多因子综合的降维法——非线性映象在天气预报中的应用

点聚图是一种简便有效的预报工具,但通常只能制作二因子的点聚图,多因子时如何综合为一张点聚日至今在理论上、实践上都没有很好解决。综合更多因子而又能发挥点聚图的长处,自然成为人们工作中提出的一个问题。非线性映象原理是解决这个问题的途径之一。 在统计天气预报中,将多因子压缩为少因子降维的方法,现常用的是将组合因子表为原因子的线性函数,使组合因子能最大限度地表示原因子,属于这种方法的有主成分分析     

用概率分布图作短期(24小时)晴雨预报

点聚图是我们在短期预报中经常使用的预报工具之一,但在制作点聚图时往往由于晴雨点子混杂难以分离,造成划分晴雨区的随意性,甚至很难划分出比较规则的晴雨区。在去年预报会战中,我们通过学习兄弟台站的经验,根据独立事件概率乘积P[x_1]×P[x_2]=P[x_1·x_2]的原理利用单因子的晴雨相关概率P[x_1],P[x_2]……算出二维概率分布图制作短期晴雨预报,收到了较好的预报效果。现以滕县站四月份概率分布图的制作和使用方法介绍如下:     

预报因子选取及方程建立人机交互平台

利用计算机技术,将预报因子选取、方程建立和样本拟合融为一体,建立了预报因子选取及方程建立人机交互平台。该平台包括文件信息,因子初选和回归分析三个模块:(1)文件信息模块主要是读取预报对象文件和预报因子文件,显示并检查文件头信息样本长度的一致性;(2)因子初选模块主要是计算各气象要素或物理量场中每个格点因子与预报量之间的相关系数,构成各相关场,分析这些相关场及其关键区域,从中筛选出组合因子;(3)回归分析模块是对选入的组合因子与预报对象进行逐步回归计算,建立预报方程,并根据回归方程参数和样本拟合率,通过改变因子引入和剔除标准来调整回归结果。     

试用N维欧氏空间距离制作降水量预报

前言 点聚图是县站简单、有效、直观的预报工具之一,但通常只能作两个预报因子的点聚,而对多个因子就无法点聚。我们试用N维欧氏空间距离制作降水量预报,从一个侧面解决多因子的综合问题。 我们认为如果预报因子相似,则对应其后期的降水量一般也应该相似。那么相似的程度如何呢?需要采用一个客观的标准,不致因人而异。这个标准就是N个预报因子组成的N维欧氏空间距离的最小距离,因为预报年与不同年间的预报因子间的距离中要有一个或几个达到极小值。     

试论县站预报的发展方向

一、县站预报概况陕西省的县站预报工作,五四年就在褒城、铜川气象站有了萌芽,一开始运用群众看天经验制作雷雨短期预报,被称为“观云测天”预报阶段。五八年,中央气象局推广云南镇雄站补充订正预报经验之后,陕西省有36个县站(占47%)开始发布短期雷雨补充订正预报,预报工具为单站要素点聚图和曲线图。五九年至六○年     

微型计算机气象应用程序目录选载(一)

近年来,各级气象台站广泛地应用微型计算机,为了进一步普及应用微型机,我们将收到的部分PC-1500机应用程序目录,陆续在《气象》上选登。这些程序均未经鉴定,登载的目的是为了向大家通报和交流情况。 ——国家气象局气象软件开发应用管理小组 1.逐段回归程序:从大量因子中根据方差缩成率自动筛选对预报对象最佳的因子,组建预报方程,打印有关参数,进行历史资料拟合。(天律气象科学研究所,宛公展) 2.求多元回归方程及绘制回归拟合曲线图程序:(1)求多元回归方程;(2)求多元回归拟合值;(3)绘制拟合曲线图。(天津气象科学研究所,梁平德)     

MOS预报业务系统

MOS作为应用数值预报产品的一种方法,已被广大气象台站用于中、短期预报业务。目前,辽宁省MOS预报使用的数值预报模式资料主要是:(1)欧洲中心的中期数值预报资料,它可以直接从气象电报中得到格点值;(2)日本数值预报传真图提供的图形资料。过去实时的中、短期MOS预报业务流程是先从欧洲中心数值预报格点报中选择出MOS方程所需资料,通过手工置入机器;对日本传真图,则是逐张由人工读取网格点数     

“NLM”方法在预报集成中的应用

用马氏距离客观确定样本的空间结构后,我们可定义在E最小意义下高维空间到低维空间的映射。根据这个原理,L(L>2)个预报方法可综合为2个新因子,最后通过点聚图分析作出预报决断。     

市级专业气象服务系统建设初探

1系统配置系统硬件配置为2台586兼容机（主频133M,内存32M,硬盘1．2G,分别用作产品加工制作平台和服务器）,1台LQ－1600K打印机,调制解调器、网卡等网络设备。系统操作系统适用WINDOWS3．X以上版本,软件编程可采用FoxproVisualBasic或FORTRAN等高级语言。2系统结构及功能系统由5个分系统组成,见图1。2．三资料加工存储子系统通过与业务实时系统联网,采集历史、实时气象资料和公共预报等基本气象信息产品,同时采集专业气象服务对象所涉及的特殊气象信息,存储到数据库供其他干系统调用。2．2＃据库用来存储历史资料、实时…     

预报青岛9—11月降水的“MOS”方法

一、基本思路 根据天气学原理和预报员的经验进行天气分型,每型下由数值预报输出产品、天气实况资料选取预报因子,并利用点聚图、多因子组合做“线性化”处理,进而建立“MOS”预报方程。这是把天气学方法,数值预报(其中包括完全预报和“MOS”预报)、人的经验结合起来,取各方之长,融为一体的方法。     

“真值图”法天气预报——0—1型多因子综合统计预报方法

真值图是表达逻辑代数运算的一种直观图形,常用于电子开关线路设计中。在作气象定性预报的0—1型多因子综合预报中,引用了真值图,效果较好。一、综合预报真值图的制作方法0—1型多因子综合预报,通常用“1”和“0”分别表示预报对象或预报因子的“出现”和“不出现”。当用两个预报因子作综合预报时,因子的不同组合状态可以有2×2=2~2种;n 个因子的不同组合状态将有2~n 种。进行综合预报的关键,就在于正确地区别 n 个因子的各种组合状态,以及表达各不同组合状态与预报对象状态的对应关系。真值图是一种能够区分因子的不同组合状态的有规律的图形,所以能用于作综合预报。真值图的画法有很多种,这里介绍一种比较简便的方法。     

长沙市一周晴雨落区及等级滚动预报系统

预报系统在晴雨等级时空分布的基础上,自动调用显示传真图,用计算机识别欧洲风预报场中的槽线、切变线等影响因子,自动提取欧洲中心20:00、08:00高度、温度、地面气压和相对湿度数据资料,并结合区域自动气象站资料,挑选组合预报因子,建立预报模型,分别制作上午(20:00～20:00)和下午(08:00～08:00)一周晴雨落区及等级预报.并应用VB6.0语言编制成自动化的预报系统,在长沙公共气象信息服务系统2次/d滚动发布.业务运行一年,系统对降水落区及等级有较强预报能力.     

多维点聚的简化试验

多维点聚方法,是一种相关相似预报方法。依照两个因子平面点聚找相似的原则。点聚图上两点越靠近,这两个个例越相似。两点的靠近程度,可以两点间的距离表示。由此,如 a,b 两点分别代表两个个例那末 a 点和 b 点间距离 Dab=     

气象分类预报中的两次判别法

在气象分类预报中,线性判别方法已广泛得到使用。众所周知,二维时,线性判别相当于在平面点聚图上用数学方法寻找区分二类的直线。但是,当事实上(经常如此)必须用曲线进行客观分类时,这种不太符合实际的线性判别法的效果就不会很好。本文介绍并提出在n维空间均适用的非线性分类的数学计算方法;指出这种方法的广泛使用范围;给出在平面点聚图上进行非线性判别的例子;并与线性判别法作了实际比较。     

微机气象图形制作系统(二)

二、天气预报业务图表的制作及业务化 (一)WGS2图形元文件的定义在本图形制作系统中生成的所有图表都是WGS2图形元文件格式,对“省级分布式综合气象信息处理系统”下的外设(打印机、绘图机、大屏幕)都能显示或输出.制作图形前简单说明元文件的标准格式. WGS2图形元文件的结构定义为: 图形元文件::=文件头 {图段}     

基于模糊聚类法预报顺德甘蔗产量趋势

利用顺德1981—1990年10年的甘蔗产量数据和气象观测资料,选取降雨量、日照时数、风速等与甘蔗产量相关气象因子进行模糊聚类分析分类,得到5类产量类型:增产(1981)、偏增(1982、1984—1986、1989—1990)、平产(1983)、偏减(1987)、减产(1988)。应用1991年预报年相关气象因子对甘蔗产量试报,结果属于偏增类,与实况一致,表明这种聚类预报方法预报效果良好,可推广使用。     

农作物产量气象预测系统软件设计

一、前言 本系统软件,主要针对广大气象台站、农业气象试验站和有关农业科研部门,使用PC-1500微型计算机开展农作物产量预报业务而设计。程序用BASIC语言编制,考虑到PC-1500机内存较小(通常为8—16K),本系统软件按5个功能模块设计,各个模块之间既相对独立,又互相联系,组成一个多种功能、通用性强、可以投入产量预报业务中使用的微机系统。本软件,既可用于单站单点产量预报,也具有同时预报多站多点(分片或地区级、省级)产量的功能。     

初夏大雨以上降水的一种短期解释预报方法

以单站要素为基本因子,用非线性判别方法为基本工具,再选用部分传真高空资料,采用复相关表和点聚图逐步筛选消空制作初夏大降水解释预报,效果良好,方法简便,适于县站使用。     

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%。     

优势波分型下的多因子LOGIT回归模型

本文用1972—1981年3月27日至6月10日500mb高度纬圈波波谱资料,在对春季超长波、长波、相角、振幅以及西风指数等特征进行定性分析的基础上,以55°N纬圈上各简谐波(波数K:1,2……6)的振幅方差百分比I_k进行优势波分型,选取34个待选因子,分型算出它们与对应y(降水:有雨为1,无雨为0)的相关系数,挑选相关性较好的因子两两作点聚图,求出点聚图上九点滑动平均的降水概率,建立优势波分型下的分对数(LOGIT)模型,用PPM法作逐日晴雨预报。 用本回归模型对1983年进行试报,1984年4月应用于日常中期预报,效果良好。