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。     

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.     

基于最小二乘支持向量机的雷暴预报初探

利用2007年和2008年南京地区NCEP 1°×1°历史再分析资料和江苏省闪电定位资料,探讨最小二乘支持向量机(LS-SVM)方法在雷暴预报中的应用.将NCEP 1°×1°资料作为实况,选取了该资料与雷暴相关性较好的参数作为预报因子,而江苏省闪电定位资料则作为预报量,建立南京地区雷暴预报的最小二乘支持向量机模型,并用...     

人工神经网络及支持向量机在降雨量预报中的应用

使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1h和3h预报的研究,并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6～7月的降水过程,比较了网络(文中指BPN、JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、强降雨区域和强度;使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明:网络和CCM对雨带和强降雨区域的预报比较准确,但是对强降雨中心位置和强度的预报与实况存在差异;在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响;预报的中小尺度结构与天气分析的结果一致;网络与CCM以及不同的网络之间的预报结果存在着差异;连续预报的结果表明,与CCM相比,网络对3h预报的效果优于1h的。     

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。     

支持向量机方法在冰雹预报中的应用

支持向量机（Support Vector Machines简称SVM）方法是近年发展起来的一种新的统计学习理论方法,本文通过对这一方法的学习,总结陇东主要降雹的环流形势特点,利用这一新方法对冰雹分类预报进行了探讨,经检验,效果较好。并与传统的天气分型后制作预报模式进行了比较,验证了SVM方法不需要进行天气分型,这样总样本数多,建立的预报模型效果好。这为基层台站制作天气预报模式提供了一种新方法和新思路。     

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。     

支持向量机在雷暴预报中的应用

论文利用2002--2006年AREM模式产品和常规观测报文资料,综合运用改进的K平均聚类和主成分分析等方法,基于MOS原理逐月建立了最小二乘支持向量机和线性规划支持向量机的单站雷暴释用预报模型,并针对海口站2007年58月进行了具体的预报。结果表明：支持向量机结合AREM模式产品进行雷暴的释用预报是合适、有效的,而且主成分分析对预报结果的提高也起到了积极的作用。     

云量的时间精细化预报研究-以榆中为例

利用2001年7月至2011年7月甘肃省榆中县地面测站的每日8次云量资料和同期NCEP每日4次等压面资料,由NCEP资料构造预报因子,以总云量和低云量为预报对象,分析预报因子和预报对象的相关性,采用逐步回归方法建立榆中县逐月8个时次的云量预报方程并进行回代;并利用2012年的资料检验预报方程的预报效果。结果表明：云量主要受整层湿度、垂直运动、不稳定能量、槽强度指数和700 hPa水汽通量散度影响,其中湿度状况和垂直运动是重要因素。建立的预报方程对总云量的预报效果比低云量好;总云量平均预报误差在2成左右,低云量平均预报误差在3成左右;预报值变化趋势可以部分地反映实际云量的变化趋势。     

支持向量机方法在南京太阳总辐射推算中的应用

利用1981、1996和2001年逐日南京站太阳总辐射和日照时数观测资料,建立了基于支持向量机(support vector machine,SVM)方法的太阳总辐射推算模型,预测了1982、1997和2002年的太阳总辐射,并把推算结果和采用线性的气候学方法所得到的推算结果分别与实测值进行对比。采用线性方法得到的1982、1997和2002年的太阳总辐射预测值与实测值间基于1:1线的决定系数(R~2)分别为0.800、0.859和0.838,均方根误差(RMSE)分别为3.250、2.649和2.925 MJ·m~(-2)·d~(-1)。采用SVM方法得到的1982、1997和2002年的R~2分别为0.894、0.938和0.936,RMSE分别为2.353、1.726和1.804 MJ·m~(-2)·d~(-1)。SVM方法得到的太阳总辐射预测值与实测值之间的误差较小,预测精度高于线性方法,更适用于实际太阳总辐射的计算。     

Least squares support vector machine for short-term prediction of meteorological time series

The prediction of meteorological time series plays very important role in several fields. In this paper, an application of least squares support vector machine (LS-SVM) for short-term prediction of meteorological time series (e.g. solar irradiation, air temperature, relative humidity, wind speed, wind direction and pressure) is presented. In order to check the generalization capability of the LS-SVM approach, a K-fold cross-validation and Kolmogorov–Smirnov test have been carried out. A comparison between LS-SVM and different artificial neural network (ANN) architectures (recurrent neural network, multi-layered perceptron, radial basis function and probabilistic neural network) is presented and discussed. The comparison showed that the LS-SVM produced significantly better results than ANN architectures. It also indicates that LS-SVM provides promising results for short-term prediction of meteorological data.     

基于多种模型的云南元江哈尼云海景观预报研究

为推动区域旅游事业发展,满足旅游气象服务需求,研究针对云南元江哈尼云海景观进行了立体气象观测和业务预报实验。本研究基于云南元江云海气候站2016—2019年观测数据,利用经验预报法、Logistics回归、支持向量机、决策树分析等方法,进行了云海景观出现与否的二分类预报实验。结果表明：各预报方法间训练样本总体准确率在74.3%—82.2%之间差别不大,但传统经验预报基于云海机理研究背景,预报指标物理意义明确,随着预报经验的积累经验预报2019年TS评分为54.8,优于2016—2018年TS评分46.0,也优于仅使用局地数据的统计学习算法的预报评分,且其他几种统计学习预报方法的检验样本TS评分均不如训练样本评分高。云海景观出现需要水汽条件和大气静稳条件的配合,局地云海气象观测站建设收集的立体气候数据有利于预报人员改进预报指标体系,提高预报准确率,有利于提升区域旅游气象服务能力发展。     

基于支持向量机的雷达地物回波识别研究

多普勒天气雷达探测过程中的非气象因子会显著影响雷达资料的定量化应用,在雷达基数据的应用前需对雷达资料进行抑制地物杂波、去距离折叠和退速度模糊等质量控制。本文在现有的自动识别地物回波方法的基础上,提出了基于支持向量机（Support Vector Machine,SVM）识别雷达地物杂波的方法,2013年6-8月对安庆和常州两地的CINRAD/SA雷达观测资料进行雷达地物回波识别,并将其与运用人工神经网络（Artificial Neural Networks,ANNs）识别的结果进行对比,结果表明支持向量机方法能够取得更好的效果。在地物、降水回波总样本识别和地物回波识别方面更为有效;降水回波的误判方面,神经网络略优于支持向量机,但两者差异不大,都将降水回波的误判率控制在了一个较小的范围内;另外支持向量机方法较之神经网络方法对于训练样本数目的依赖性较小,在训练样本较少时,支持向量机方法仍能保持有效的识别效果。     

利用扫描式红外亮温仪对天空云量的试验观测

利用中国科学院大气物理研究所中层大气与全球环境探测实验室自主开发研制的全自动扫描式天空红外亮温仪,于2007年4-8月在北京市气象局南郊观象台进行了试验观测.利用获得的天空红外亮温数据和南郊观象台(54511站)实时地面气象数据,进行了天空云量的计算.将整点前30 min内观测的云量的平均值作为与观象台观测对应的整点观测云量,分不同情况与观象台目视观测结果进行了对比分析.结果表明:(1)对于中低云,两种观测的云量比较一致,但如果在此期间云消散或增加很快,则差别较大.其主要原因是观测的时间和方式不同所造成的.(2)对于以卷云为主的天空情况,特别是高层薄卷云的情况,两种观测的云量差别较大.原因是受到目前试验所使用的红外传感器低温测量范围的限制(-50℃),以及判定云的阈值算法目前还只对于中低云比较适用,对于卷云的判断能力比较薄弱.(3)对于天空情况比较复杂,以及能见度不好的情况(气象站目视云量记录为10-),两种观测的云量差别也很大.其差别既受到仪器性能的影响,也与观测员视力与经验有关.仪器受到最低测量温度的限制,反演算法也有其不确定性,而观测员在低能见度时的观测局限性亦是一个重要原因.利用SIRIS-1进行云量和云底高度观测的优点是时间分辨率高,且全天时自动化,但对于卷云的判断还较薄弱.     

On the linkage between changes in cloud cover and precipitation extremes over Central India

In this study, linkage between changing characteristics of precipitation extremes and cloud covers over Central India is explored during summer monsoon period using Satellite data (1998–2015). This is a first attempt to relate the changes in cloud cover to the changes in precipitation extremes. Non-rainy cirrus clouds are excluded from this study. Results show that heavy rainfall (≥ 60 mm/day) is associated with cold cloud tops (Tb≤220 K) while moderate rainfall (<60 mm/day and ≥20 mm) occurs mostly with middle clouds (Tb>220 K and ≤245 K). Low level clouds (Tb> 245 K) are responsible for light rainfall (<20 mm/day). Increases in top 20%, 10%, 5% and 1% heavy precipitation relate well with the increases in very deep convective, deep convective and convective cloud cover. Among these relations, increase in top 5% heavy precipitation relates best with increase in very deep convective cloud cover. Decrease in bottom 30% low precipitation relates with decrease in low level cloud cover. The results reported in this study fit into the framework of how weather extremes respond to climate change.     

黄山冬半年云海预报研究

利用2004—2014年黄山气象站地面气象观测资料和NCEP/NCAR再分析资料,分析了云海发生时气温、气压、湿度、风速等要素的垂直分布、时间演变特征,选取能够反映云海天气特征的指标作为预报因子,分析预报因子分布特征,确定其阈值及消空指标,采用指标叠套法建立了黄山冬半年各月08时云海预报模型,总体正确率为88%,T_S评分为31%。利用2015—2016年资料进行检验,总体正确率为88%,T_S评分为36%,其中3月、10月T_S评分为44%,1月T_S评分为38%,模拟结果对黄山冬半年的云海预报具有一定的参考价值。     

基于EC细网格产品在乌鲁木齐机场低能见度预测中的释用

利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。     

辽宁乡镇天气预报中风和相对湿度及云量的空间插值方法

针对开展乡镇天气预报时对高精度逐日气象要素输入值的需要,以辽宁地区为例, 在乡镇预报前期研究成果的基础上,选用距离权重反比法作为基本方法,综合考虑海拔高度,建立风向、风速、相对湿度和云量历史资料库。结果表明：风速、相对湿度可由经度和纬度求算权重,然后采用海拔高度订正插值误差最小;风向和云量可由经度、纬度和海拔高度求算空间距离确定权重插值误差最小。