多模式温度集成预报

基于中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式2 m高温度预报, 利用神经网络方法中的BP网络建立了我国600多个站的温度集成预报系统, 该预报系统的预报时效为72 h, 间隔为3 h。通过对2004年1—5月的预报结果检验, 表明:集成的温度预报结果明显优于3个模式单独的预报结果, 72 h内预报的平均绝对误差在3 ℃以内, 并且不存在明显的系统误差, 预报达到了一定的精度, 可以为预报员提供定时、定点精细的客观温度预报参考。分区的检验结果表明:不同区域预报误差存在差别, 新疆和西藏误差比较大, 而长江流域和华南地区误差很小, 并且不同区域系统误差的情况也不相同。从总体情况看, 预报误差还存在日变化, 一般来讲, 夜间的预报误差小于白天。     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法（Mind Evolutionary Algorithm,MEA）中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS

In the context of tower measured radiation datasets.following the correction principle meetinga diagnostic equation in data quality control and in terms of a technique for model construction ondata and ANN(artificial neural network)retrieval for BP correction of radiation measurementswith rough errors available,a BP model is presented.Evidence suggests that the developed modelworks well and is superior to a convenient multivariate linear regression model,indicating its wideapplications.     

ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS*

In the context of tower measured radiation datasets.following the correction principle meeting a diagnostic equation in data quality control and in terms of a technique for model construction on data and ANN (artificial neural network) retrieval for BP correction of radiation measurements with rough errors available,a BP model is presented.Evidence suggests that the developed model works well and is superior to a convenient multivariate linear regression model,indicating its wide applications.     

云雷达和微波辐射计联合反演大气湿度廓线的初步研究

利用中国气象局大气探测试验基地的微波辐射计亮温值、对应的云雷达测得的反射率因子和L波段探空数据,采用BP(back propagation)神经网络作为反演工具,反演得到大气垂直湿度廓线。将天气情况分为晴天、低云、中云和高云四种情况,对比不加入反射率因子的反演湿度廓线,分析两种反演方法在各高度层的均方根误差。对比结果表明,加入反射率因子的反演湿度廓线与探空廓线的相关系数平均值为0.862,均方根误差为14. 9%,而不添加反射率因子的相关系数平均值为0.763,均方根误差为19.2%。     

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.     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

BP神经网络在GPS高程拟合中的应用探讨

神经网络算法一直是国内外研究的热点问题,BP神经网络算法具有更小的模型误差,因此,被广泛应用于GPS高程拟合。本文通过对同一区域GPS高程拟合的应用探究,运用迭代运算对比BP神经网络算法与多项式拟合数据,从而证明BP神经网络在一定条件下具有更高的精度,更加突出了BP神经网络算法的实用性。     

无人机核线影像的稀疏匹配与稠密匹配

无人机影像转化为水平核线影像后,能够有效地减少同名点的搜索空间。在此基础上,本文使用SIFT算子进行了稀疏匹配,并用BP算法进行了稠密匹配。结果表明：①SIFT算子获取的同名点比较少,但是计算方法简单,同名点空间坐标精确,适用于大范围获取简要的空间三维信息;②BP算法计算复杂度高,可以获取地物大量的同名点,适用于小范围的地物三维重建。总体而言,两者各有优缺点,在实际的应用中可互补。     

区域似大地水准面精化模型算法的优选

建立高精度、高分辨率的区域似大地水准面模型是GPS高程测量在实际应用中必须解决的首要问题,分别介绍BP神经网络、曲面拟合的模型及算法,并基于焦作市GPS测量数据,通过MATLAB编程计算和分类实验,验证几种算法的有效性与可靠性,结果证明神经网络算法要优于其它算法,最后给出有益的结论.