(二)均值的稳定性

上一讲我们引进了两个基本特征,一组数据x_1,……,x_n的均值与方差。本讲是要进一步阐明均值与方差的联系,揭示均值的变异规律。 现以表1.1(见第一讲)所给的80个数据为例,如果每5年取一个均值,80年的资料共得到16个数据(见表2.1)。计算这16个数据的     

方差简易分波

我们在制作某月份降水量预报时,将所要整理运用的历年气候资料进行一次平均值/x=(x_1+x_2+x_3……x_n)/n。其方差     

多气象因子影响产量的鉴定方法

作物最终产量是许多因子x_1、x_2、x_3…x_n的函数。这些因子可分为四类:光(L)、热(T)、水(B)和养料(Q)。因为每块农田都具有各自的一列决定产量的参数值,所以其产量M可用下式表示: M=f′(x_1,x_2,x_3,…,x_n) (1) M=f(L,T,B,Q) (2) 作物产量M可以是总生物质、商品量或其他物质形式(如糖、油、蛋白质等)。很明显,每种作物或品种相应都有一列能保证它获得最高产量M。的最适宜参数值L_0、T_0、B_0和     

对目前概率统计预报中有关因子挑选和组合的几点讨论

一、多因子线性回归分析的不合理性和逐步回归挑选因子的弊病在利用气象要素前后期的相关关系的预报中,多因子回归分析是目前采用较多的一个概率统计预报方案。所熟知的数学模型是:Y=a_0+a_1X_1+a_2X_2+……+a_nX_n+8这里包含了几项重要的假定:1.各预报因子 x_1,x_2,…,x_n 之间彼此线性无关;各预报因子均独立地对     

用“A.I.D”方法作梅汛期雨量预报

一、“A.I.D”方法简介设有k个因子x_1,x_2…x_k,预报量是y,于是n次观测的全部资料可写成如下矩阵: “A.I.D”方法的第一步,依x_i;(i=1,2,…,k)的大小顺序,把y的资料排成有顺序的k个资料序列。考察它们的最优二分割,最优二分割相应的总变差记为S_i(i=1,2,…,K)。比较S_1,S_2…S_k,找出一个最小的,设S_(il)=(?),这就是说依x_(il)。的大小顺序来对y作最优二分割,可以使分割后两组内部的变差总和达到最小。然后对S_(il)所对应的二分割作一次F     

判别分析的非参数方法

分类问题是气象预报中的重要问题。判别分析的非参数方法是解决分类预报问题的一种方法。它不需要假定预报因子满足n维正态分布律;不需求解线性方程组;通常不需要估计预报因子的总体参数(数学期望、均方差等),故称为判别分析的非参数方法。一、基本算法若有n个预报因子的一组观测资料,它可以看作为n维空间的一个点,记为x={x_1,x_2,……x_n}。{}表示列向量。这个空间点与n维空间中的另一点Y={y_1,y_2,……y_n}的距离为:     

分类逐步筛选相似预报

相似方法是目前天气预报,特别是中长期预报中广泛采用的方法之一。选相似有各种办法,我们采用了分类逐步筛选相似法,现介绍如下: 一、方法 设有p个因子:x_1,x_2,……,x_p,预报量为y,各有n次观测样本。问题是有了X°=(x_1°,x_2°,……,x_p°)’后,找出X_i=(x_(1i),x_(2i),…x_(pi))’(i=1,2,……p)中与其相似的样本(’表示转置)。 (一)相似标准 怎样才算相似,这是最基本的一个问题,我们认为,相似程度的确定应从大气运动的本质特征入手,建立恰当的数量表征,可称为相似指数,以g记之。g_(ij)表示样本X_i与X_j的相似程度。应有|g_(ij)|≤1。     

瑞金六月最高洪峰预报方法初探

为了做好汛期洪涝灾害服务工作,尤其汛期大水进城的重大预报服务,我们利用训练迭代法,制作了预测6月最高洪峰超警戒水位(191.0米)3米(大水进城水位)的预报方法.该方法拟合率为25/26,试报及预报准确率为10/10(见表1).现将该方法作一简单介绍.所谓训练迭代法,就是对m个因子x_i(i=1、2、…m)确定系数b_i(i=1、2、…m),并由此建立预报方程:y=b_0x_0 b_1x_1 … b_mx_m,式中x_0是为求取常数b_0而虚设的因子,令x_0=1,b_i是待定系数.     

多维空间点聚方法预报月降水量

图解预报是气象台站常用的统计预报方法,具有简单直观的优点。比如预报量y与两个前期要素(预报因子)x_1,x_2有关,(x_1,x_2)的一列历史资料在平面上表现为一个点组,在每一点处对应有一个y值。若因子挑选适当,这些y值在平面中的分布应有较明显的规律,这时,或者划出y的等值线,或者按y的不同等级,把平面划分为互斥的指示区域,就可应用来作预报,这就是平面点聚图。由于作图只能在平面中进行,因此上述方法对多因子的应用受到了限制。有一种     

(九)A.I.D.的作图法

本讲介绍如何在图上进行A.I.D.的分类筛选预报,它的优点是避免了计算,利用和天气预报中常用的点聚图方法相类似的画法,就可以作出预报。现用一个实例来说明。 考虑长江中下游汉口、九江、芜湖、南京、上海五站平均5—8月降水总量(y),选用了1952—1976年25年资料用五个气象要素作为因子。 因子:x_1是一月0—150°E,45—65°N的纬向指数I_z, x_2是一月份欧洲大型环流型C型天数, x_3是一月份长江流域六站降水量∑R_1月, x_4是一月份长江流域六站温度∑月,     

国外谷类作物产量预报方法

近年来,国外对谷类作物产量预报方法的研究较为重视。本文就美、加、日、西德等国在这方面的研究做一扼要介绍。北美美国和加拿大这两个国家有不少研究人员作了气象因子对小麦产量影响的研究工作。 L.M汤普森研究了天气条件对美国五个州(黑钙土和栗钙土)的春小麦产量的影响,绘制出每一州产量的变化曲线图(1931-1961年),分析了产量因生产技术的改进而增长以及因天气条件而变化的情况。回归分析结果表明,在计算产量时,非线性方程计算的结果准确性高,最后,汤普森提出了春小麦州的平均产量(y)与3月-8月的总降水量(x_1)以及与全州的4、5、6和7月的平均降水和平均气温(分别以x_2,x_3,x_4,x_5,x_6,x_7,x_8 x_9表示)相关的二次方程式。     

黑河地区玉米地膜覆盖节水增产灌溉制度的数学模型

通过一年的试验,初步得出参试各变量x_1(灌溉定额)、x_2(灌溉次数)、x_3(头水叶龄)和x_4(保苗株数)对产量y的多元回归模型。利用这一模型分析了各参试因子对产量的作用,并通过频数分析,筛选了地膜覆盖条件下玉米高于某一产量指标,同时限制灌溉定额或灌水次数的节水增产的优化措施组合。本文还分析了参试因子对玉米产量构成因素的影响,评价了地膜的节水效果和增温增产效果,初步探索了地膜玉米的节水增产机理。     

台站经纬度在计算物理量时的应用

应用有限元法计算物理量的时候,有下列数学表式: 设有三站在局地直角坐标系中的坐标分别为:A(x_1y_1),B(x_2y_2)、C(x_3y_3)如图1,某气象要素可用下列线性方程表示:     

(八)A.I.D.方法的一般理论

第七讲的方法,如果不是用极差进行分割,而是用变差进行分割,就成为一般书上所说的A.I.D.方法(筛选因子的一个新方法)。实际上,A.I.D.方法仅仅是最优分割法的一种灵活运用。为了能比较清楚地说明这一点,我们就依照一般书上的写法来介绍A.I.D.方法,然后,再说明它与最优分割法的关系。     

简单投票法预报病虫害高峰期

作物病虫害的发生发展与气象条件有密切的关系。在资料年代较短的气象站,如何用前期气象条件来预测预报病虫害的发生蔓延,我们做了些简单尝试。下面用预报水稻三化螟成虫高峰期为例,说明我们的作法。 1.要素和预报对象分级 把本站主要气象要素分为“ ”,“-”两级,可以按距平值来分,也可以按把历史资料各占一半的某临界值来分。把历年三化螟成虫高峰期也按迟、早分为“ ”、“-”两级。 2.普查相关因子 用预报对象(y)普查各气象要素(x_1……x_n),找出历史相关机率达75％或以上的相关因子。为使找出的相关因子比较稳定,至少要统计5年以上的历史     

基于线支持区域的闪电通道识别算法

提出了一种基于线支持区域的闪电通道识别算法 (LLSR),该算法首先应用对比度拉伸和高斯匹配滤波方法对闪电通道图像进行预处理,以增强闪电通道的对比度;然后自动检测出包含闪电通道的线支持区域,并用最小外接矩形包含这些区域;最后在各个矩形区域内分别使用最大类间方差Otsu阈值法进行分割,得到闪电通道识别结果。试验结果表明:LLSR具有良好的局部特性和自适应性,它不仅能自动提取低对比度闪电图像的通道,还能自动提取具有复杂背景闪电图像的通道,自动提取结果在视觉上与人眼观测结果一致。且定量评估结果表明:LLSR相比传统算法具有更好的分割精度。     

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:     

隆冬气温与春播期冷暖

通过资料分析我们发现,春播期的冷暖与隆冬温度关系密切。我们以此思路建立的预报工具,经过7年的实践检验,预报效果稳定,现介绍如下: 我们通过对本地育秧历史的调查和单站资料分析,用日平均气温稳定(五天滑动)通过12℃日期的迟早(x_1)和4月上旬旬平均气温的高低(x_2)两个因子,采用组合编码(见附表)来划分历史上春播期冷暖年(取编码和≥0为暖年,<0为冷年)。     

基于视觉注意的动态阈值分割算法

提出一种基于视觉注意机制的动态阈值选取方法.首先按人眼视觉注意特点计算各图块的显著性特征值,根据显著性特征值将图像块进行分类,然后利用最大类间方差法和多尺度的自适应阈值方法分别实现不同灰度特性区域的图像动态分割.实验结果表明:该方法能够实现图像多阈值的自动选取,不受照明条件的影响,能够获得满意的二值分割效果.     

基于最大类间方差算法的雨滴特征提取研究

为了获得雨滴粒子的特征值,采用阈值处理方法对雨滴粒子及其背景图像进行分割,将复杂的雨滴图转化为只有雨滴粒子真实边界的二值图像,通过均值算法标记雨滴粒子质心位置,利用雨滴长轴信息建立雨滴粒子形状模型,结合全局阈值处理中最大类间方差法和局部阈值法,提出一种基于最大类间方差的雨滴特征值检测方法。试验结果表明该方法能够有效地从图像数据中提取雨滴粒子特征值,粒子数目和雨滴形状是测量降雨强度信息不可或缺的参数。