熵平衡方程及其在短时降水预报中的应用

本文推导出了湿大气下的熵平衡方程 在分析了1983年7月1日苏北大暴雨过程的湿总温度后发现,湿总温度梯度的负值区能够预示短时内发生的降水,并且负值区制约着中尺度雨团的移动。     

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。     

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。     

神经网络在雷暴预报中的应用初步研究

尝试利用人工神经网络的方法对南京地区的雷暴天气进行预报。南京站的探空资料（每天08时和20时各一次）可以反映雷暴发生前大气层结的初始状态,而江苏省闪电定位网资料则可以作为预报量加以使用。利用探空资料计算了一些与雷暴发生相关的预报因子,用以建立南京地区雷暴的神经网络预报模型,并应用独立样本进行了初步的模拟预报检验。初步结果表明,预报模型取得了较令人满意的效果,应用神经网络的方法预报雷暴的发生是可行的。     

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。     

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象，采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解，有效浓缩数值预报产品因子的预报信息，并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验，并与T213的降水预报进行对比分析。结果表明，本文建立的3个区域日平均降水量神经网络预报模型，在预报性能上明显优于同期的T213降水预报。     

人工神经网络在温度和降水预报中的应用

利用人工神经网络的ＢＰ网络制作全省温度和降水预报。在作哈尔滨站温度预报时,选取实时高空、地面和欧洲温度场共１０个因子,一天２次发布未来２４ｈ预报。对哈尔滨站共作了１２个月的最高、最低温度预报。在作全省降水预报时,将全省分成８片,分别进行降水等级预报和暴雨有无预报;选用的是Ｔ１０６资料,选取２０个因子,对１９９８、１９９９年的温度和降水预报进行了检验和评分。     

辽宁神经网络降水预报系统

利用ＢＰ（误差反向传播）神经网络建立辽宁灾害性天气预报系统。介绍了夏季降水的神经网络结构、学习算法和业务应用情况。结果表明,神经网络技术适于用预报气象要素。     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

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。     

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。     

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。     

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...     

人工神经网络在月降水量预测业务中的研究和应用综述

月降水量的年际变化具有显著的非线性变化特征,预测难度大,历来是重大气象灾害预测的重点难点问题.BP(back propagation)神经网络在月降水量预测业务中的研究和应用中,取得了较好的成果,其中应用较广泛的是PCA-BP神经网络模型、遗传算法优化神经网络、RBF神经网络预测模型、小波神经网络模型、粒子群-神经网络...     

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.     

人工神经网络在梅雨期短期降水分级预报中的应用

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。     

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.     

基于BP神经网络的宁波市台风灾情预估模型研究

选取1949—2015年间对宁波市影响较大、灾情记录完整的58个台风样本,基于灾损数据,采用灰色关联分析法建立台风灾情关联度,选取台风灾害致灾因子、台风灾情综合关联度,利用BP神经网络建立台风灾情预估模型。结果表明,利用台风灾情关联度评估台风灾情大小合理可用,台风灾害致灾因子与灾情评价指标及台风灾情综合关联度间均存在一定的相关性,利用BP神经网络预估模型对台风灾情预估效果较好,其中训练样本、测试样本的模拟值与实际值相关系数分别达到0. 94、0. 865,均通过了0. 01信度的显著性检验,训练集、测试集灾情级别预报一致率为85. 3%、77. 8%,相关研究成果可为政府决策部门的抗台减灾工作提供科学依据。