Ascending phase of solar cycle 25 tilts the current El Ni?o-Southern oscillation transition

自2020年初夏,赤道太平洋地区出现拉尼娜现象并持续两年半多(以下简称2020拉尼娜),对其未来演变的预测引起了很多关注,考虑到11年太阳周期活动对热带太平洋SST异常可能存在锁相影响,本研究分析了当前太阳活动周(即第25太阳周(SC25))对目前热带太平洋ENSO现象未来演变的调节作用,基于历史太阳周的统计特征,作者对第25太阳周达到其最大值的时间提出三种可能的情景,并讨论了不同情景下的太阳活动对未来两年ENSO演变的可能影响,第25太阳周的持续上升阶段在一定程度上抑制了当前2023厄尔尼诺现象发展为超级事件.     

基于神经网络的太阳黑子面积平滑月均值预测

黑子面积数是表征太阳活动的重要物理量,准确预测黑子面积能为太阳活动研究、空间天气业务等提供重要参考依据。本文提出一种基于BP神经网络的黑子面积平滑月均值预测方法,利用第20个太阳周之前的数据对网络进行训练,建立预测模型。对第21个太阳周至今的数据进行预测试验,并考虑不同训练步长、预测步长对模型精度的影响。结果表明,该模型能准确逐月预测黑子面积,采用不同训练步长时相对误差均不超过5％,进行更长时间的预测,相对误差会逐渐增大。     

EMD在广西季节降水预报中的应用

气候系统是一种耗散的、具有多个不稳定源的非线性、非平稳系统。该文利用支持向量机(SVM)算法在处理非线性问题中的优越性和经验模态分解(EMD)算法在处理非平稳信号中的优势,采用将EMD与SVM相结合的短期气候预测方法,并应用到广西季节降水预报中。选取广西88个气象观测站1957—2005年6—8月逐年降水量的距平百分率序列作为试验数据,通过EMD算法将标准化处理后的距平百分率序列分解成多个本征模态函数(IMF)分量和一个趋势分量,在分解中针对EMD算法存在的端点极值问题选择两种方法分别进行处理,对比得出极值延拓法效果更好。对每个分量构建不同的SVM模型进行预测,并通过重构形成最后的预测结果。试验中采用不经EMD处理的反向传播(BP)神经网络和SVM算法进行对比验证,结果表明:相对于直接预测方法,该文提出的方案均方误差最小,能够较为准确地反映出降水序列未来几年的变化趋势,具有更高的预测精度和较好的推广前景。     

BP神经网络在估算模式非系统性预报误差中的应用

基于数值天气预报误差在时间上的相依性,采用BP神经网络方法建立预测数值模式非系统性预报误差的模型,并利用2003-2007年T213模式分析场和24 h高度预报场资料验证了该模型的预测能力,结果表明:所建立的3层BP神经网络模型对未来24 h的非系统性预报误差有较好的预估能力,对大多数样本而言所估测的非系统性预报误差的分布特征和其真值较为一致。BP神经网络模型估测的非系统性预报误差可以在系统性预报误差订正的基础上进一步对预报做出修正,其订正效果好于仅进行系统性预报误差订正的效果。     

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.     

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。     

人工神经网络在月降水量预测业务中的研究和应用综述

月降水量的年际变化具有显著的非线性变化特征,预测难度大,历来是重大气象灾害预测的重点难点问题.BP(back propagation)神经网络在月降水量预测业务中的研究和应用中,取得了较好的成果,其中应用较广泛的是PCA-BP神经网络模型、遗传算法优化神经网络、RBF神经网络预测模型、小波神经网络模型、粒子群-神经网络...     

一种基于MEA BP的太阳辐射反演算法

基于光电原理的日照计即将在全国推广应用,以光照度观测数据为主反演太阳辐射数据可以有效弥补太阳辐射观测站数量不足的现状。针对现有的太阳辐射反演方法的不足,提出一种融合主成分分析(PCA)、思维进化算法(MEA)和BP神经网络的复合模型,利用太阳光照度、太阳高度角、温度和湿度观测分钟数据反演太阳辐照度。首先,以晴空指数为依据,基于概率神经网络(PNN)分类法,将天气类型分为晴、云、阴3类,分类准确率达到96.6948%。再利用PCA降维后的4个影响因子,对3类天气分别采用BP、GA-BP和MEA-BP法反演太阳辐照度,与标准辐射表的实测数据对比。结果表明:晴、云、阴的MEA-BP模型的决定系数最高达到0.9958,与单一BP模型相比,RMSE分别降低了49%、32.45%和10.64%;相比于GA-BP模型误差,MAPE最高减少了42.54%。本文所提出的MEA-BP复合模型的泛化能力得到了有效提高。     

南极臭氧洞计算机模拟

一维时空光化学模式引进垂直运动及离子反应生成的氮氧(NOx)、氢氧(HOx)化合物。模式中采用1978到1983年期间的太阳紫外辐射通量及南极73度的纬向八月份平均温度。 计算结果表明:春季南极出现臭氧洞,主要是第21太阳黑子周峰值期太阳紫外辐射减少造成的。其次,在太阳黑子周峰值期伴随多次大的太阳质子事件,产生大量氮氧、氢氧化合物。在极区太阳质子事件产生的化合物催化破坏平流层臭氧可持续几天至几年。 南极冬春季节强大的下降垂直运动是南极臭氧洞形成发展极其重要的局部动力条件,特别是在极夜期间。太阳升起后,垂直运动的影响不明显。 南极臭氧洞的形成主要是通过光化变化过程,动力过程是其局部的充要条件,人为活动产生的含氯化合物对低层大气臭氧的直接破坏不可忽视。基于上述论点,可以预期进入第22太阳黑子周期,南极及全球大气臭氧的分布状态将会改变,大自然本身自复。     

迷你冰期来临

<正>王绍武等在2010年发表的文章(《科学通报))第55卷第30期)中认为未来可能进入一个新的太阳活动极小期,并指出太阳活动11年周期的第24周(从2008年开始)极大年(2013年)的太阳黑子数有重要的指示意义。最新的观测表明,第24周极大年(M年)的太阳黑子数只有64.7,低于第15~23周(1913—2007年)中任何一个周期M年的黑子数,仅与第14周的太阳黑子数(53.9)接近(表1)。这有力地证明,开始于1920年代的     

1978-2000年的太阳活动预报

太阳活动第20周已在1976年6月(1976.5年)结束,相应的极小相对月平滑值(?)_m=12.2。目前太阳活动正处于第21周的上升期。根据Waldmeier方法和公式,来预报本周的峰值、极大月平均值(?)_m,相应的极大时刻()_m。 V=((?)_m-(?)_m)/12(18.4-7.14lg(?)_M) (1)上式V为本活动周上升速率。根据《太阳地球物理数     

基于MATLAB的主成分RBF神经网络降水预报模型

以前期500 hPa高度场、海温场为预报因子,采用径向基函数(RBF)神经网络与主成分分析相结合的方法,建立了广西中部5月平均降水预报模型。在5年独立样本的预测检验中,预测的平均相对误差、均方误差及平均绝对误差分别为18.12%、50.52和34.23。对比分析RBF神经网络与BP(Back Propagation)神经网络的预测结果,表明RBF神经网络预测结果更准确、精度更高。     

江南雨季降水季节内演变及其年际、年代际变化特征

利用1961—2008年逐日降水资料,在对比我国东南部各地区气候态降水特征的基础上,着重探讨了江南地区(110~120°E、24~30°N)雨季降水的季节内变化特征及其年际、年代际变化规律。结果表明:1)江南雨季气候态降水的季节内变化具有明显的双峰型特征,两个峰值集中期分别是4、6月中旬前后。4月中下旬第一个降水峰值率先出现在江南地区,之后峰值降水南移,于6月上中旬华南地区达峰值集中期,之后强降水才逐渐北移,6月中下旬又回至江南地区,使江南地区降水达第二个峰值集中期。2)我国江南地区区域平均的双峰降水与4—6月的实际降水之间的相关系数达0.69,这表明双峰型降水确实反映了江南雨季降水的季节内演变特征。3)江南雨季降水双峰型的季节内变化特征具有明显的年际、年代际变化周期。年际变化周期为2~3 a,强信号主要集中在20世纪60年代后期到70年代中期以及80年代中期到21世纪初;年代际变化周期约为8~10 a,在整个时间域上都存在,最强信号集中在80年代初到90年代末期。4)年代际尺度上,江南雨季降水的季节内变化特征(双峰型态)具有隔代显著的特征,即20世纪60、80年代及21世纪初双峰型特征显著,而20世纪70、90年代双峰型特征不显著。     

基于小波神经网络法的海南地区逐时太阳总辐射预测研究

利用2003—2012年海口市气象站不同季节逐时太阳总辐射观测资料与对应气象参数,建立基于小波BP神经网络法逐时太阳总辐射的预测模型,并利用2013年太阳总辐射数据对模型进行检验,且与建立的逐步回归模型进行对比。结果表明:小波神经网络法建立的逐时太阳总辐射预测模型精度较高,但不同季节模型预测精度存在差异,冬季预测精度最高,夏季预测精度最差,天气类型指数有利于不同季节模型预测精度的提高。春季、夏季、秋季和冬季加入天气类型指数神经网络模型的逐时太阳总辐射预测值与观测值的回归估计标准误差分别为0.32、0.47、0.35 MJ·m-2及0.23 MJ·m-2,比逐步回归模型的预报精度分别提高了28.8%、16.3%、17.9%和20.4%,说明基于小波神经网络法建立的预测模型可为海南地区逐时太阳总辐射预测提供参考。     

CAR和SVM方法在郑州冬半年大雾气候趋势预测中的试用

以郑州冬半年大雾日数为对象,在分析其气候特征的基础上,尝试大雾日数的气候趋势预测.首先选择气候预测中常用的环流特征量作为因子群,通过相关筛选, 选取与预测对象相关系数较大的环流特征量作为预测因子,然后分别采用多变量自回归(CAR)和支持向量基(SVM)回归两种方法,建立郑州冬半年大雾日数预测模型.CAR方法回报正确率为88%,SVM方法回报正确率为82.4%;经2002/20032005/2006年4 a的独立样本试报,两种方法平均预测准确率(Ts)均为75%.     

基于改进EMD算法和BP神经网络的SST预测研究

海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。     

投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究

以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明：投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。     

投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究

以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明:投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。     

数据挖掘技术在精细化温度预报中的应用

简要介绍了精细化天气预报和气象数据挖掘应用的现状,在对BP神经网络预测方法详细分析的基础上,研究了基于时间序列数据挖掘实现精细化温度预报的方法。该方法基于时序分析技术,建立起适合于BP神经网络的输入样本模型,通过反复学习从温度时序中建立预测模型,将其用于未来24 h的精细化温度预报。同时,对BP神经网络算法和步骤做了简...     

PCA-BP神经网络在SO2浓度预报中的应用

将基于主成分分析(PCA)的BP神经网络预报方法引入大气污染预报,建立SO2浓度预报模型.结果表明:应用主成分分析对数据进行前处理,以原始预报因子的主成分作为BP神经网络的输入,降低了数据维数,消除了样本间存在的相关性,大大加快了BP神经网络的收敛速度.对模型进行预报验证,预报值与实际值之间的绝对误差为0.0098,预报值与实际值的相关系数达到0.885,得到较好的预报效果.并且比一般的BP神经网络模型具有较高的拟合和预报精度.