共查询到20条相似文献，搜索用时 138 毫秒
1.
综合运用经验正交分解法(EOF),集合经验模态分解(EEMD)和最小二乘支持向量机（LS SVM）,构建新疆地区候平均温度距平场预测模型。采用EEMD分别对经过EOF分解得到的前3个模态的时间系数进行分解,对分解得到的结果运用最小二乘支持向量机进行预测并重构得到了各个时间系数的预测结果,将时间系数预测的结果与空间场重构得到了候平均温度距平场的计算结果,在候平均的基础上计算得到了旬平均的结果,在旬平均的基础上计算得到了月平均的结果。通过采用距平相关系数(ACC〖WTBZ〗),预报技巧(SS)〖WTBZ〗和同号率对结果进行评估显示,对于候平均预测,其在前20候内的预测较为理想,平均ACC〖WTBZ〗达到了0.32,平均SS〖WTBZ〗达到了0.70,平均同号率达到了0.80。对于旬平均的预测,其在前10旬内较为理想,10旬以内平均ACC〖WTBZ〗达到了0.50,平均SS〖WTBZ〗达到了0.50,平均同号率达到了0.50。对于月平均的预测,3个月的预测平均ACC〖WTBZ〗达到了0.50,平均SS〖WTBZ〗达到了0.50,平均同号率达到了0.80。3个月内的短期气候预测具有较高的水平。 相似文献
2.
3.
从气候波动的瞬时频率与瞬时振幅出发,结合最小二乘支持向量机技术,提出了基于幅频分离技术的气候时间序列预测方法,并对南京地区降水距平进行了30候的预测试验。结果表明,幅频分离预测法能够对所有模态的振幅和高频模态的瞬时频率进行较好的预测,而预测的瞬时频率累积误差会对模态分量的预测距平相关性产生敏感影响,该新方法能够显著提高气候序列高频模态的预测效果。对于气候序列的低频模态分量,集合经验模态分解的边界效应会对瞬时频率的求解产生较大误差,使得序列边界区的幅角计算不准确,导致对低频模态的最终预测效果不理想。对气候序列的高频分量采用幅频分离并进行最小二乘支持向量机预测,而对其低频分量仅采用最小二乘支持向量机进行直接预测,可同时提高高、低频分量的预测效果,并最终提高整个气候序列的预测准确性。该分频预测方法可以使南京降水预测的30候距平相关保持在0.4以上。 相似文献
4.
新疆南疆地区是扬沙浮尘的主要高发区,风沙对当地生产生活影响严重。为揭示当地风沙天气变化特征并预测未来变化趋势,通过小波分解方法,将塔克拉玛干沙漠南缘的策勒沙漠 绿洲过渡带2008—2016年沙尘天气发生时序分解为平稳性波动项和非线性趋势项,根据两项数据的特性,针对性选取自回归(AR)模型和最小二乘支持向量机(LSSVM)进行变化趋势预测,最后利用加法原则重构实现沙尘天气发生日数时序预测。结果表明：研究区沙尘天气发生属于典型的春夏型,主要集中在3—9月,峰值出现在5月。组合模型预测值与实测值基本吻合,具有较高的预测精度（绝对误差为4.00 d, 均方根误差为3.76 d）,同时,其结果与AR模型、LSSVM模型预测结果相比较也显示出一定的优越性（组合模型相关系数相比AR、LSSVM分别提高了0.12、0.31）,具有较好的应用前景,可为研究区预防风沙灾害及指导实际生产生活提供科学依据。 相似文献
5.
《干旱气象》2016,(6)
利用NCEP/NCAR提供的1950—2015年对流层顶温度月平均资料及ECWMF提供的1979—2015年大气臭氧柱总量月平均资料,运用经验正交函数分解方法(EOF),对近66 a中国地区上空对流层顶温度的时空演变特征进行分析,并进一步探讨1979年后对流层顶温度与大气臭氧柱总量的关系。结果表明:(1)中国地区对流层顶温度随纬度升高而升高,呈现明显的纬向分布特征,近66 a对流层顶温度以-0.09℃·(10 a)~(-1)的速率下降。(2)春、冬季对流层顶温度EOF1均表现为南北反位相变化,夏、秋季均表现为全场同位相变化,这种春季与冬季、夏季与秋季主要模态较为一致的时空分布特征与大气臭氧柱总量的季节分布有很好的相关性;除夏季外,其余季节对流层顶温度EOF2表现为弱的南北两端与中部地区反位相变化特征。(3)对流层顶温度与大气臭氧柱总量之间呈显著负相关关系,相关系数为-0.724,大气臭氧柱总量由1990年代中期之前的显著损耗转变为之后的逐渐恢复,对应同期对流层顶温度表现为从偏高到偏低的转变。 相似文献
6.
7.
Effective forecast of Northeast Pacific sea surface temperature based on a complementary ensemble empirical mode decomposition–support vector machine method 
下载免费PDF全文
下载免费PDF全文 《大气和海洋科学快报》2017,(3)
海洋表面温度(sea surface temperature,SST)对气候有着很大影响,但其所具有的非线性、无明显周期、强随机性等特点,给SST预测分析带来了很大的困难。本文将互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与支持向量机(support vector machine,SVM)相结合来研究对海洋表面温度异常(SSTA)的预报,并从预报准确性、可预报时长、不同起报时间对预报精度影响等方面设计了多组数值实验。实验结果显示CEEMDSVM方法预测12个月SSTA的效果较好,平均绝对误差在0.3°C左右,相关系数达到了0.85,而且试验中未出现春季预报障碍问题。 相似文献
8.
9.
重庆市臭氧污染及其气象因子预报方法对比研究 总被引：1，自引：0，他引：1
利用2014年1月1日至2018年12月31日的重庆市空气质量日均值资料,分析了重庆近5 a臭氧污染的特征。发现重庆市臭氧是除PM2.5以外的第二大大气污染物,具有较强的季节变化特征,主要污染时段位于夏半年,在7—8月臭氧污染程度明显超过了PM2.5。臭氧年平均浓度呈现逐年增加的趋势,首要污染物为臭氧的日数在2018年首次超过PM2.5,臭氧成为2018年重庆市的第一大污染物,表明重庆正在由一个以颗粒物污染为主的城市转变为臭氧污染为主的城市。通过对同期逐日气象资料与臭氧8 h滑动平均日最大值相关性分析发现,大气温度、湿度及气压均为影响臭氧污染的重要气象因子。利用气象影响因子,采用逐步回归、支持向量机、神经网络方法对臭氧8 h滑动平均日最大值进行预报实验表明,三种预报模型均具有较强的预报能力,但总体来看预报均比实况略偏小。支持向量机方法的预报效果要稍好于逐步回归和神经网络方法,可为重庆市臭氧浓度预报提供参考。 相似文献
10.
支持向量机在大气污染预报中的应用研究 总被引：1，自引：1，他引：1
支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。 相似文献
11.
本文利用蚊虫密度监测数据及气象资料,分析了2009—2019年北京市及其14个区的蚊虫密度与气象条件间的关系,并基于多元回归、支持向量机和随机森林3种经典的机器学习回归方法进行了蚊虫密度预测。结果表明：北京地区蚊虫密度呈周期性的波动,各区多年平均值在0.35~2.54只/(灯·h)之间,高峰值集中出现在7月中旬到8月中旬,与北京地区气温最高和降水最集中的时期非常吻合。采用机器学习方法,尝试了4种输入因子方案,并利用均方根误差和平均绝对百分误差两种方法进行预测效果检验,显示蚊虫数据相对较稳定的地区,如平谷、门头沟、大兴、海淀等地,预测效果相对更优。在3种方法中,支持向量机方法对2019年5月下旬的预测效果非常好,而多元回归与随机森林的预测效果则在2019年5—10月整体上表现得更为稳定。 相似文献
12.
自动气象站数据采集器温度通道的采集处理性能直接影响温度测量数据准确性,利用最小二乘支持向量机(LSSVM:Least Squares Support Vector Machine)算法对一款区域站数据采集器温度通道校准数据系统误差进行拟合建模。基于该模型对校准结果进行修正,并对校准修正后温度通道的测量结果进行不确定度评估。经校准修正后,数据采集器温度通道测量误差均小于0.05℃,测量结果的不确定度为0.06℃,远小于修正前测量误差与不确定度,修正效果显著。该方法同样适用于其他型号的数据采集器,为自动站观测数据质量控制提供有效参考。 相似文献
13.
14.
最小二乘支持向量机在云量预报中的应用 总被引：2，自引：2，他引：0
基于2003-2006年逐年1、8月WRF区域数值预报产品和单站观测资料,采用最小二乘支持向量机回归方法,结合选取合适的参数和核函数,分别按月通过不同长度样本序列建立了台北和厦门站总云量和低云量短期释用预报模型,利用2007年1、8月样本资料对模型进行了预报和检验,并与神经网络方法进行了对比.结果表明:最小二乘支持向量机回归方法的预报效果要好于神经网络方法;两站不同长度样本的总云量和低云量预报模型,预报效果较好,其预报准确率不会因为训练样本的减少而降低.可见,最小二乘支持向量机回归在云量等气象要素释用预报方面,具有较好的应用前景. 相似文献
15.
用支持向量机(SVM)方法根据T213数值资料和济南、淄博、泰安、莱芜4站的降水实况资料对山东山洪灾害多发的鲁中山区进行了降水分类预报试验。结果表明:多项式核和径向基核函数建立的模型较好地提炼了降水信息,都具有很高的预报技巧,客观性和实用性强,有很强的推广能力;用径向基核函数建的非线性降水分类模型优于用多项式核函数建立的线性降水分类预报,特别是资料减少时,非线性降水分类预报明显优于线性降水分类预报;低层大气湿度可能对线性降水分类有重要影响;建模时用的资料数据格式与实际业务中获得的数据格式应尽量保持一致。 相似文献
16.
针对常规克里金插值方法中变异函数为有限确定函数,难以准确刻画实际数据分布（特别是复杂要素资料的空间结构）的不足,基于最小二乘支持向量机从实际资料场中拟合重构变异函数的研究思想,提出了一种改进的插值方法——支持向量机—克里金插值算法（SVM-Kriging）。采用常规的克里金方法和支持向量机—克里金插值方法（SVM-Kriging）进行插值试验和对比分析,结果表明：支持向量机—克里金方法（SVM-Kriging）的变异函数源自实际的数据场,它克服了常规克里金插值对变异函数选择的依赖性以及变异函数选择的主观性和人为性,表现出较好的针对性和客观性,较为有效地改善了插值效果。 相似文献
17.
18.
S. Salcedo-Sanz R. C. Deo L. Carro-Calvo B. Saavedra-Moreno 《Theoretical and Applied Climatology》2016,125(1-2):13-25
Long-term air temperature prediction is of major importance in a large number of applications, including climate-related studies, energy, agricultural, or medical. This paper examines the performance of two Machine Learning algorithms (Support Vector Regression (SVR) and Multi-layer Perceptron (MLP)) in a problem of monthly mean air temperature prediction, from the previous measured values in observational stations of Australia and New Zealand, and climate indices of importance in the region. The performance of the two considered algorithms is discussed in the paper and compared to alternative approaches. The results indicate that the SVR algorithm is able to obtain the best prediction performance among all the algorithms compared in the paper. Moreover, the results obtained have shown that the mean absolute error made by the two algorithms considered is significantly larger for the last 20 years than in the previous decades, in what can be interpreted as a change in the relationship among the prediction variables involved in the training of the algorithms. 相似文献
19.
蔡仁 《沙漠与绿洲气象(新疆气象)》2014,8(3):61-67
选用2012年11月1日-2013年1月31日的逐6 h的空气污染物（SO2、NO2、PM10）和实况气象要素（温度、湿度、能见度、风速和气压）资料,利用支持向量机和Elman神经网络方法建立空气污染物预报模型。结果表明,支持向量机和Elman神经网络方法都可以得到较为理想的预测结果,支持向量机在泛化能力方面具有显著优势,预测结果更加准确。 相似文献
20.
热带气旋的强弱和移动路径会直接影响到周围大气中气压、温度、露点等气象要素的变化.为更好地了解热带气旋对海口市的影响,通过收集影响海口市热带气旋关键因子,建立热带气旋风雨影响预报因子库,基于SVM方法对热带气旋在过程降水量、最大风速和平均温度进行趋势预报.结果表明,该方法对影响海口市热带气旋的过程降水量、最大风速和平均温度都有较好的预测效果,但对于超过15 m/s的最大风速和200 mm以上降水量级上存在一定的偏差,这可能与SVM模式中预报因子库中关键因子不全及模式的择中原理使结果趋于平均化相关. 相似文献