两种太阳总辐射分钟级预报方法的比较

利用2010年9月1月至2011年8月31日中国气象局风能太阳能资源中心吐鲁番太阳能试验站水平太阳总辐射逐分钟观测资料,对统计外推法（简称外推法,TRD）和动态神经网络法（简称神经网络法,NNN）两种太阳总辐射分钟级预报方法进行比较。结果表明：从全年平均角度来看,外推法略优于神经网络法。两种预报方法的预报效果都主要依赖于天气形势,晴天预报效果最好,阴雨天气次之,多云和扬沙天气预报效果较差。外推法能较为准确地反映起报时刻影响辐射观测的云、气溶胶、沙尘等状况,并将这种影响持续至滚动预报的第一步或第二步;而神经网络法在预报阴雨、多云等复杂天气形势下预报要素的非趋势性变化规律方面略优;外推法预报日出后3 h和日落前3 h的太阳总辐射变化明显优于神经网络法;而神经网络法预报太阳总辐射突然变化特征时略优于外推法。     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

用遗传算法优化小波神经网络的结构

用遗传算法确定小波神经网络中输入层单元数和隐含层单元数,同时采用梯度法计算小波神经网络中的权系数、伸缩和平移系数,从而达到优化小波神经网络的结构的目的。     

金沙江下游多种面雨量集成预报方法的对比分析

集成方法有利于提高降水要素预报的准确性和可预报性。本文基于格点实况资料和智能网格预报、西南区域数值预报、ECMWF模式预报、GRAPES模式预报产品,以面雨量为研究对象,采用多元回归法、BP神经网络法、评分权重法、加权集成预报法和算术平均法,得到集成面雨量预报,再运用平均绝对误差、模糊评分、正确率、TS评分、偏差分析等方法,对2020年4—10月金沙江下游面雨量预报效果进行对比分析。结果表明：多元回归集成法和BP神经网络法的预报效果总体上优于其他几种集成方法。在考虑流域面雨量的预报量级时,下游可以采用预报量级较小的模式和集成方法。集成后偏差百分比均有降低,且多元回归法和BP神经网络法对预报量级较小的模式有矫正作用。在面雨量有无、小雨和中雨预报中,多元回归法集成效果较好,在大雨量级预报中,BP神经网络法集成效果较好。这些结论可为流域面雨量预报提供参考借鉴。     

两种方法在不同海拔地区计算湿球温度的对比

选取1990~1999年贵州省3个国家基准站（威宁、贵阳、三穗）气象观测数据,评估了逼近法在贵州不同海拔地区计算湿球温度的效果,对比了BP（Back Propagation）神经网络模型和逼近法在计算湿球温度方面的优劣。结果表明:（1）3站逼近法计算值与观测值之间平均绝对误差分别为0.059℃、0.046℃、0.042℃,误差<0.1℃的数据比例为83.91%、91.52%、92.76%;当气温低于0℃时,误差>0.2℃的频率呈增长趋势,其原因可能是逼近法中对结冰的判别和实际情况存在差异导致高海拔地区的计算效果差于低海拔地区。（2）3站BP神经网络模型计算精度比逼近法分别提高60.71%、57.45%、57.78%,误差<0.1℃的数据比例提高到97.38%、97.18%、97.44%,有效地解决了高海拔地区气温低于0℃频率较高而导致逼近法计算误差偏大的问题,在低海拔地区的计算结果也优于逼近法。（3）BP神经网络模型计算湿球温度需要对各测站进行单独拟合,在低海拔地区针对大量站点且计算精度要求不高时可用逼近法,反之则用BP神经网络建立单站模型。      

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。     

基于概率神经网络的遥感影像分类方法

在对数据进行归一化处理的基础上,将概率神经网络用于遥感影像分类,并探讨样本区的选择和高斯基函数标准差对分类精度的影响。用西藏波密地区1999年的TM遥感影像进行分类试验,并将分类结果和经典的最大似然法进行比较。结果表明：概率神经网络的总体分类精度和Kappa系数分别为94.5%和0.934,取得了较为理想的识别和分类效果。     

基于神经网络的气象卫星影像森林火点自动识别的试验研究

森林火点的识别是利用气象卫星资料监测森林火灾的基础。传统的目视解译火点识别法难以实现计算机的自动识别，神经网络技术为解决这一问题提供了新的工具。作者探讨了应用神经网络实现气象卫星影像森林火点自动识别的技术方法，并在湖北省地理范围内进行了试验。试验结果显示，经过训练的神经网络能够记忆火点的特征，具备将森林火点从气象卫星影像中识别出来的能力。与目视解译法相比，神经网络方法的精度接近目视解译法，最重要的是实现了森林火点的自动识别。     

基于神经网络和模型集成的短时降雨预测方法

为了得到更精准的短时降雨预测结果,提出了一个基于神经网络的预测模型,可通过多普勒雷达图像序列预测某区域36min内的降雨概率。通过对神经网络和传统光流法的对比分析,还提出了一种结合了两种方法各自优点的集成预测模型。集成模型学习到了更丰富的降雨带变化模式。在一个包含多地、多月真实雷达数据的大规模数据集上的实验表明,神经网络模型实现了具有较高精度的短时降雨预测,且集成模型在整体的预测性能上有明显改进。     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

A study of arctic sea ice and sea‐level pressure using POP and neural network methods

Abstract

We examine Arctic sea‐ice concentration (SIC) and sea‐level pressure (SLP) data using principal oscillation pattern (POP) and neural network methods. The POP method extracts oscillating patterns from multivariate time series, each pattern being characterized by an oscillation period and a decay time. Predictions can be made for patterns whose decay time is comparable with the period. For both the SIC and SLP, however, the decay times are much shorter than the oscillation periods, and therefore the forcast skill is poor. A neural network is a model of the learning behaviour of a living neural system. Presented with training data, a neural network can learn the linear or non‐linear rules embedded in the data. We trained neural networks with sea‐ice and sea‐level pressure data, and estimated the forecast skill using a cross‐validation technique. The neural networks did not exhibit forecast skill significantly better than that of persistence. We contrast the Arctic situation with previous studies in which POP and neural networks were successfully used to forecast El Niño at lead times up to 6 months. Reasons for the lack of skill in both methods are discussed.     

基于神经网络的单站雾预报试验

采集大连某机场2004—2007年大雾、轻雾和无雾天气事件共186例,选取雾天气事件前期(前一日08:00,14:00,20:00(北京时)实测资料)的温、压、湿、风等要素指标为预报因子,基于学习向量量化神经网络(learning vector quantization,LVQ),采用逐级预报思想建立起某机场雾天气事件的预报模型。在网络训练过程中,动态调整网络神经元比例参数,提高模型的预报能力;采用根据检验准确率适时终止训练的"先停止"技术,有效提高了模型的泛化能力。预报试验表明:无论是拟合率还是独立预报准确率,模型均已达到较高水准,具有实际应用意义。     

最优子集的神经网络预报建模研究

作者尝试用最优子集方法进行神经网络长期预报模型的建模方法研究。结果表明,在很多情况下,由于最优子集方法比逐步回归方法能选取更好的预报因子,因此所构造的神经网络预报模型具有更好的拟合和预报效果,这为神经网络在长期预报的应用研究提供了新的思路和方法。     

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.     

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.     

基于MonoRTM模型的微波辐射计反演方法研究

基于辐射传输模型MonoRTM计算天空亮温度,使用多元线性统计回归方法和BP神经网络方法分别对大气温度和水汽密度廓线进行了反演,检验并分析了两种方法的反演精度.结果表明,多元线性回归方法反演的温度偏差总体不大于6K,反演的水汽密度偏差小于4 g/m3;神经网络方法反演的温度偏差小于2K,反演的水汽密度误差总体不大于2 g/m3.与探空数据的对比表明,对于大气温度和水汽密度反演,BP神经网络方法的反演结果都要比多元线性回归方法的反演结果更接近探空资料值.     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

利用BP神经网络提高奥运会空气质量实时预报系统预报效果

将BP(Back Propagation)神经网络方法引入到奥运空气质量预报工作中,利用MATLAB神经网络工具箱搭建运行平台,将高时效性的观测结果与多模式集成实时预报系统的模式输出结果相结合,做出BP神经网络拟合预报结果。在对北京大学医学部站点2008年7月7日到8月26日模式模拟结果、观测结果以及BP神经网络拟合结果的对比研究中发现:BP神经网络能大大提高模式预报效果,平均误差率减少34.7%,相关系数提高39%,特别是在模式模拟效果较差的情况下,对提高预报效果更明显。对BP神经网络样本问题进行敏感性实验结果表明,样本数目多少并不是决定拟合效果的决定性因素,应选取具有稳定映射关系的样本,才是提高拟合预报效果的关键。     

人工神经网络算法在红外高光谱资料反演大气温度廓线中的应用

基于红外高光谱大气探测器AIRS实况观测资料,尝试用人工神经网络算法来实现晴空时大气的温度垂直廓线反演,重点将该算法与目前已经发展比较成熟的特征向量统计反演算法进行比较。结果表明,两种算法在计算时间效率和反演精度上相当。鉴于人工神经网络算法的统计物理本质,误差反向传播BP神经网络可以求解非线性问题,在优化训练样本和继续调试网络种类和网络参数的基础上,有望能进一步提高反演精度。