人工神经元网络在辐射雾预报中的应用

云、能见度和风是影响飞行活动最经常的３个气象要素,雾的预报是飞行气象保障的重要部分．在实际预报中通常考虑辐射雾、平流雾和锋面雾,而辐射雾的形成往往没有较明显的天气系统,但与本站的气象条件有较大的联系,这就使得辐射雾预报较为困难．人工神经元网络是在近十几年得到迅速发展的一门非线性学科．由于人工神经元网络的非线性使得它具有更好的拟合能力,因此被应用到气象预报中．本文应用反向传播人工神经元网络（ＢＰ网络）建立冬季辐射雾的人工神经元网络预报系统．１　预报因子和训练样本的选取辐射雾是在无风（风较微弱）的夜…     

BP人工神经元网络在春季降水量预报中的应用

通过普查北半球５００ｈＰａ、１００ｈＰａ、北太平洋海温与山东省春季降水量的相关，选取相关信度达到０．０５的相关区作为预报因子，利用ＢＰ（反向传播）人工神经元网络建立山东省春季降水量预报模型，并投入业务运用。结果表明，ＢＰ人工神经元网络具有较好的预报效果。     

塔克拉玛干沙漠腹地局地沙尘暴短期预报方法初探

对塔克拉玛干沙漠腹地局地沙尘暴天气产生的原因进行了初步分析,认为中小尺度系统引起的对流发展旺盛是造成局地沙尘暴天气产生的主要原因,并结合实际业务中的常规资料及实践经验对预报方法进行了初步总结。     

水平螺旋度在沙尘暴预报中的应用

为了更准确地预报中国北方沙尘暴的强度和范围,应用2002—2010年3—6月逐日08和20时高空流场资料、高空图资料和地面每3 h的天气图资料,计算近地面至500 hPa的水平螺旋度。结果表明,螺旋度负值中心值越大,辐合上升运动越强,风速越大,对应沙尘暴的强度就越强。螺旋度负值中心常常在河西走廊附近最强,沙尘暴发生在螺旋度负值中心附近或下游。在沙尘关键区(40°—48°N,84°—120°E)当出现螺旋度≤-600 m2/s2的负值中心时,6 h内该区或其下游将产生能见度低于500 m的强沙尘暴,螺旋度负值中心与下游沙尘暴发生区有良好的对应关系。通过对中国北方区域性强沙尘暴典型个例、甘肃省河西走廊东部沙尘天气的对比分析,螺旋度有较强的日变化,白天强于夜间,对冬春季中国北方干旱区的冷锋型沙尘暴天气有较强的预报能力。     

新疆沙尘暴短期预报预警业务系统

沙尘暴是干旱和半干旱地区常出现的灾害性天气之一。新疆地处我国西北边陲,远离海洋,气候干燥,沙漠广阔,是我国沙尘暴的多发区之一。2002年新疆气象台曾开发了《春夏季塔里木盆地大范围沙尘暴预警系统》,该系统根据预报员的经验,提炼出不同等压面上的描述环流系统的量化指标,计算数值预报产品中的对应环流指标值,与给出的判据进行比较,预报塔里木盆地的翻山型、东灌型、局地热低压型3类成因的沙尘暴天气过程。结合数值预报产品释用技术的新疆沙尘暴客观预报业务系统建设很有必要。1预报区域划分王旭等人对新疆的沙尘暴与风之间的关系研究表…     

相似离度方法在沙尘暴预报中的应用

选择 1 988年以来 ECMWF资料齐全的沙尘暴个例 ,将其按区域分为全区、西部、中部、中西部以及中东部 5类 ,再按强弱分别分为强和一般 2类 ,建立不同的样本库。根据多年预报经验建立消空指标 ,对实时资料进行消空 ,在消空的基础上 ,用相似离度分析方法对 ECMWF的 3个场 (5 0 0 h Pa高度场、85 0 h Pa温度场和海平面气压场 )的历史资料库和实时资料进行比较 ,制作不同时次的沙尘暴预报。并利用 VB和 Fortran语言编程 ,建立沙尘暴预报业务系统 ,用人机交互的方式完成预报的制作 ,实现预报结果在 Micaps系统下的自动显示。     

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。     

川西高原大雪人工神经元网络短期预报系统

采用初级预报模式结合人工神经元网络（ＢＰ算法）的方法,使用阿坝牧区大雪天气过程历史资料,研制了川西高原牧区大雪天气预报系统。利用９２１０工程接收到的数据资料,自动完成因子采集和结论输出,每次输出后,因子库自动增加新的因子,网络再次学习,从而进一步提高预报精度。     

宁夏区域性强沙尘暴短期预报系统简介

通过对产生强沙尘暴天气三大因子的实时诊断 ,从强冷空气、热力不稳定和近地层环境分析入手 ,依据宁夏强沙尘暴天气预报的着眼点 ,在产生强沙尘暴天气的三维空间物理结构和动力过程所进行的动力过程相似检验前提下 ,建立对宁夏强沙尘暴有实际预报能力的综合指标和组合模型 ,在天气系统自动识别技术的支持下 ,应用螺旋度修正方案确定强沙尘暴落区 ,建立自动、客观化的强沙尘暴天气监测和预报系统。     

人工神经网络在南京秋季短期降水预报中的应用

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%。     

人工神经网络方法在降水量级中期预报中的应用

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。     

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。     

应用回归分析和BP神经网络方法模拟北京地区电力负荷

根据2002～2004年5月1日至9月1日期间的日最大电力负荷与相应日期的日平均气温、相对湿度和风速资料,分析了北京地区夏季电力负荷的变化特征,并将2002年和2003年数据作为训练样本,2004年数据作为测试样本,应用多元回归、非线性回归和BP神经网络方法对每日电力最大负荷进行模拟.结果表明,几种方法均能对电力负荷进行较好地模拟,其中神经网络方法的模拟能力最强,其次为非线性回归和多元回归分析方法.     

人工神经网络在天气预报中的应用研究

介绍了将人工神经元网络用于灾害性天气（暴雨）预报研究的情况，分析了天气预报问题的数学提法及困难所在，神经元网络用于天气预报的原理，暴雨预报的特点及我们对网络模型的改进。结果表明，神经风格确可通过学习从原始数据中提取足够的分类信息，达到较好的预报准确率，值得进一步研究。     

基于神经网络的广州市能见度预报

在研究了广州市能见度变化特征及低能见度发生的主要影响因素的基础上,利用广州市环境监测站2007-2009年的空气污染物（PM10、SO2、NO2）监测数据及同期地面气象要素（10min平均风速、最大风速、气温、相对湿度、露点温度、气压、24h降水量）观测资料筛选出主要的预报因子,用径向神经网络建立预报模型,并对2009年9月1日到12月25日的能见度进行预报试验.结果表明径向神经网络预报模型在能见度低于10km时预报准确率明显高于统计回归预报方程.采用分级方法统计得出在未出现低能见度情况下,中低能见度,中高能见度预报准确率分别为80％,69.6％,均高于线性回归预报方程（40％,47.8％）.     

人工神经网络在感热通量计算中的应用

感热通量计算方法的研究是边界层研究中最重要的内容之一。基于中日JICA计划项目中青藏高原东缘四川盆地温江站的边界层铁塔观测资料初步研究了使用人工神经网络(ANN)计算边界层感热通量的方法,并将ANN和经验公式法计算得到的感热通量分别和真值作相关和误差分析。对2009年4月和5月的两个个例研究的结果表明:ANN计算结果和真值的相关性都高于经验公式法且趋势变化和真值更加吻合,ANN计算的2009年4月的感热通量与真值的均方根误差(RMSE)稍大于经验公式法,但2009年5月的RMSE明显小于经验公式法。     

PCA-BP神经网络在SO2浓度预报中的应用

将基于主成分分析(PCA)的BP神经网络预报方法引入大气污染预报,建立SO2浓度预报模型.结果表明:应用主成分分析对数据进行前处理,以原始预报因子的主成分作为BP神经网络的输入,降低了数据维数,消除了样本间存在的相关性,大大加快了BP神经网络的收敛速度.对模型进行预报验证,预报值与实际值之间的绝对误差为0.0098,预报值与实际值的相关系数达到0.885,得到较好的预报效果.并且比一般的BP神经网络模型具有较高的拟合和预报精度.     

人工神经网络在西藏中短期温度预报中的应用

根据2003年11月—2005年10月西藏自治区32个站点的气象资料,采用动态学习率BP算法的人工神经网络建模,在ECWMF、T213等模式数值预报产品释用基础上,进行1~7天逐日最高、最低温度模拟预测。模型业务试用结果表明,该神经网络模型具有较强的自适应学习和非线性映射能力,其预报结果能够满足实时预报的精度要求,对西藏中、短期极端温度的实时业务预报具有较好的参考价值。