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。     

遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究

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。     

神经网络BP模型用于月降水预报的研究

采用神经网络ＢＰ型三层映射模式，以南京１９４６－１９８５年４０年月雨量为基础序列，确定三层模式的形式。通过不断调整权重系数，作出１９８６年１－１２月的月雨量长期预报，又用同样方法但改用前一个月的实测值报后一个月的月雨量作出１９８６年各月的月雨址预报。平均绝对误差分别为６．０７ｍｍ和５．７３ｍｍ。对１９９４年６、７、８、９月月雨量以４个不同的起始值进行神经网络预测，都得到１９９４年夏季南京特旱的结果，与实测结果相同。     

海南岛冬季平均气温的多层递阶自回归长期预报模型

使用海南岛冬季平均气温资料,根据动态系统预测的理论,选用层递自回归预报的方法,建立了海南岛冬季平均气温长期预报的多层递阶自回归预报模型,进行预报。     

用复数自回归模式预报月平均气温

在复数域最小二乘法的基础上, 建立了复数自回归模式。数学推导和实例应用表明:这一复数自回归模式不同于将复数序列中的实部和虚部分开来计算的结果, 将实部和虚部分开来计算的方法不是真正意义的最小二乘法。应用包括一个任意给定的复数序列和全国160个基本气象台站上历年7月月平均气温。采用距平相关系数和均方根误差两种检验标准, 对独立预报结果进行检验, 并与其他3种常用统计模型作比较。结果显示:该复数自回归模式确实具有较好的预报效果。     

青海省月平均气温潜在长期可预报性的估计

讨论了气候信号与气候噪声的相互关系和月平均气温预报正确率的上限问题。用青海省２５个站逐日气温的多年资料，按３种方法估计了气候信号和气候噪声的方差。结果得出，如果以绝对误差小于均方差的０．６８倍作为预报正确的标准，则青海省月平均气温预报正确率的上限约为６６％￣７２％，冬季与夏季差别不大。     

基于多模式集成技术的地面气温精细化预报

基于ECMWF、JMA、T639、WRF四个数值模式2012年6月1日—9月30日地面气温3—60 h预报资料和郑州加密自动站资料,利用多模式集合平均(EMN)、消除偏差集合平均(BREM)、加权消除偏差集合(WBREM)及多模式超级集合(SUP)4种方法,对2012年8月29日—9月27日郑州城区11个站点地面逐3 h气温进行多模式集成预报试验,采用绝对误差对预报结果进行检验评估,结果表明:在30天的预报期内,BREM、WBREM及SUP对于大多数站气温预报效果有明显改善,而EMN方案对11个站预报效果改善则不太明显;4种方案中,BREM和WBREM预报效果相对较好且稳定,各个站上3—60 h预报的绝对误差均在2℃附近或以下;SUP方案虽然对个别站预报误差较低,但是其预报效果并不稳定,一些站点的个别预报时效误差大于2℃。对于郑州观测站的气温预报而言,4种集成方案20时起报的气温误差明显小于08时起报的误差,并且20时起报的SUP集成方案绝对误差明显小于其他方案的绝对误差。总体而言,BREM、WBREM及SUP三种集成方案能够给郑州精细化预报业务提供较好的参考。     

基于BP神经网络模型的广西月降水量降尺度预报

应用1961～1998年的山东省40个代表站夏季降水资料及NCAR/NCEP再分析月平均资料,分析了山东夏季降水的气候特征,并对旱涝年的大气环流异常进行了合成对比分析。结果表明:山东夏季降水整体表现为旱涝同步,降水分布呈现由东南向西北递减的趋势。涝年与旱年的环流形势存在明显的差异:涝年,贝加尔湖及其以西地区的位势高度降低,我国东部到日本海的位势高度明显升高。东亚大槽、乌拉尔山阻高、副热带高压位置及强度的变化对山东夏季降水有重要影响。有三支暖湿气流在山东上空交汇,为降水提供了充沛的水汽来源;而在旱年,上述环流特征呈现相反的形势。     

海南岛冬季平均气温的多层递阶自回归长期预报模型

使用海南岛（以海口资料为代表）冬季平均气温资料,根据动态系统预测的理论,选用多层递阶自回归预报的方法,建立了海南岛冬季平均气温长期预报的多层递阶自回归预报模型,进行预报。结果表明,预报结果与实测值误差较小,冷暖年趋势预报和定量预报效果较理想。     

Monthly Mean Temperature Prediction Based on a Multi－level Mapping Model of Neural Network BP Type

In terms of 34-year monthly mean temperature series in 1946-1979, the multi-level mapping model of neural network BP type was applied to calculate the system’s fractual dimension D0 = 2.8, leading to a three-level model of this type with i × j = 3 × 2, k = 1, and the 1980 monthly mean temperture prediction on a long-term basis were pre-pared by steadily modifying the weighting coefficient, making for the correlation coefficient of 97% with the measurements. Furthermore, the weighting parameter was modified for each month of 1980 by means of observations, therefore constructing monthly mean temperature forecasts from January to December of the year, reaching the correlation of 99.9% with the measurements. Likewise, the resulting 1981 monthly predictions on a long-range basis with 1946-1980 corresponding records yielded the correlation of 98% and the month-to month forecasts of 99.4%.     

基于MATLAB的主成分RBF神经网络降水预报模型

以前期500 hPa高度场、海温场为预报因子,采用径向基函数(RBF)神经网络与主成分分析相结合的方法,建立了广西中部5月平均降水预报模型。在5年独立样本的预测检验中,预测的平均相对误差、均方误差及平均绝对误差分别为18.12%、50.52和34.23。对比分析RBF神经网络与BP(Back Propagation)神经网络的预测结果,表明RBF神经网络预测结果更准确、精度更高。     

DOWNSCALING FORECAST OF MONTHLY PRECIPITATION OVER GUANGXI BASED ON BP NEURAL NETWORK MODEL

Variables fields such as enstrophy, meridional-wind and zonal-wind variables are derived from monthly 500 hPa geopotential height anomalous fields. In this work, we select original predictors from monthly 500-hPa geopotential height anomalous fields and their variables in June of 1958 - 2001, and determine comprehensive predictors by conducting empirical orthogonal function (EOF) respectively with the original predictors. A downscaling forecast model based on the back propagation (BP) neural network is built by use of the comprehensive predictors to predict the monthly precipitation in June over Guangxi with the monthly dynamic extended range forecast products. For comparison, we also build another BP neural network model with the same predictands by using the former comprehensive predictors selected from 500-hPa geopotential height anomalous fields in May to December of 1957 - 2000 and January to April of 1958 - 2001. The two models are tested and results show that the precision of superposition of the downscaling model is better than that of the one based on former comprehensive predictors, but the prediction accuracy of the downscaling model depends on the output of monthly dynamic extended range forecast.     

STUDY ON MIXED MODEL OF NEURAL NETWORK FOR FARMLAND FLOOD/DROUGHT PREDICTION

The paper concerns a flood/drought prediction model involving the continuation of time seriesof a predictand and the physical factors influencing the change of predictand.Attempt is made toconstruct the model by the neural network scheme for the nonlinear mapping relation based onmulti-input and single output.The model is found of steadily higher predictive accuracy by testingthe output from one and multiple stepwise predictions against observations and comparing theresults to those from a traditional statistical model.     

我国月平均气温场遥相关结构的观测研究

研究了我国月平均气温场的遥相关结构。指出，我国冬季月份的气温场的跷跷板特征不明显。夏季月季有明显的遥相关结构。给出了各月的遥相关模态及强度。指出，月平均气温遥相关表现为从南向东北，西北方向的辐射状。在１０５°Ｅ以东呈东北－西南向。在１０５°Ｅ以西呈西北－东南向。这种遥相关结构是由环流异常造成的。而且可以在区域的月平均气温场预报中使用。     

STUDY ON THE METEOROLOGICAL PREDICTION MODEL USING THE LEARNING ALGORITHM OF NEURAL ENSEMBLE BASED ON PSO ALGORITHMS

Because of the difficulty in deciding on the structure of BP neural network in operational meteorological application and the tendency for the network to transform to an issue of local solution, a hybrid Particle Swarm Optimization Algorithm based on Artificial Neural Network (PSO-BP) model is proposed for monthly mean rainfall of the whole area of Guangxi. It combines Particle Swarm Optimization (PSO) with BP, that is, the number of hidden nodes and connection weights are optimized by the implementation of PSO operation. The method produces a better network architecture and initial connection weights, trains the traditional backward propagation again by training samples. The ensemble strategy is carried out for the linear programming to calculate the best weights based on the “east sum of the error absolute value” as the optimal rule. The weighted coefficient of each ensemble individual is obtained. The results show that the method can effectively improve learning and generalization ability of the neural network.     

AN APPARENT TEMPERATURE MODEL BASED ON THERMAL EQUILIBRIUM

In this paper,a comprehensive analysis and review of the advances in the research of human body comfort degree is made.Based on the studies of human thermal equilibrium theories contributed by previous researchers,different apparent temperature models corresponding to different environments are set up in accordance with the current situation and the characteristics of metabolism in different groups of people in China.After case studies and comparison with present dominant human body comfort degree statistical models,it is proved that the apparent temperature models have high rationality and wide adaptability.Furthermore,the comfort scaling standard according to apparent temperature is suggested,which is suitable for the middle latitude regions in China.     

基于GRU神经网络与灰色模型集成的气温预报

使用传统单一模型预报气温经常出现漏报现象,最终导致预测结果不理想,精度较低。针对单一预报模型稳定性较低,随机性偏高,突发性较多的特点,在深度学习理论的基础上,提出一种采用门控循环单元(GRU)和灰色模型(GM)集成的方法,先分别训练两个模型,再通过权值ω将二者的预测结果进行加权组合,权值ω适当调整模型,改善模型的预报结果,提高模型的预报精度,并加快了运行速度,并且其普遍适用性和应急突发能力得到巨大改善。实验表明,将GRU神经网络加入灰色模型进行气温预报,效果要明显优于单一的模型,其标准差小了近一倍,从而表明实验方法的可行性和有效性。     

粒子群-神经网络集成学习算法气象预报建模研究

针对BP神经网络在实际气象预报应用中,网络结构难以确定以及网络极易陷入局部解问题,提出一种基于神经网络的粒子群集成学习算法的气象预报模型,以BP算法为基本框架,在学习过程中引入粒子群算法,优化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络个体,以“误差绝对值和最小”为最优准则,采用线性规划方法计算各集成个体的权系数,生成神经网络的输出结论,以此建立短期气候预测模型。以广西的月降水量进行实例分析,计算结果表明该方法学习能力强、泛化性能高,能够有效提高系统预测的准确率。     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNNLSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350%和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520%和8.089%。为气温的精准预报提供了参考依据。