时间序列分析在农业气象产量预报中的应用

所谓时间序列分析,主要是指用方差或谐波分析方法找出周期,建立回归预报方法.这种方法是建立在历史产量序列的周期波动规律的基础上,外推预测其未来的演变.我们对江西、湖南、福建、浙江、广东、山东等省三十多个县市的部分粮食作物的气象产量(其时间趋势产量分别采用一无线性回归、正交多项式回归、直线滑动平均等方法进行处理)采用时间序列分析方法进行验证性预报,取得了较为满意的效果.     

谐波拟合法及其在短期气候预测中的应用

谐波拟合是一种通过分析预报对象自身演变规律的预测方法。该方法第二个关键点：一是使用长达几十年的连续时间序列资料，消除多个“常见周期”后，进行谐波分析，二是提出了新的谐波合成思路，引入计算机试验拟合。此方法在短期气候中效果较为满意。     

山东省降水量时空分布的诊断分析与未来趋势预测

本文采用我省地域内分布均匀的41个站点为代表站,根据40年(1951—1990)的降水时间序列,从几个方面分析了我省降水的特点及历史演变规律,并在此基础上对我省未来几年的降水趋势做了预测。     

转移概率及最大转移概率原理在桂林市初、终霜日预报中的应用

利用转移概率及最大转移概率预报原理,分析了桂林市1961-2000年初霜、终霜日期等随机时间序列之间的转换规律,并结合各序列的初始分布,建立预报模型。应用该方法对近几年初、终霜日期的预测结果表明,转移概率预报方法对波动性较大的随机时间序列具有较强的预报能力,方法简单,预报效果好。     

时间序列方差分析周期叠加外推法的应用分析

时间序列方差分析周期叠加外推法的应用分析董蕙青（广西区气象台南宁５３００２２）在长期天气预报中，研究某一要素自身随时间演变的周期性规律，已成为一种较常用的统计分析方法“，”。其中时间序列方差分析周期叠加外推法的应用甚为广泛，应用该方法的关键是如何处理...     

气象要素时间序列的演化建模分析与短期气候预测

以武汉站(5~9月)汛期降水量观测数据序列为例,将这类具有明显的不规则性(混沌特征)时间序列分解为宏观气候尺度周期的波动部分和迭加其上的微观气候尺度周期的波动部分,分别采用演化建模方法和自然基小波方法模拟逼近。特别强调由演化建模方法得到的非线性常微分方程较之传统的线性建模具有更好的分析预测能力。     

基于时间序列模型与残差控制图的兰州市空气质量研究

利用2003-2012年兰州市月均空气污染指数API和季节性时间序列模型SARIMA,对数据序列进行拟合并对其变化趋势进行了分析,研究其演变趋势并选取空气质量良好(月平均API150)的月份(2012年6月2013年2月),选用时间序列模型ARIMA(1,1,1)进行拟合,再结合残差控制图,对2013年3月日平均API预测监控。结果表明,SARIM A(0,1,1)×(0,1,1)12模型较好的拟合了近10年兰州市API的变化趋势,兰州市的空气污染大致呈冬、春季污染相对较重,夏、秋季相对较轻,空气质量总体在逐渐好转。适合该地区短时间尺度的时间序列模型是ARIMA(1,1,1),结合残差控制图对2013年3月API进行预测监控,结果显示6,9,10,11,12和13日超出控制限,对6日和9日提出预警。预测结果与实际结果相吻合,证实了将时间序列模型与残差控制图结合预测监控大气污染的有效性。     

转移概率及最大转移概率原理在桂林市初、终霜日预报中的应用

利用转移概率及最大转移概率预报原理，分析了桂林市1961～2000年初霜、终霜日期等随机时间序列之间的转换规律，并结合各序列的初始分布，建立预报模型。应用该方法对近几年初、终霜日期的预测结果表明，转移概率预报方法对波动性较大的随机时间序列具有较强的预报能力，方法简单，预报效果好。     

场时间序列预测方法及其预测能力的试验分析

给出场时间序列预测思想的提出及其理论基础,并在此基础上,给出场时间序列预测理论的思路及方法,并针对一个理想混沌时间序列进行预测能力的试验分析.初步结果表明,场时间序列预测方法可以提高单点时间序列的"遍历性",提高预测精度.     

转移概率及最大转移概率预报方法在吴忠市霜冻预报中的应用

在简介转移概率及最大转移概率预报原理的基础上,对宁夏吴忠市区1961—2000年初、终霜冻日期各随机序列状态之间的转换规律进行了分析,并结合各序列的初始分布,建立预报模型。应用该方法对1995—2001年的初、终霜冻日期进行了预测,结果表明,该方法对预报波动性较大的随机时间序列具有较强的预报能力。     

基于DFA的雷暴日时间序列分形特征分析

运用最小二乘法、非趋势波动分析(DFA)与小波变换三种方法对比分析许昌市1961—2012年52 a雷暴日时间序列的变化特性,揭示雷暴日的长程相关性及其内在规律。研究结果表明:许昌市52 a月雷暴日时间序列属于分形时间序列,存在内在的长程相关性,其雷暴日数每10 a减少1.6689天,雷暴日时间序列长程幂律相关的标度指数为0.8940,该幂律关系至少可持续17个月,并将2011年和2012年观测数据作为验证数据加以验证,结果与DFA分析结果一致;雷暴日时间序列具有2个显著的标度不变区域,存在一个突变点,反映了雷暴日系统具有复杂的物理作用机制;三种分析方法均得出许昌市雷暴日呈减少趋势的结论,最小二乘法虽然能定量计算出雷暴日每10 a的减少量,但年度尺度较大,精确度变低,而DFA和小波分析法的分析结果更加细致;但在定量描述雷暴日变化趋势上DFA法优于小波分析结果,而在分析雷暴日时序的细节分量和周期特性时小波分析更加清晰;DFA法可作为预测未来雷暴日发展趋势时长的有效方法之一。     

农业气象预报方法的发展

在农业气象预报中,新的动态-统计预报方法的发展是与光合作用数值理论的建立和作物产量波动的科学研究工作所取得的成就分不开的。农作物产量的动态-统计预报方法是以农业气象条件对作物的光合生产力影响的模拟、产量波动的时间序列规律的研究以及统计预报方法和动态预报方法的合成为基础的。这方面的理论研究分以下三个主要阶段     

基于幅频分离的气候时间序列预测试验

从气候波动的瞬时频率与瞬时振幅出发,结合最小二乘支持向量机技术,提出了基于幅频分离技术的气候时间序列预测方法,并对南京地区降水距平进行了30候的预测试验。结果表明,幅频分离预测法能够对所有模态的振幅和高频模态的瞬时频率进行较好的预测,而预测的瞬时频率累积误差会对模态分量的预测距平相关性产生敏感影响,该新方法能够显著提高气候序列高频模态的预测效果。对于气候序列的低频模态分量,集合经验模态分解的边界效应会对瞬时频率的求解产生较大误差,使得序列边界区的幅角计算不准确,导致对低频模态的最终预测效果不理想。对气候序列的高频分量采用幅频分离并进行最小二乘支持向量机预测,而对其低频分量仅采用最小二乘支持向量机进行直接预测,可同时提高高、低频分量的预测效果,并最终提高整个气候序列的预测准确性。该分频预测方法可以使南京降水预测的30候距平相关保持在0.4以上。     

转移概率预报方法及其应用

采用转移概率方法及最大概率预报原理,分析研究了新疆阿克苏市１９５４￣１９９５年霜冻初、终日期及月降水量等随机时间序列状态之间的转换规律,结合各序列状态的初始分布,建立预报模型,并对１９９６￣１９９９年各项目进行预测。结果表明,该方法预报效果较好,适用性强,具有良好的应用前景。     

非平稳时间序列的区域预测研究

基于重构状态空间理论和嵌入定理,给出一个新的非平稳场时间序列的区域预测方法。该方法将外强迫因子引入到预测模型中,并且将区域内预测相点的周围相点所对应的空间信息也引入到预测模型中。然后利用该方法对33模Lorenz系统得到的"理想"的非平稳场时间序列进行预测实验分析。结果表明,嵌入外强迫因子可以更好地重构出原来的动力系统,有效地提高非平稳时间序列的预测精度;同时引入空间和外强迫信息可以利用空间数据弥补时间序列长度的不足,从而进一步提高预测精度。     

采用数字仿真技术预测未来年份粮食产量风险概率

采用风险分析理论，在对任意粮食生产单元多年粮食单产时间序列进行分析的基础上，将粮食产量波动的信息采用数字仿真技术叠加到趋势产量预测模型中，提出了估计未来年份该生产单元粮食产量不同结果出现概率的方法。分别设计了短期风险估测和长期风险预测的方案，这两种方案对于灾害救济的发展生产具有一定的参考意义。     

近40年华南汛期旱涝变化及趋势预测

利用１９５１－１９９１年华南（１３个测站平均）汛期（４－９月）降水量资料分析了汛期旱涝变化特征，提出了旱涝等级标准，采用模糊均生函数模型，根据序列本身的演变规律进行拟合外推，预测了９０年代的旱涝趋势，并利用广州近８３年较长降水序列研究了广州汛期降水的长期变化特征。     

近40年河南年降水变化特征及多步预测模型

利用近４０年来河南３２个台站的降水资料,分析了河南省年降水演变特征;以均生函数为基函数,用主成分分析原理进行筛选,建立了河南降水时间序列的多步预测模型。计算结果表明,拟合、预测效果均较好。     

时间序列与多元统计分析专题讨论会

为交流近年来统计气象预报的学术成果,了解国际动态,中央气象局气象科学研究院于1980年12月25—29日在西安召开了“时间序列与多元统计分析”专题讨论会。出席会议的有63人,共收到了85篇材料。会议的材料大体上反映了七十年代后期我国统计气象学的水平。会议报告大致分五个方面,即多元分析新方法,预报应用与效果分析,时间序列分析,多元分析的应用,统计-动力与天气-统计预报等。 时间序列分析是由分析变量的历史记录,寻找其自身演变规律,从而作出未来的预报的。会议上,着重介绍和讨论了七十年代以来发展的Box-Jenkins方法,如构造自回归(AR)模型、自回归滑动平均(ARMA)模型,自回归求和滑动平均(ARIMA)     

多层递阶周期分析

针对经典多层递阶预报方法的某些不足,提出了一种改进的多层递阶预报模型——多层递阶周期分析。它使用时间序列的显著周期分量取代原模型中的自回归部分,使其更合理地反映气象要素自身的演变规律,有效地提高了预报精度。