共查询到20条相似文献，搜索用时 31 毫秒
1.
利用2014—2017年汕头市PM2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM2.5日均浓度随着风速的增大呈现减小趋势,PM2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM2.5的清除效果无明显差别,而非汛期降水对PM2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。 相似文献
2.
基于支持向量回归(SVR)、BP神经网络(BPNN)、随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)等5种机器学习算法,利用2016—2021年逐小时PM2.5质量浓度监测数据和气象观测数据,构建汾渭平原代表城市PM2.5质量浓度预报模型,对比检验不同预报模型在不同时段的预报效果。结果表明：(1)5种机器学习算法模型总体表现为秋冬季和供暖期的预报效果要优于春夏季,各模型在细颗粒物污染较重时段的预报能力更加稳定,预报效果更好。(2)XGBoost模型无论在决定系数、平均绝对误差、均方根误差上均不同程度地优于其他模型,其次是GBDT、RF和BPNN模型,SVR模型预报能力较差。(3)XGBoost模型预报结果在量级和演变趋势上与实况十分接近,预报值偏离实况值的幅度较小,但春夏季预报结果有明显的高估或低估,对极端高值区也存在低估。(4)当前和过去1 h的能见度是影响预报效果的最关键因子,气象因子对汾渭平原PM2.5质量浓度预报存在明显的时间滞后性影响。 相似文献
3.
改进BP神经网络在城市环境大气污染分季节预报中的应用 总被引：4，自引：0，他引：4
用泛化改进后的BP神经网络模型，选用2001、2002、2003年的气象因子和环境监测浓度资料按年度、季节分别建立预报模型，对贵阳市城市大气污染浓度进行预报。该方法除弥补了统计方法的预报精度不高和数值预报模式的方法复杂难实现的不足之处外，还很好地解决了未改进的BP网络训练误差很小时，一个新的输入与对应的目标输出具有较大误差的问题。 相似文献
4.
通过对大同市2011-2012年PM10质量浓度、有关气象要素和参数进行随机抽样、分组,建立单隐含层BP神经网络、多隐含层BP神经网络以及RBF网络对以上数据进行调试和训练,得出：就2011-2012年预测PM10日均质量浓度样本而言,按预测效果好坏排序,多隐含层最佳BP神经网络＞单隐含层最佳BP神经网络＞RBF神经网络;从网络最小误差总和来看,三种网络对夏秋两季的预报效果最好;从预测值和实测值的拟合效果来看,RBF网络对春季和冬季PM10质量浓度的预测效果最好;多隐含层BP网络对秋季PM10质量浓度的预测效果最好;三种神经网络对夏季PM10质量浓度的预测效果都很好,优劣性差异不大. 相似文献
5.
几种格点化温度滚动订正预报方案对比研究 总被引：1，自引：1，他引：0
为了快速获得更为精准的格点温度预报产品,使用国家信息中心高分辨率、高频次的温度格点多元融合产品和欧洲中期天气预报中心全球模式2 m温度预报场资料,采用8种误差订正方案进行滚动订正预报试验。选择2017年1月1日至2月28日和6月1日至7月31日两个时间段进行两次回报模拟试验,并对订正前后的预报结果进行格点和站点检验分析,结果表明:8种方案对模式直接输出的预报场有正技巧订作用,全格点滑动误差回归模型订正和全格点滑动双因子回归模型订正效果最优,两种方案都能使订正场的格点平均绝对误差在2℃以下,3、6和9 h的格点准确率均在0.9以上。全格点滑动误差回归模型的检验评分略微好于全格点滑动双因子回归模型,表明作为预报模型因子的起报时刻误差场比数值模式因子在短期订正中扮演着更为重要的角色。 相似文献
6.
利用1965—2017年韶关地区8个站点的日平均气温观测资料,发现将过去连续7 d的日平均气温分别作为逐步多元线性回归、LightGBM(light gradient boosting machine)以及BP-NN(back propagation neural network)算法(机器学习)的自变量可最准确地预报出未来1～3 d的日平均气温。据此分别构建了三种短期气温预报模型,并系统地探讨了其适用性。主要结果如下：(1)三种模型的预报准确度均较高,机器学习方法在预报正确率(绝对误差(absolute error)小于2 ℃的天数占比)、相关系数(R)和平均绝对误差(mean absolute error, MAE)上均要优于逐步多元线性回归法。其中LightGBM的预报效果最优,其1～3 d的预报正确率分别为8438%、6986%、6137%,对应预报值与测量值之间的R分别为098、094、093,MAE分别为117、176、200 ℃。(2)冬春季、秋冬季日平均气温较大的波动性是导致该时期三种模型MAE总体偏大的主要因素,但LightGBM仍具有最优的预报稳定性,其绝对误差的方差最低。 相似文献
7.
南海热带气旋强度预报的线性模型与非线性模型研究 总被引：1，自引：0，他引：1
以1980—2012年共33 a的6—10月在南海生成或西行进入南海海域的热带气旋样本为基础,采用线性回归方法和非线性人工神经网络方法,分别进行12～72 h各个预报时效的南海热带气旋强度预报模型建模研究。根据相同的热带气旋个例,相同的预报因子,将逐步回归预报模型、BP神经网络预报模型和遗传-神经网络预报模型进行比较。试验预报结果表明,非线性的神经网络预报模型比线性的回归模型有更好的预报能力;而同为非线性模型,遗传-神经网络模型比BP神经网络预报模型预报能力更强。 相似文献
8.
选取单部雷达的CAPPI资料,在TREC(Tracking Reflectivity Echo by Correlation)的基础上,引入径向基函数网络、广义回归网络、小波BP网络3种人工神经网络以及支持向量机,对雷达反射率因子进行1h的临近预报研究,并与TREC外推预报的结果进行了比较.使用了命中率、虚警率、漏报率、临界成功指数、相关系数和均方根误差6个指标检验人工神经网络、支持向量机和TREC的预报效果.结果表明:在使用这些指标检验预报效果时设定的阈值对预报结果的评价有影响;网络与TREC以及不同的网络之间的预报结果存在着差异;与TREC相比,支持向量机比TREC总体上能更好地预报未来1h以内强对流性天气的发展变化情况. 相似文献
9.
利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料,采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比,结果如下:（1）相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优（少云击中率平均提高24 %,多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。 相似文献
10.
EC细网格预报效果好,基本满足业务需要,在工作中被广泛应用。为进一步提升预报准确性,做好迪士尼园区的气象服务保障,选取2016年7月至2017年6月1年的2 m温度预报场,24 h预报时效的时间分辨率为3 h,72 h预报时效的时间分辨率为24 h,分别用回归分析法、S型和简化Line型BP神经网络法进行模式释用,与迪士尼气象站观测数据对比。结果表明:阈值为1℃时,对模式结果释用后,均方根误差减少了0.5℃到1.0℃,3—9 h和21—72 h预报时效的准确率由原来的50%和30%分别上升到70%和50%。采用S型多隐层BP神经网络误差最小,不同预报时效释用稳定性最高,同时该释用方法对t_(min)的预报特征把握更精准,释用效果明显优于对t_(max)的预报释用,但迭代计算耗费时间大幅增多,与预报效果的提升不成正比。简化Line型的BP神经网络通过8个半月的数据量和简单的网络模式,捕获了EC预报的特征,不但减小了计算量,大幅缩短了计算时间,而且预报结果也有显著提升,预报稳定性较好,具有广泛的业务应用空间。 相似文献
11.
利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好. 相似文献
12.
利用南昌市环境空气质量监测数据,对比分析了WRF-Chem模式和国家级空气质量预报指导产品对6种污染物浓度的预报效果,并采用时序法、时刻法和标准化法3种训练样本构建方案,利用BP神经网络法对WRF-Chem模式和国家级空气质量预报指导产品6种污染物浓度的预报结果进行订正试验。结果表明:1)WRF-Chem模式预报的6种污染物浓度的预报误差整体比国家级空气质量预报指导产品的预报误差要小,即WRF-Chem模式的预报效果优于国家级空气质量预报指导产品。2)WRF-Chem模式6种污染物浓度预报值与观测值的均方根误差的日变化均呈波动形式,除了O3在10时开始升高到18时达到峰值以外,其余的污染物均是从10时开始下降到16时或18时达到谷值。国家级指导产品6种污染物浓度预报值与观测值的均方根误差日变化则略有不同,除了NO2和O3分别在08时和20时达到谷值以外,其他4种污染物均是在14时达到谷值。3)采用标准化法对CO、SO2、PM10、PM2.5集合订正后的误差比WRF-Chem模式的要小;时刻法、时序法对NO2、SO2、PM2.5集合订正后的误差比WRF-Chem模式的要小,预报效果对单一模式预报结果有一定改进作用。 相似文献
13.
采用欧洲中期天气预报中心(ECMWF)全球确定性预报模式地面气温和国家地面站点观测资料,对模式初值场误差、历史误差以及卡尔曼滤波预测误差与实况误差之间的相关性进行分析,设计了4种回归方案订正日最高、最低气温预报偏差,并与ECMWF、中央气象台和全国城镇的预报产品进行了检验对比。结果表明:采用了模式近1～3 d最高(最低)气温和模式最高(最低)气温历史平均误差、初值场误差以及卡尔曼滤波反演误差作为预报因子的改进方案效果最优,经对其2017年日最高和最低气温的预报检验,预报准确率较ECMWF原始模式预报有较明显提高,也明显优于中央气象台指导预报。在空间分布方面,其对地形较为复杂地区的改进效果更好。同时,与当前业务中质量最好的全国城镇预报相比,最高气温预报平均绝对偏差(Mean Absolute Error,MAE)较全国城镇预报低8.24%～13.97%,预报准确率提高1.24%～3.57%,日最低气温平均绝对偏差较城镇预报低9.43%～17.69%,预报准确率提高1.77%～2.72%。在3 d的预报中,对24 h时效内预报相对于48 h和72 h的改进幅度更大,订正效果更加明显。 相似文献
14.
初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。 相似文献
15.
基于误差平方和最小化准则的BP神经网络(ANN-MSE)并不适合解决小概率天气事件的预报问题,引进一种改进的以交叉熵函数为目标函数的神经网络方法(ANN-CE),该法是一个三层反向传播神经网络,其输出层只用一个节点.利用2003-2008年的ECMWF预报场资料,把该法用于福建省南平市4-6月部分大雨或以上降水96h预报中,分别用原始因子和PCA降维后的主因子建立了ANN-CE预报模型和ANN-MSE预报模型,用这些模型对2009-2010年独立样本进行了试报.测试结果显示主因子预报模型TS评分比原始因子预报模型高且漏报次数少,其中,主因子ANN-CE预报模型的TS评分和漏报率分别是0.51和0.17,其性能是所有模型中最好且最为稳定的,是一种适合于小概率事件预报的方法. 相似文献
16.
基于德国天气在线T7online(简称T7)、ECMWF细网格(简称EC)及T639三种数值模式的气温预报产品,结合本溪站气象观测资料,对三种数值模式2014年1月至2015年12月本溪市气温预报的准确率及预报误差进行了检验和分析,根据误差分析结果利用BP神经网络模型建立了本溪市数值模式气温预报误差客观化订正模型。结果表明:对于气温预报的年检验,T7、EC和T639三种数值模式的最低气温预报准确率均高于最高气温的预报准确率;对于气温预报的月检验,三种数值模式对夏季、秋季最低气温的预报效果明显优于冬季和春季,而对于最高气温的预报,T7的气温预报准确率明显优于EC和T639模式;当气温波动较大时,三种数值模式气温的预报准确率均明显下降。三种数值模式对最低气温预报的平均误差均为2.00℃以内,对最高气温的预报准确率存较大差别,T7模式最高气温的预报误差最小,T639模式气温预报的系统偏差最明显,最低气温系统偏差为-1.34℃,最高气温系统偏差为-2.87℃。根据三种数值模式气温预报误差的特征,结合BP神经网络建立本溪市气温误差预报模型对数值模式气温预报结果进行订正,订正后气温平均绝对误差由2.40℃左右降至1.40℃左右,系统偏差和均方根误差均明显缩小,气温预报准确率由50%左右提高至80%以上,数值模式气温预报准确率明显提高,具有较好的应用价值。 相似文献
17.
四个耦合模式ENSO后报试验的“春季预报障碍” 总被引：2，自引：0，他引：2
用CliPAS计划中3个气候模式和中国科学院大气物理研究所耦合模式FGOALS-g短期气候异常回报试验结果,将动力和统计方法相结合,考察了1982—2003年厄尔尼诺/拉尼娜事件发展期和衰减期海表温度春季可预报性障碍现象。结果表明,所考察的耦合模式对ENSO事件预报的误差发展存在明显的季节依赖性,最大误差增长通常发生在春季,发生显著的可预报性障碍现象。进一步分析发现厄尔尼诺事件和拉尼娜事件在发展期的季节预报障碍现象比衰减期明显,以厄尔尼诺事件发展期春季可预报性障碍现象最为显著,拉尼娜事件衰减期季节预报障碍现象不显著。研究还发现,预报误差的增长在ENSO事件冷暖位相具有显著的非对称性,发展期暖位相预报误差强于冷位相,而衰减期冷位相的预报误差比暖位相大。通过回归分析,诊断了海-气相互作用的强度,发现耦合系统在春季最不稳定,使预报误差最易在春季发展,从而导致可预报性障碍。 相似文献
18.
基于多时间尺度的回归集成预测模型 总被引：1，自引：0，他引：1
引入能够将非线性、非平稳过程的数据进行线性化和平稳化处理的EMD方法,对广东降水的时间序列进行时间尺度分离,从复杂的非平稳信号中提取相对简单以不同时间尺度振荡的准周期信号,选取能较好描述降水周期特征的IMF分量作为建模备选因子,然后以均生回归、均生相关、韵律拟合误差和拟合误差4种方法构建预测模型,结果得到采用多尺度因子构建的4种单预测模型近10年Ps评分和降水距平符号同号率平均分在68~73分和50%~58%之间,而采用4种模型构建的回归集成模型两种评分方法的平均分分别高达79.8和68.8%,较单一预测模型评分分别提高了近10分和10%以上。将具有降水指示信号的前冬赤道东太平洋海温因子耦合到回归集成预测模型,其Ps评分结果与纯降水集成模型相当,但同号率评分略高3.1%。从而,提取要素序列的多种时间尺度特征,并采用多模型的集成预报,均能有效提高短期气候预测水平。 相似文献
19.
《干旱气象》2015,(6)
利用1951~2011年中国160个气象站逐月降水、温度、74项环流指数和NCEP再分析海表温度资料,采用偏最小二乘回归(PLSR)方法,结合均生函数构造预报量周期性因子,建立辽宁省汛期平均降水量及其5站(沈阳、朝阳、营口、丹东和大连)汛期降水量预测模型,并进行预测效果检验分析。结果表明:采用均生函数构造预报量周期性因子,在一定程度上弥补了气候预测统计模型高相关性因子的不足,从而使辽宁汛期平均降水量PLSR模型的试报均方根误差降低约10 mm。PLSR模型由于较好地解决了预报因子之间的多重相关性问题,其预测效果较逐步回归模型有明显提高,对2002~2011年辽宁5站汛期降水量试报的Ps评分平均值为72.6%,比逐步回归模型提高了10.3%。 相似文献
20.
利用美国全球监测与模型研究中心(GIMMS)1982—2006年逐月归一化植被指数(NDVI)、美国国家海洋和大气局(NOAA)1854—2008年海温资料以及中国国家气候中心(NCC)1951—2006年160站月降水资料,通过旋转经验正交函数分解(REOF)和相关分析获得了长江流域夏季降水预报序列和植被、海温预报因子集。基于最优子集回归方法(OSR),并借助交叉验证(CV)以及空间重建等手段,构建了单独以前期春季海温为预报因子和同时引入前期春季海温与归一化植被指数为因子的两类预报模型,对比分析引入陆面植被因子前后长江流域夏季降水预报效果改善状况,评估春季陆面植被对长江流域夏季降水可预报性的影响及预报效果的稳健性。结果表明:(1)相对于海温因子,春季陆面植被因子对长江流域夏季降水预报具有同样重要性,引入春季归一化植被指数后,长江流域夏季降水预报得到明显改善,相关系数平均由0.49提升到0.66,提高0.17左右,模型解释方差提升平均60%左右,其中单纯海温因子预报效果较差的汉江—淮河地区和淮河流域地区,相关系数更是提高了0.20—0.30,模型解释方差提升1倍左右;(2)交叉验证预报表明,相对于仅考虑海温因子模拟情形,交叉预报相关系数下降较多,模型稳健性较低,引入归一化植被指数后,长江流域夏季降水预报稳健性得到明显提升,长江中下游及其以南的长江三角洲地区、洞庭湖—鄱阳湖地区改善尤为明显;(3)长江流域降水可预报性存在明显的区域差异,嘉陵江流域地区、汉江—洞庭湖地区预报效果最好,汉江—淮河地区、淮河流域地区、长江三角洲地区预报效果最差,但引入归一化植被指数后预报效果提高最明显,而洞庭湖—鄱阳湖地区虽然模拟效果较好,但预报稳健性较低,交叉验证相关系数降幅达到0.27,这也从侧面说明了长江流域夏季降水分区预报的重要性。 相似文献