脑血管病的气象危险指数预报研究

为预防脑血管病发生、发展,提高人群自我保健意识,利用西安市2010—2013年脑血管病死亡人数和同期气象数据,通过SPSS17.0对气象因子与脑血管疾病逐日死亡人数进行单因素相关分析,通过多元逐步回归方法按月建立脑血管病日死亡人数预报模型,并建立脑血管病气象危险指数等级,应用2014年资料检验预报模型及等级预报。结果表明:西安市不同月份与脑血管病死亡人数有显著相关的气象因素不同;按月建立的脑血管病预报模型准确率在78%以上,气象危险指数等级预报准确率达90%,预报模型及气象危险指数等级预报效果较好。     

西安呼吸系统疾病气象风险指数等级预报研究与应用

利用2010年1月1日—2014年12月31日西安市呼吸系统疾病死亡数据与相应的气象观测数据,选取与呼吸系统疾病有显著相关性的气象因子,采用多元逐步回归方法,建立呼吸系统疾病死亡人数预测模型和呼吸系统疾病气象风险指数等级预报方法,并对预测模型和等级预报进行了检验。结果表明：呼吸系统疾病日死亡人数预测模型准确率在795%以上,呼吸系统疾病气象风险指数等级预报准确率达到98%,预测预报效果较好。将呼吸系统疾病气象风险指数等级预报融入西安公共气象指数预报服务系统,制作呼吸系统疾病气象风险指数等级预报、预警产品,并通过全方位融媒体发布手段开展健康气象预报预警服务。     

澳门单站气象资料变化趋势的预报模型之比较

以澳门单站年和四季降水和温度两个气象要素的气象资料(1952~2001年)为主要研究对象,利用3种统计预报模型(谐波分析外推模型、开环门限自回归模型和主分量因子的逐步回归模型)进行拟合及试报,对澳门的降水及温度的变化做较深入的分析及预测,比较3种统计预报模型在研究澳门单站气象资料的变化趋势中的优劣。结果发现,3种预报模型在预报年和四季平均气温的方面都比较理想,但对降水量变化序列做拟合及试报则差异较大。总体而言,气候场的主分量逐步回归法对相同的气候资料建模做拟合及试报,结果拟合率是三者中最高的,复相关为0.821~0.911,预报效果除秋季较差外,其余都非常好。     

北方地区小麦蚜虫气象适宜度预报模型构建

根据1958—2015年我国北方地区8个主产省（市）小麦蚜虫分省发生面积和发生程度资料、1958—2015年601个气象站点相应逐日气象资料和农业气象站小麦发育期资料,采用相关分析、主成分分析和逐步回归等方法,并利用相关系数法进行因子普查,结合小麦蚜虫适宜生理气象指标和华北、黄淮小麦生育期规律,筛选影响小麦蚜虫年发生程度的关键气象因子,构建分区域的小麦蚜虫气象适宜度预报模型,并将气象适宜度指数划分为非常适宜、适宜、较适宜、不适宜4个等级,以反映气象条件对小麦蚜虫发生发展的适宜程度。结果表明:筛选出影响华北小麦蚜虫年发生程度的8个关键气象因子,影响黄淮小麦蚜虫年发生程度的6个关键气象因子。建立的华北、黄淮模型回代检验等级准确率分别为91.2%,93.1%,2016—2018年3年外推预报平均准确率均在75%以上;利用黄淮模型反演苏皖两省2016—2018年小麦蚜虫发生等级、异地检验3年预报效果均较理想。模型适用于从气象角度对华北、黄淮及江淮地区小麦蚜虫发生等级进行监测和预报。     

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。     

气象因子对太原地区空气质量的影响研究

利用2017—2019年太原小店区气象与空气质量指数逐时数据,分析了气象因子对空气质量指数的影响,对易污染月份空气质量进行了深入分析,利用神经网络方法构建了气象因子与空气质量指数的关系模型,并与逐步回归模型进行了对比。结果表明:(1)2017—2019年太原地区空气质量6个等级均出现过,其中,良占比最大,为51.9%;严重污染等级最少,为1.9%。每年8月空气质量最好,1月空气质量最差,11月—次年2月为易污染月份。(2)气温、风速、气压对空气质量指数的影响主要表现为负相关,9月—次年2月呈显著负相关;降水主要表现为负相关;相对湿度对空气质量指数影响较大,8月—次年3月呈显著正相关,6—7月呈显著负相关。(3)易污染月份,太原地区空气质量以良为主,占40.7%;其次为轻度污染,占24.8%;严重污染占4.6%。相对湿度、风速对空气质量影响较大,表现为强相关。(4)神经网络构建的气象因子与空气质量指数的关系模型,与逐步回归分析模型相比,准确率由91%提高到94%。神经网络模型模拟效果更佳,为太原地区治理大气污染提供重要的参考价值。     

基于遗传优化BP神经网络的水稻气象产量预报模型

利用1951—2010年江苏省水稻产量及同期14个气象站点的逐日平均气温、降水资料,采用因子膨化及相关分析,研究了水稻气象产量的影响因子及影响时段。在此基础上建立了逐步回归、PCA-BP神经网络以及PCA-GA-BP神经网络3种产量预报模型。结果表明:(1)7—9月份是水稻产量形成的关键时期,对气温、降水的变化最为敏感,气温对气象产量的影响大于降水;(2)两种神经网络模型预报效果好于回归模型;(3)遗传优化的神经网络模型比未优化模型的训练速度提高了70%左右,预报精度也提高了4.3%。     

基于3种模型的石家庄日最大电力负荷变幅预报效果分析

基于石家庄2017—2019年逐日最大电力负荷和同期气象资料,分析日最大电力负荷的变化规律,在分析日最大电力负荷变幅与气象因子及空气质量指数(AQI)的相关性基础上,采用逐步回归、多元线性回归和广义相加模型(GAM)分冬季和夏季建立日最大电力负荷变幅预报模型,将2019年冬季和夏季月资料作为预报效果独立检验样本.结果表...     

南海热带气旋大风的遗传－神经网络集合预报

利用1980-2012年的南海热带气旋实况资料和NCEP/NCAR再分析资料,将热带气旋定位中心周边6×6格点上的地面风速作为预报对象,以气候持续预报因子和前期风速预报因子作为模型输入,采用遗传—神经网络集合预报方法,进行热带气旋定位中心周边36个格点上的风速预报模型的预报建模研究.分别对2008-2012年7-9月共368个独立预报样本进行遗传-神经网络集合方法的分月预报结果表明,南海热带气旋中心周边风速24h的预报平均绝对误差为2.35m.s-1.另外,本文还进一步将该预报方法与国内外普遍采用的逐步回归预报模型进行对比分析,在相同的预报量和预报因子的条件下的对比分析表明,新预报模型对≥10m.s-1的强风预报结果较逐步回归方法的优势明显,预报性能较好,可为沿海热带气旋大风预报提供新的参考.     

环渤海夏蝗发生程度气象集成预报方法

东亚飞蝗发生程度与气象条件关系密切,该文使用1980-2008年的飞蝗资料和气象资料,选择了环渤海4种典型(沿海、水库、洼淀、内涝)蝗区,利用秩相关系数法筛选影响飞蝗发生程度的气象因子,确定了影响不同蝗区夏蝗发生程度的气象因子指标集。利用权重修正气象距离法,建立了气象距离指标预报模型;依据飞蝗自身生物学特性,建立了生物学预报模型。在此基础上,基于蝗虫生物学和气象条件影响的共同作用,建立了夏蝗发生程度的生物一气象集成长期预报模型。结果表明:在环渤海飞蝗区域,不同类型蝗区影响气象因子有一定差别,集成预报模型趋势预报准确率高于其他模型。     

贵阳市空气质量预报方法与效果检验

2012年环境保护部发布的《环境空气质量标准》实施后,贵阳市空气质量状况发生了变化。利用贵阳市空气质量指数和常规气象要素等资料,分析空气质量特征及其与气象要素的关系,通过多元线性逐步回归和BP神经网络方法,分季节建立空气质量指数预报模型,并同CUACE模式进行对比检验。结果表明:近3年贵阳市空气质量状况良好,优良天数增多,污染天数减少且污染天气多出现在冬季,首要污染物为PM_2.5、PM₁₀和O_3;各季相关因子不同,但主要与相对湿度和风速有关;两种模型预报效果均表现为夏季评价最高,等级TS评分超过85%,指数准确率近99%,冬季预报效果相对最差,TS评分接近或达到70%,指数准确率超过或接近80%,而春、秋季效果指标差距不大;对2015—2016年AQI的预报效果回归模型的优于CUACE模式的,TS评分和预报准确率分别相差16.2%和20.0%。     

基于数值预报产品的地面气温BP-MOS预报方法

在山东省临沂市气象局开发的"中尺度数值预报业务系统"的基础上,利用高分辨率的数值预报产品和地面气温观测资料,建立了地面气温的BP神经网络方法预报模型。检验结果表明BP神经网络模型的气温预报准确率高于逐步回归模型和MM5模式输出的气温预报准确率,可应用于实际预报业务中来制作气温的精细化预报。     

最优子集神经网络在武威气温客观预报中的应用

选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。     

贵州玉舍冬季滑雪气象指数等级制订

运用1988~2017年贵州省玉舍滑雪场附近30年气候资料和2015~2016年冬季滑雪场客流量资料,分析贵州高海拔地区滑雪运动与气象条件的关系,进而进行滑雪气象指数等级研究。结果表明:(1)玉舍滑雪场冬季具有少雨、低风、温度适宜的气候特点,可以开展滑雪运动。(2)玉舍的滑雪人数与气象因子风速、气温、相对湿度、降水量呈显著反相关。(3)根据玉舍滑雪场气候背景特征,分别对降水量、相对湿度、舒适度指数三个气象要素进行分级,通过实际滑雪人数分级与滑雪气象指数等级预报进行的检验表明:实际滑雪气象指数等级与指数预报等级相同(即绝对值之差为0)的准确率达26.4%,实际滑雪气象指数等级与指数预报等级绝对值之差为1的准确率达66.7%,即预报滑雪气象指数等级与实际滑雪气象指数等级之差≥1的准确率达93%。     

贵州中西部道路结冰气象影响因子检验评估

该文利用日常业务应用的中央台精细化预报(CMA-thin)、中国T639、欧洲中期天气预报中心(ECMWF)和日本气象厅(JMA)4个预报中心的预报资料,采用均方根误差和预报准确率对各预报中心中影响道路结冰的气象因子进行检验分析。结果表明在72 h预报内在不同时刻起报场中,T639在08时起报的相对湿度效果最好;日最高气温、最低气温及0℃以下的气温预报准确率EC细网格最高;降水预报以JMA最优。该结论一方面为贵州中西部道路结冰监测预警预报系统的建设提供最优要素选择;另一方面使预报员在多个数值预报中相对信任某个预报中心的要素预报,缩短了预报员的参考和选择时间。最后通过2012年12月29—31日道路结冰个例进行对比分析,很好地验证了上述检验结论。     

延伸期暴雨过程的神经网络预报技术应用初探

利用DERF2.0延伸期环流预报数据资料,首先使用暴雨过程信号指标就一般降水和暴雨过程进行分类,结果延伸期逐日降水分类预报准确率为65%。最后利用逐步回归和粒子群-神经网络方法就延伸期暴雨综合强度进行建模预报,逐步回归方法在F=3条件下对广西暴雨综合强度预报误差最小;粒子群-神经网络预报误差均小于逐步回归方法,相对误差较逐步回归方法预报效果最好的方程减小了32.5%,可见粒子群-神经网络在延伸期定量化预报中具有很好的应用前景。     

多元动态逐步回归方法在北京地区能见度预报中的应用

基于2016年冬季的观测资料和ECMWF细网格240 h气象要素预报资料,选用与能见度变化相关的水汽、动力、热力等因素作为预报因子,利用多元动态逐步回归方程对北京地区未来10 d的能见度进行预报研究。同时将能见度分为3个等级:1 km、1～10 km(低能见度)和≥10 km,并从区域平均、空间分布及3次低能见度过程个例进行预报效果检验。多元动态逐步回归方法对北京地区的能见度及其变化趋势均有一定预报能力且效果稳定,其中≥10 km等级的能见度预报效果最好,TS评分为64.2%,其次是1～10 km,TS评分为53.1%,最后是1 km,TS评分为51.3%;两个低能见度等级中平原地区预报效果优于山区,表现为从东南向西北递减的特征;而≥10 km等级的呈相反变化,预报效果山区优于平原地区;北京地区3次雾霾过程个例预报也证实动态逐步回归方法能够较好预报北京地区持续性低能见度过程。     

市域脑卒中疾病与气象因素的关系及预测

为了帮助医疗机构合理调配医务力量、床位和医疗药物,同时也帮助脑卒中高危人群及时采取干预措施,降低发病风险。本文对某市[1]四家医院2013—2016年脑卒中的就诊病例进行数据分析,将日就诊人数分为6个等级。然后,调取相应时段当地的逐日气象资料,采用支持向量机(SVM)和随机森林(RF)方法分别建立了日就诊人数预测模型和日就诊人数与气象因素的关系模型。研究结果表明:(1)脑卒中的日就诊人数为不平衡数据,这种数据特征将导致传统的预测模型正确率较低;(2)通过不断调整SVM预测模型的初始权重,经历了4次优化之后,使得日就诊人数的预测正确率从52.46%上升到94.56%;(3)随机森林模型的结果显示,影响脑卒中发病率的三大气象因素分别是最高气温、最低气温和平均气温。基于机器学习模型的脑卒中疾病与气象因素的研究成果,提高了医疗气象统计模型的预报准确率,具有较高的应用和推广价值。     

基于回归模型的青藏铁路水害气象风险评估

应用逻辑回归和逐步回归方法对青藏铁路青海段由降水引发铁路水害气象风险评估进行研究,以青藏铁路公司提供的铁路沿线水害统计资料为依据,选取2000—2014年青藏铁路沿线青海境内14个气象站点和28个加密气象站降水资料,开展降水引发的水害气象风险评估,结果表明:青藏铁路水害的发生不仅与降水量级有关,还与降水的性质和持续时间有关,铁路水害主要集中在7—8月,高发路段是乐都-平安、湟源-海晏段。导致青藏铁路沿线水害的主要降水类型为区域性强降水和连阴雨。考虑到降水持续时间对水害的影响,通过计算得出的铁路水害诱发指数和水害有效降水因子,且距水害发生时间愈近,日降水量对水害发生的作用就愈大。采用逻辑回归模型判断青藏铁路青海境内各区段水害的发生有无,其预测模型总判对率均超过86.2%,其次运用逐步回归评估模型计算出水害预报等级,经检验对最高级别1级的预报准确率达88.9%。可见,逻辑回归模型和逐步回归评估模型在青藏铁路青海境内铁路水害预报和评估工作中具有较高的预报准确率。     

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。