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。     

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。     

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。     

SVM方法在降水预报中的应用及改进

以T213数值模式输出产品为基础,结合常规观测的降水资料,利用SVM方法,进行了大量多因子的随机交叉验证,从而选出最优参数,建立了全国72个站点的降水预报模型,并用独立的样本对预报模型进行了检验.再通过计算正、负样本的贴近度来分析预报因子,实现了预报因子的筛选和降水预报模型的改进;检验结果表明:改进后的降水模型的预报结果优于改进前的.实时业务试运行的结果也显示SVM模型的降水预报效果好于T213模式直接输出的降水预报.     

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。     

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.     

天空云量预报及支持向量机和神经网络方法比较研究

使用支持向量机和人工神经网络两种方法,分别建立了天空云量的预报模型。利用2001年5月1日～2004年12月31日的武汉市地面、高空观测值及欧洲中心的24小时预报场等资料,通过按不同比例随机抽取样本进行交叉验证的方法,分析了SVM和ANN模型的预报能力和鲁棒性;然后再用全部样本资料建立预报模型,来预报2005年1月1日～5月31日武汉市天空云量。交叉验证和实例预报的结果显示：虽然SVM和ANN模型都表现了较好的预报能力,但SVM的预报能力高于ANN方法,且在计算速度上有ANN无法比拟的优势。     

SVM方法在热带气旋降水预报中的应用

应用国家气象中心下发的热带气旋报文资料（中心经纬度、中心气压、近中心最大风力）,设计了诸如热带气旋中心与嘉兴市的最近距离等因子,并任选3个因子组成三维坐标（x,y,z）,计算嘉兴市热带气旋降水的概率分布函数。利用SVM回归方法对选中的概率分布函数进行训练,建立嘉兴市热带气旋降水预报方法,并应用于业务试报。同时和多元回归方法进行历史回报和业务试验比较。结果表明,概率分布函数与热带气旋降水具有较好的相关性,SVM回归方法在嘉兴市热带气旋降水预报中的回归预报模型和业务化效果明显优于多元回归。     

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。     

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.     

支持向量机非线性回归方法的气象要素预报

该文介绍了基于基本的支持向量机非线性回归方法,该方法具有解决非线性问题的能力,在数值预报解释应用技术中,对某些预报量与预报因子之间相关性不显著的要素,如风、比湿等,采用支持向量机非线性回归技术较多元回归的MOS方法更具优势;利用北京市气象局中尺度业务模式 (MM5V3) 的12:00(世界时) 起始数值预报产品和观测资料,制作北京15个奥运场馆站点6~48 h逐3 h的气象要素释用产品。对比MM5V3模式,从均方根误差的平均减小率来看,2 m温度减小12.1%,10 m风u分量减小43.3%,10 m风v分量减小53.4%,2 m比湿减小38.2%。与同期的MOS方法预报结果相比,整体预报效果SVM略优于MOS。由此可见,支持向量机非线性回归方法解决与预报因子之间非线性相关的气象要素较好,具有较高的预报优势。     

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。     

支持向量机方法在郑州冬季气温趋势预测中试应用

将气候预测中常用的74项环流特征量进行归一化处理后,与郑州市冬季气温进行相关普查,利用SVM(SupportVectorM ach ine)两类分类方法,同时考虑气温的年代际变化,建立郑州冬季温度距平趋势预测推理模型,并对因子个数多少和年代际变化对预测模型的影响进行了试验。试验结果表明:用25个和15个因子分别建模时,产生最优模型时样本平均Ts评分均为56%,但后者预报准确率为75%,较前者提高了10%。用20世纪50年代和60年代做试验集,效果较好,产生最优模型时的样本Ts评分和预报准确率较高;用90年代做试验集,效果较差。     

EMD在广西季节降水预报中的应用

气候系统是一种耗散的、具有多个不稳定源的非线性、非平稳系统。该文利用支持向量机(SVM)算法在处理非线性问题中的优越性和经验模态分解(EMD)算法在处理非平稳信号中的优势,采用将EMD与SVM相结合的短期气候预测方法,并应用到广西季节降水预报中。选取广西88个气象观测站1957—2005年6—8月逐年降水量的距平百分率序列作为试验数据,通过EMD算法将标准化处理后的距平百分率序列分解成多个本征模态函数(IMF)分量和一个趋势分量,在分解中针对EMD算法存在的端点极值问题选择两种方法分别进行处理,对比得出极值延拓法效果更好。对每个分量构建不同的SVM模型进行预测,并通过重构形成最后的预测结果。试验中采用不经EMD处理的反向传播(BP)神经网络和SVM算法进行对比验证,结果表明:相对于直接预测方法,该文提出的方案均方误差最小,能够较为准确地反映出降水序列未来几年的变化趋势,具有更高的预测精度和较好的推广前景。     

支持向量机优化的克里金插值算法及其海洋资料对比试验

针对常规克里金插值方法中变异函数为有限确定函数,难以准确刻画实际数据分布（特别是复杂要素资料的空间结构）的不足,基于最小二乘支持向量机从实际资料场中拟合重构变异函数的研究思想,提出了一种改进的插值方法——支持向量机—克里金插值算法（SVM-Kriging）。采用常规的克里金方法和支持向量机—克里金插值方法（SVM-Kriging）进行插值试验和对比分析,结果表明：支持向量机—克里金方法（SVM-Kriging）的变异函数源自实际的数据场,它克服了常规克里金插值对变异函数选择的依赖性以及变异函数选择的主观性和人为性,表现出较好的针对性和客观性,较为有效地改善了插值效果。     

基于频率匹配法的SWC-WARMS模式降水订正试验

基于西南区域数值预报模式（SWC-WARMS）2019年5~8月00时起报的24h累计降水预报资料和四川省气象站点降水观测资料,采用频率匹配法对6月1日~8月31日降水预报值进行了偏差订正。结果表明：模式预报的24h累计降水量总体为湿偏差;订正后降水量平均绝对误差减小;大雨和暴雨的偏差评分提高;小雨、中雨、大雨的TS评分提高,暴雨TS评分降低;各量级的空报率均有所降低,小雨和中雨漏报率减小,大雨和暴雨漏报率增大,尤其是暴雨漏报率显著增加;当模式对暴雨降水落区预报较好（差）时,频率匹配订正能提高（降低）TS评分。