预报模型适用性研究初探

一引言在众多的预报模型中,怎样选择适当的模型作预报,这是统计预报中十分关键的一个问题,但又难以确定,也就是说没有一个统一的标准。通常是在各种预报模型求得各自不同的预报结果的基础上再进行预报集成,或对各种预报模型的预报结果进行综合评价后冠以不同的权重得出预报结果,这样得出的结果往往只是体现了各种预报结果的平均状况。本文提出了从各种预报模型对历史样本的实际预测能力着手,根据预测精度的优劣来衡量预报模型的适用性,从而选用预测精度较高的预报模型作预报。经实际试用取得了较为满意的预报效果。     

均生函数预报模型的改进实验

为了提高对百色市主汛期月降雨量的预报准确率,基于均生函数预报方法,应用百色市1951—2006年6、7、8月份的月降雨资料,通过"短序列建模"和"残差订正"方法进行改进,得到原序列、短序列预报模型及其相应的残差订正预报模型。各改进模型均使预报精度和准确率得到了不同程度的提高,尤其是MGFAFMs模型的预报Ts比MGFFM模型提高了25%。研究结果表明:在月雨量预报业务实践中采取均生函数4模型集合预报方式将是一种很好的选择。     

不确定性理论集对分析在预报模型建立中的应用研究

文中应用集对分析原理 ,在模型每次作出预报结论之前先对各预报因子的预报能力进行分析和判断 ,对一些预报能力不强 ,甚至可能干扰预报模型作出正确预报结论的所谓弱势因子 ,进行抑制、甚至消除其影响 ,而让其他预报能力较强的因子来决定预报结论。在每次预报中 ,模型中哪个因子为弱势是不固定的 ,而是随着预报环境的变化而变化 ,也就是说 ,随着环境的变化 ,会有不同因子的作用被抑制或取消 ,从而实现预报模型的因子结构动态优化 ,增强了模型预报机制的合理性 ,提高了模型的预报能力。大量的试验、多年的业务试用以及在数值预报产品释用中的应用例子表明 ,这一方法具有较好的效果。     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

气候适宜度在华北冬小麦发育期预报中的应用

利用华北地区39个代表站,1971-2011年逐日最高温度、最低温度、降水量、日照时数、土壤水分、冬小麦发育期和农业气象指标等资料,在考虑_十壤水分和降水对冬小麦不同生长发育阶段的不同影响基础上,建立了冬小麦水分适宜度计算方法,结合温度适宜度和日照适宜度,构建了冀、鲁、豫冬小麦气候适宜度评价模型。以冬小麦气候适宜度为预报因子,建立了冀、鲁、豫3省9个区域冬小麦发育期预报模型。模型回代检验结果表明,不同区域模型的模拟天数与实际天数的平均误差均在1-2天之间,不同发育阶段模型的模拟天数与实际天数的平均误差均在4天以内;模型预报检验表明,各区域不同发育阶段的预报天数与实际天数的误差大多数在3天以下。     

利用Poor-man集成预报方法改进数值预报效果研究

针对目前不同时效的数值预报结果存在“跃变”问题,基于Poor—man集成预报方法的思想,综合考虑各个时效的数值预报结果,利用最小二乘法,构建了一个预报模型,并利用2005--2010年欧洲中心下发的数值预报资料对该模型的预报效果进行了验证。结果表明,该模型较好地克服了利用单一时次预报带来的预报结果“跃变”的不足,对提高预报水平具有一定的作用。     

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。     

降雨型地质灾害预报方法研究进展

开展降雨型地质灾害预报是减少灾害损失的有效方法。该文在讨论降雨型地质灾害预报相关概念的基础上,结合国内外已有的研究成果,系统总结了隐式统计模型、显式统计模型和动力模型等降雨型地质灾害预报模型的特点和适用条件。近几年区域降雨型地质灾害的预报技术研究有以下新特点:统计模型简单实用,目前已经由单一考虑降雨特征的第1代隐式统计模型,进一步发展为考虑地质、地貌等静态因子的显示统计模型;动力模型逐渐由基于垂直入渗理论的边坡稳定性模型开始向基于水土耦合机制的复杂预报模型发展;降雨型地质灾害业务预报预警的核心是地质灾害预报模型的本地化运行,我国已经基于统计模型搭建了服务于不同区域的业务预报预警系统。结合多源预报降雨资料,搭建基于水土耦合机制的降雨型地质灾害集合预报预警系统是未来可能的发展方向。     

基于不同机器学习算法的汾渭平原 PM2.5质量浓度预报与分析

基于支持向量回归(SVR)、BP神经网络(BPNN)、随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)等5种机器学习算法,利用2016—2021年逐小时PM_2.5质量浓度监测数据和气象观测数据,构建汾渭平原代表城市PM_2.5质量浓度预报模型,对比检验不同预报模型在不同时段的预报效果。结果表明：(1)5种机器学习算法模型总体表现为秋冬季和供暖期的预报效果要优于春夏季,各模型在细颗粒物污染较重时段的预报能力更加稳定,预报效果更好。(2)XGBoost模型无论在决定系数、平均绝对误差、均方根误差上均不同程度地优于其他模型,其次是GBDT、RF和BPNN模型,SVR模型预报能力较差。(3)XGBoost模型预报结果在量级和演变趋势上与实况十分接近,预报值偏离实况值的幅度较小,但春夏季预报结果有明显的高估或低估,对极端高值区也存在低估。(4)当前和过去1 h的能见度是影响预报效果的最关键因子,气象因子对汾渭平原PM_2.5质量浓度预报存在明显的时间滞后性影响。     

多种气象统计模型对比研究——以气象敏感性疾病脑卒中预报为例

基于2008—2012年北京市4家三甲医院的脑卒中疾病急诊就诊资料及同期气象观测资料和环境监测资料,筛选气象和环境预报因子,采用广义相加(Generalized Additive Model,GAM)、逐步回归、BP(Back Propagation)神经网络及决策树4种方法编辑数据训练集(2008—2011年)和验证集(2012年)输入模型,建立北京市脑卒中疾病预报模型,计算各模型的拟合优度和预报准确率,对比分析脑卒中疾病各预报模型并确定最优预报方法。结果表明:北京市四季脑卒中疾病不同模型选取的预报因子不同,其中时间序列为重要的预报因子。GAM模型对高等级脑卒中疾病的预报效果最好,逐步回归模型对中间等级脑卒中疾病的预报效果最好,决策树模型对低等级脑卒中疾病的预报效果最好。4种脑卒中疾病预报模型四季平均的预报准确率依次为:GAM神经网络模型逐步回归模型决策树。GAM模型脑卒中疾病的平均和高等级预报准确率均为最高,其中出血性脑卒中预报模型的完全预报准确率为68.3%,预报误差≤±1级的准确率达98.0%,可以满足天气变化对出血性脑卒中疾病预报预警的业务需求。     

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。     

包头市不同路面温度变化特征及预报模型研究

利用包头试验场2016年12月—2018年12月沥青、水泥、地砖、砂石路面温度、气温观测和同期气象站实况资料,统计分析了不同季节、不同天气状况下各种路面温度和气温的日变化特征,以及不同路面温度与气象因子的关系,采用逐步回归统计方法建立了不同季节不同路面温度预报模型并进行检验。结果表明,不同路面温度的日变化与季节和天空状况有密切关系,路面温度与平均气温、最高气温、最低气温呈显著正相关;与相对湿度呈负相关。基于不同路面温度预报方程的检验结果得出,预报准确率在82%～94%,相关系数在0.86～0.96,模型应用于路面温度预报业务。     

泰安高速公路路面温度特征及预报模型

使用2011—2014年泰安交通站逐时观测资料,分析了不同季节、不同天气下的地面温度特征。对路面温度、气温、相对湿度、风场数据进行相关性分析,利用多元回归方法对春、夏、秋、冬四季分别建立了路面温度的预报模型,并对预报模型进行了检验,得出预报值和实测值相差在±3℃以内的预报准确率分别为春季62.8%、夏季64.4%、秋季76.7%和冬季78.8%。     

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。     

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。     

基于BP神经网络的单站总云量预报研究

云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一.为了对北京单站总云量进行预报,利用人工神经网络的BP模型,针对不同时次进行关键因子的选取,尝试用多种预报因子的组合,建立了总云量预报模型.试验结果表明:所建立的模型具有较好的拟合、预报精度,并且没有出现"过拟合"现象,对新样本具有较好的泛化能力.     

基于智能计算的广西冷湿极端天气定性和定量组合预报方法研究

论文以逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料为基础,将表征冬季低温冷害的冷湿指数作为预报量,先利用随机森林方法进行冬季逐日冷湿极端天气定性判别预报分析,再进一步以粒子群算法为基础的模糊神经网络集成个体生成技术方法,建立一种新的非线性智能计算定量集成预报模型（PSO-FNN）,进行了广西冷湿极端天气定量预报模型的预报建模研究。结果表明,论文提出的这种以不同的智能计算方法构建的定性、定量综合预报分析方法,比较符合极端天气小概率事件的预报特点,其中随机森林算法构建的定性预报模型,对广西冷湿极端天气事件的预报TS评分（Threat Score）为0.77,空报率为0.23,漏报率为0,ETS评分（Equitable Threat Score）为0.41,TSS评分（True Skill Statistic）为0.53。而采用粒子群—模糊神经网络方法构建的极端冷湿指数定量集成预报模型比其他线性和非线性预报模型具有更好的预报精度。其中PSO-FNN集成预报模型在预报建模样本和独立预报样本个例相同的情况下,比回归方法的预报平均绝对误差下降了25%以上,比一般的普通模糊神经网络预报平均绝对误差下降了14.37%。主要原因是因为PSO-FNN集成预报模型通过改进集成个体的预报能力和增强集成个体的种群差异性,提高了集成预报模型的预报精度。因此,该智能计算集成预报模型的泛化能力显著提高,预报结果稳定可靠,为冷湿极端天气客观预报提供了新的预报工具和预报建模方法。     

节能型日光温室黄瓜霜霉病气象等级预报方法研究

利用山东省莱芜、临淄、利津2009—2012年12—5月温室内外气象观测数据,通过逐步回归构建不同天气状况、不同月份、不同时间段内的温室内逐小时气温、相对湿度预报模型;基于小气候预报模型和黄瓜霜霉病发病概念模型,对济南冬季试验温室内黄瓜霜霉病进行气象等级预报,结果显示,预报时段内无重度霜霉病害发生,与实际情况相符合。     

基于BP神经网络的单站总云量预报研究

云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一。为了对北京单站总云量进行预报,利用人工神经网络的BP模型,针对不同时次进行关键因子的选取,尝试用多种预报因子的组合,建立了总云量预报模型。试验结果表明：所建立的模型具有较好的拟合、预报精度,并且没有出现＂过拟合＂现象,对新样本具有较好的泛化能力。     

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。