动力延伸预报产品在广西月降水预报中的应用

利用1958—2005年NCEP/NCAR再分析资料和2003—2005年国家气候中心的动力延伸预报产品, 运用自然正交函数展开 (EOF) 求取预报关键区内的空间特征向量及其时间系数, 结合相似离度方法查找与预报月份相似的个例, 进而作出广西月降水量预报。独立样本试验证明, 利用动力延伸预报产品制作的区域月降水预报比利用前期实况高度距平场相关区域制作的预报效果更好。     

神经网络模型在预报湖北汛期降水中的试验

该文使用湖北省10个气象代表站汛期前期逐月降水量及逐月平均的太平洋海温、北半球500百帕高度场和海平面气压场资料,分别建立了湖北汛期总降水量的神经网络预报模型.该模型在1999年汛期的试验结果表明,其对湖北汛期总降水量的预测有一定效果.     

数值预报产品在短期降水分级预报中的应用

和１９９４、９５年７－８月Ｔ６３数值预报产品，结合日本ＦＳＦＥ０２、０３资料，研制出东营市各站汛期短期降水分级ＭＯＳ预报系统。     

数值预报产品在1998年降水预报中的应用

从我们开始制作天气预报以来,降水就是预报员重点考虑的对象。降水事件虽经常发生,但由于降水天气受众多因素的制约,要作好降水预报仍有一定的难度。随着数值预报产品的逐步引进,我们的降水预报准确率无论在定性,还是定量方面,都有了明显提高。预报员现在已基本实现...     

欧洲数值产品在降水中期预报中的应用

欧洲数值产品在降水中期预报中的应用刘艳华孟悦付立林（黑龙江省气象台１５００３０）中期天气预报必须抓住与其时间尺度相对应的超长波发展、变化。以往只能用实况资料作平均图,与历史资料选相似去预报未来天气情况。但前期形势相似与后期形势变化并不一定存在一一的对...     

数值预报产品在降水与雷暴预报中的应用

通过对日本数值预报产品进行统计分析,建立起空、漏报的天气形势模型,在做出桃仙机场是否出现降水现象的基础上,再利用当天天气图及实况资料,进行综合判断,最终做出机场的雷暴预报。     

定量分析数值模式日降水预报结果的不确定性

集对数值预报模式日降水预报结果与观测资料,根据联合熵处于最大、最小联合熵之间的相对位置设定不确定性指标U,以便定量分析NWM降水预报结果的不确定性.初步计算结果表明:U与模式预报随机偏差有着紧密联系,但与系统偏差无关;NWM的降水预报不确定性指标超过60%,即其既具有参考性,又具有不确定性,特别是对强降水的预报,不确定性更大;对我国大陆范围24小时降水预报而言,日本模式比T213不确定性小,特别是日本谱模式(RSM)预报在出现40～80 mm降水时比T213具有更高的参考价值.     

江淮细网格数值预报产品在短期降水分片分级预报中的应用

介绍了福建泉州公路局乳化沥青站乳化沥青的生产工艺、设备安装及使用情况，对乳化沥青的经济效益进行了分析，认为阳离子乳化沥青对湿矿料具有较的吸附作用，在多雨的福建省尤为值得推广使用。     

人工神经网络方法在鹤壁汛期降水预报中的应用

在用经验统计方法和降水判别函数进行24h和12h晴雨预报的基础上，再用BP人工神经网络建立降水量级预报模型。经2003年汛期试用，预报准确率高于上级指导预报准确率，12h预报准确率高于24h预报准确率。     

阿克苏短期降水客观预报方法探讨

利用2001～2004年4～10月的降水实况和历史数值预报资料，分析数值预报产品各气象要素和物理量预报场与阿克苏降水的关系，得到阿克苏降水的定性、定点、定量和定时客观预报因子及其预报指标。     

人工神经网络在梅雨期短期降水分级预报中的应用

将人工神经网络应用于南京夏季梅雨期短期降水分级预报。根据梅雨期天气特点,用统计和动力学方法从HLAFS（高分辨率有限区域预报系统）资料中寻找预报因子;然后分别用两种方法选取输入因子对人工神经网络进行训练,并分别利用抽取的五天做降水分级预报检验。通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现：与HLAFS降水预报相比,降水预报准确率由原来的66．7％提高到88．2％,漏报、错报明显减少;与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高。     

区域降水数值预报产品人工神经网络释用预报研究

利用T213、日本细网格降水预报等数值预报产品,采用人工神经网络方法进行预报释用。通过聚类分析方法对广西自治区测站进行分类,简化预报对象,对数量众多的T213数值预报产品采用自然正交分解(EOF)方法,浓缩大量因子的有效信息,并结合日本降水预报因子建立广西5~6月区域降水量级的逐日人工神经网络预报模型。运用与实际业务预报相同的方法进行逐日预报试验。结果表明,用这种数值预报产品释用方法建立广西3个预报区域的B-P人工神经网络预报模型对中雨以上降水量级预报的TS评分分别为0.55、0.5和0.26,比目前业务预报中参考使用的T213和日本数值预报产品降水预报具有更好的预报效果。     

人工神经网络在南京秋季短期降水预报中的应用

利用2002年10月2日—12月1日的HLAFS资料,计算得到组合因子,通过相关系数的检验得到预报南京秋季(10—11月)降水的组合预报因子。把这些组合因子和对应的降水实况输入人工神经网络中进行学习和训练,最后得到南京秋季降水的人工神经网络预报方法。检验和试预报结果表明,预报降水的准确率为70%～80%,高于HALAF模式10%～20%。     

人工神经元网络方法在沙尘暴短期预报中的应用

使用人工神经网络方法建立了我国沙尘暴短期预报模型 ,该神经网络模型的输入因子是几个物理量场REOF展开的一些时间系数 ,输出为我国有无沙尘暴。结果表明REOF展开技术和人工神经网络方法两种方法的结合对于预测沙尘暴是可行的。     

应用回归分析和BP神经网络方法模拟北京地区电力负荷

根据2002～2004年5月1日至9月1日期间的日最大电力负荷与相应日期的日平均气温、相对湿度和风速资料,分析了北京地区夏季电力负荷的变化特征,并将2002年和2003年数据作为训练样本,2004年数据作为测试样本,应用多元回归、非线性回归和BP神经网络方法对每日电力最大负荷进行模拟.结果表明,几种方法均能对电力负荷进行较好地模拟,其中神经网络方法的模拟能力最强,其次为非线性回归和多元回归分析方法.     

人工神经网络在天气预报中的应用研究

介绍了将人工神经元网络用于灾害性天气（暴雨）预报研究的情况，分析了天气预报问题的数学提法及困难所在，神经元网络用于天气预报的原理，暴雨预报的特点及我们对网络模型的改进。结果表明，神经风格确可通过学习从原始数据中提取足够的分类信息，达到较好的预报准确率，值得进一步研究。     

人工神经网络方法在降水量级中期预报中的应用

将人工神经网络方法与统计方法相结合，采用分步预报的方法，首先用经验统计方法进行晴雨预测，再用BP人工经网络建立降水量级预报模型，探讨神经网络方法在中期降水预报的应用，试验表明，神经网络方法能提高中到大雨降水量级的中期预报能力，但对暴雨的预报不理想。     

一种神经网络的云图短时预测方法

依据6hT213数值预报产品的资料,采用EOF展开和人工神经网络等方法,对卫星云图短时预报方法进行研究。首先对卫星云图灰度值样本序列进行EOF展开,将提取出来的时间系数作为建模的预报量,以数值预报产品的物理量场作为预报因子,建立人工神经网络预测模型。将预报得到的时间系数与空间特征向量进行时空反演,实现对未来6h云图的预测。预报方法的独立样本试验证明,预测结果与实际云图的主要特征基本吻合,尤其在预测云图的大体分布和发展趋势上得到了较好效果。     

川西高原大雪人工神经元网络短期预报系统

采用初级预报模式结合人工神经元网络（ＢＰ算法）的方法,使用阿坝牧区大雪天气过程历史资料,研制了川西高原牧区大雪天气预报系统。利用９２１０工程接收到的数据资料,自动完成因子采集和结论输出,每次输出后,因子库自动增加新的因子,网络再次学习,从而进一步提高预报精度。     

Application of Artificial Neural Networks to Rainfall Forecasting in Queensland, Australia

In this study,the application of artificial intelligence to monthly and seasonal rainfall forecasting in Queensland,Australia,was assessed by inputting recognized climate indices,monthly historical rainfall data,and atmospheric temperatures into a prototype stand-alone,dynamic,recurrent,time-delay,artificial neural network.Outputs,as monthly rainfall forecasts 3 months in advance for the period 1993 to 2009,were compared with observed rainfall data using time-series plots,root mean squared error(RMSE),and Pearson correlation coefficients.A comparison of RMSE values with forecasts generated by the Australian Bureau of Meteorology’s Predictive Ocean Atmosphere Model for Australia(POAMA)-1.5 general circulation model(GCM) indicated that the prototype achieved a lower RMSE for 16 of the 17 sites compared.The application of artificial neural networks to rainfall forecasting was reviewed.The prototype design is considered preliminary,with potential for significant improvement such as inclusion of output from GCMs and experimentation with other input attributes.