渐逼近,分区建立了武汉区域16,个区SVM24h暴雨预报模型,并在武汉区域5～7月进行实时业务应用。通过预报结果检验,5～7月武汉区域暴雨预报TS评分为33．59％,其中湖北省平均成绩为34．69％、湖南省平均成绩为34．15％、河南省平均成绩为31．71％。检验结果较好,表明SVM方法在区域性暴雨预报中具有一定的预报能力和参考价值。     

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.     

粒子群算法与支持向量机相结合的热带气旋强度预报试验

支持向量机(SVM)的惩罚参数及核参数的选择直接影响到模型效果,通过粒子群算法(PSO)解决支持向量机的参数选择问题,实现了参数选择的自动化。将该方法应用于热带气旋强度预报,利用气候持续性因子,挑选了1990年的100个左右样本进行预报检验,预报时效为12 h、24 h、36 h、48 h的强度平均绝对误差分别为3.00、4.35、4.93和6.68 m/s。另外,还与国外预报结果及采用最小二乘回归法的预报结果进行了效果的比较,SVM方法显示了更好的预报能力。     

SVM 方法在北京地区夏季晴雨预报中的初步应用

以常规观测降水资料、T639 模式输出产品为基础,利用支持向量机（SVM）方法分别建立了北京地区延庆、密云、房山和观象台4 个站点的夏季晴雨预报模型,并用独立的样本对预报模型进行了业务试运行检验。检验结果表明,经过SVM 方法学习后建立的站点晴雨预报效果优于T639 模式直接输出的晴雨预报效果,08—20 时段和20—08 时段4 站晴雨预报平均准确率分别提高了20.06%和9.45%。SVM 方法对T639 的晴雨预报效果有显著的改进,对北京地区夏季晴雨预报有一定的客观参考价值。     

水面蒸发计算的人工神经网络方法研究

根据影响水面蒸发的主要气象因互，利用人工神经网络的学习，记忆功能，研究了一种新的水面蒸发计算方法。结果表明，该方法的计算简便，误差较小，为水面蒸发的气候学计算方法研究提供了一种思路。     

热带季节内振荡时空特征的诊断研究

文中应用谱分析、小波分析等方法及较长时段的资料进一步总结了热带季节内振荡的一些基本气候特征。热带季节内振荡主要活跃在 3个地区 ,最强的是西太平洋地区 ,其次是印度洋地区 ,第三是东太平洋沿岸的赤道以北地区。热带季节内振荡有明显的季节变化 ,西太平洋地区和印度洋地区的季节内振荡 1a中有两次极大值 ,冬季主要活跃在南半球 (10°S附近 ) ,而夏季则活跃在北半球 (10°N附近 ) ,春、秋季热带季节内振荡则明显减弱。东赤道太平洋北侧的季节内振荡只在夏季活跃 ,而冬季则很弱 ,且不随季节而南北移动。对于大气的大尺度要素 ,例如u风场 ,热带季节内振荡的能量主要集中在 1波。而对于像降水这样尺度较小的要素 ,热带季节内振荡的能量则相对较分散 ,尽管它仍然在 1波有最大的能量 ,但 2～ 4波也具有较接近的能量。热带季节内振荡以东移的波动为主。热带季节内振荡存在着年际甚至更长时间的变化。 2 0世纪 70年代末期季节内振荡的幅度有一明显的突变。     

A PRELIMINARY STUDY OF FOURIER SERIES ANALYSIS ON CLOUD TRACKING WITH GOES HIGH TEMPORAL RESOLUTION IMAGES

Fourier series analysis is proposed as a new technique to address the problem of“sub-pixelmotion”in deriving cloud motion winds(CMW)from high temporal resolution images.Based on aconcept different from that of maximum correlation matching technique,the Fourier techniquecomputes phase speed as an estimate of cloud motion.It is very effective for tracking small cellularclouds in 1-min interval images and more efficient for computation than the maximum correlationtechnique because only two templates in same size are involved in primary tracking procedure.Moreover it obtains not only CMW vectors but potentially also velocity spectrum and variance.Apractical example is given to show the cloud motion winds from 1-min interval images with theFourier method versus those from traditional 30-min interval images with maximum correlationtechnique.Problems that require further investigation before the Fourier technique can be regardedas a viable technique,especially for cloud tracking with high temporal resolution images,are alsorevealed.     

临安和上甸子大气本底站大气中NMHCs组成与浓度的变化特征

为研究中国大气中非甲烷烃(NMHCs)区域性本底浓度与变化特征,采用吸附富集-热脱附-气相色谱法,测定了临安(30°25′N,119°44′E,海拔132.0 m)和上甸子(40°19′N,117°07′E,海拔286.5 m)大气本底站大气中NMHCs的组成与浓度.从2003年10月至2004年7月,先后按季度分4次观测与取样,共获145个有效样品.检测出C2-C10的NMHCs组分52个,其中包括26个烷烃、17个烯烃和9个芳香烃化合物.在临安和上甸子大气中非甲烷烃总烃(TNMHCs)的平均质量浓度分别为(238.5±126.0)×10-9 C,(278.7±185.5)×10-9 C.两站烷、烯、芳香烃在TNMHCs中所占的比例相近,分别约为21%-33%,7%-19%,54%-70%.受源、汇和气象条件的共同影响,NMHCs浓度存在明显地日变化和季节性变化,但变化趋势两地略有不同.TNMHCs平均浓度的峰值都出现在10月,谷值分别出现在1,7月.气象要素以风向和风速的影响最为明显.TNMHCs高浓度大多与上风向存在较强污染源有关.另外发现,临安TNMHCs浓度比10 a前有明显增加.