共查询到20条相似文献，搜索用时 718 毫秒
1.
月降水量预测是短期气候预测的业务之一,提高预测质量对防灾抗灾具有重要意义。运用数理统计原理,在因子选择标准和在各种资料中提取因子方面作了些探索,月降水量预测质量有了较大提高。 相似文献
2.
湛江降水量的径向基神经网络预测模型 总被引：1，自引：7，他引：1
以湛江地区50年来的月降水量为时间序列，利用高斯径向基函数，选择输人窗口（时滞）大小为6,建立了一种智能型的径向基函数神经网络预测系统，并分别对1991—2000年和2001-2003年的月降水量进行了测试预报和独立样本预测。结果显示，该模型预测效果明显优于传统的线性自回归预测模型，各月平均的平均绝对误差（MAE）和均方误差（RMSE）达到41．8和55．7。虽然该模型对降水量的预报还存在量级偏小的系统性偏差，但它完全有可能为本地区短期气候预测提供一种客观、自动的业务预报方法。 相似文献
3.
利用广西87个气象站6月月平均降水量及NCEP/NCAR再分析资料,通过普查1960—2021年广西6月月降水量年际增量与前期500 hPa位势高度场的相关性,选取影响广西6月降水异常相关性较高的前期预测因子,研究其主要影响机制,并采用模糊神经网络与熵度量相结合的方法构建月降水年际增量的集合预报模型,对预测模型进行1960—2013年的拟合检验和2014—2021年的独立样本预报检验。结果发现,该模型的预测准确率较高,独立样本的回报年份同号率为87.5%,拟合平均绝对误差为26.64 mm,拟合平均相对误差为9.06%,预报效果优于利用逐步回归方法构建的预测模型,而且模型性能比较稳定,具有较好的业务应用前景。 相似文献
4.
5.
投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究 总被引：1，自引：0，他引：1
以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明：投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。 相似文献
6.
以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明:投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。 相似文献
7.
神经网络综合模型预测龙江河流域汛期旱涝 总被引：1，自引：0，他引：1
应用龙江河流域金城江站水文资料、500hPa月平均环流指数、海温、太阳黑子和单站气象要素等资料，通过方差周期、多元线性回归和逐步回归分析得到的预测值，再经过神经网络综合模型进行分析，最后进行预测试验。结果表明，神经网络综合模型在龙江河流域旱涝天气预测中效果显著，可应用于业务预测。 相似文献
8.
利用1998-2013年TRMM月降水量产品与新疆同期的105个气象站地面观测降水量,运用逐步回归与BP神经网络方法,选取1998-2010年数据建立新疆地区的降水订正模型,并利用2011-2013年月降水量进行检验。结果表明:加入地形因子对TRMM月降水量产品订正效果明显,整体上两种模型对TRMM月降水量产品订正的相关系数从最初的0.66分别提高到0.75和0.80,相对误差由10.75%分别降低为4.88%和3.19%;月尺度上,TRMM月降水量产品相对误差为-5.68%~54.44%,经逐步回归模型订正后为-4.26%~32.57%,而BP神经网络模型订正后为-5.33%~24.48%,表明BP神经网络模型订正效果更好;从综合时间技巧评分ST看,订正后TRMM月降水量产品在各月的效果均有不同程度提高,逐步回归模型订正后提高0.01~0.49,BP神经网络模型订正后提高0.03~0.70。因此,基于逐步回归模型与BP神经网络模型订正的TRMM降水量产品均能够准确、定量地再现降水分布,为TRMM降水量产品质量改进提供一种较实用的参考方法。 相似文献
9.
应用多种动力气候模式降尺度解释应用技术,经过2004~2008年的回算检验和2009年以来的业务应用,结果表明其对重庆市区域的月平均气温和降水量有较好的预测能力,MOS和PP两大类方法中,分别用逐步回归、相似离度和最短距离相似等建模方法,用车比雪夫多项式,涡度,动态区域,EOF和R方程等5种不同构建因子方案得出的预测结果Ps评分(中国气象局预测业务定量评分标准)显示,重庆市动力气候模式解释应用方法的预测能力超过了中国气象局的目标考核要求(降水≥60%,温度≥65%)。月降水量预测最佳方案是PP-回归-涡度和PP-回归-区域,月气温预测最佳方案是MOS-回归-涡度和MOS-回归-车氏。降水和气温预测效果最好月和最差月平均Ps评分差值分别达到14.5%和21.8%,表明预测效果存在明显的月际差异。由2006年3月个例分析可见,降尺度解释应用技术对月尺度气温降水正负距平空间分布形态有较好的预测能力。 相似文献
10.
11.
After the consideration of the nonlinear nature changes of monsoon index,and the subjective determination of network structure in traditional artificial neural network prediction modeling,monthly and seasonal monsoon intensity index prediction is studied in this paper by using nonlinear genetic neural network ensemble prediction（GNNEP）modeling.It differs from traditional prediction modeling in the following aspects： （1）Input factors of the GNNEP model of monsoon index were selected from a large quantity of preceding period high correlation factors,such as monthly sea temperature fields,monthly 500-hPa air temperature fields,monthly 200-hPa geopotential height fields,etc.,and they were also highly information-condensed and system dimensionality-reduced by using the empirical orthogonal function（EOF）method,which effectively condensed the useful information of predictors and therefore controlled the size of network structure of the GNNEP model.（2）In the input design of the GNNEP model,a mean generating function（MGF）series of predictand（monsoon index）was added as an input factor;the contrast analysis of results of predic- tion experiments by a physical variable predictor-predictand MGF GNNEP model and a physical variable predictor GNNEP model shows that the incorporation of the periodical variation of predictand（monsoon index）is very effective in improving the prediction of monsoon index.（3）Different from the traditional neural network modeling,the GNNEP modeling is able to objectively determine the network structure of the GNNNEP model,and the model constructed has a better generalization capability.In the case of identical predictors,prediction modeling samples,and independent prediction samples,the prediction accuracy of our GNNEP model combined with the system dimensionality reduction technique of predictors is clearly higher than that of the traditional stepwise regression model using the traditional treatment technique of predictors,suggesting that the GNNEP model opens up a vast range of possibilities for operational weather prediction. 相似文献
12.
基于BCC-CSM季节气候预测模式系统历史回报数据和国家气象信息中心提供的中国地面降水月值数据,通过多方法对比并讨论了影响预测结果的因素,利用长短期记忆（Long Short-Term Memory,LSTM）网络预测2014年和2015年中国夏季降水。结果表明:LSTM网络的预测效果较逐步回归、BP神经网络及模式输出结果有一定优势。参数调优对于LSTM网络预测效果影响较大,重要参数有隐含层节点数、训练次数和学习率。选择合适的起报月份数据有助于提升季节预测的准确性,利用4月起报的数据预测夏季降水效果较好。海冰分量因子对降水季节预测有正贡献。在2014年、2015年夏季降水回报试验中,LSTM网络对降水整体形势有一定的预测能力,Ps评分分别为74分、71分,距平符号一致率分别为55.63%、55.25%,Ps评分的均值高于同期全国会商及业务模式。 相似文献
13.
冬季降水无论对地面的生产生活还是对高空飞机航行都可能造成严重灾害,降水相态预报的准确性决定了冬季降水预报的成功,该文系统回顾了近几十年降水相态预报取得的成果。降水相态预报方法大致分为3类:第1类是基于观测或数值天气预报建立的指标以及回归方程,其中某些方法高度依赖数值天气预报模式准确率;第2类是基于数值天气预报模式的微物理方案法和集合预报法;第3类是基于观测和数值预报产品的人工智能预报法。近年来降水相态模式预报产品准确率不断提高,成为降水相态预报中一个重要的产品支撑。但如何将降水相态形成机制的微物理研究成果用于改善数值预报模式降水相态预报的技巧,以及如何利用人工智能等技术提高降水相态预报的准确率等方面还需要不断努力。 相似文献
14.
Variables fields such as enstrophy, meridional-wind and zonal-wind variables are derived from monthly 500 hPa geopotential height anomalous fields. In this work, we select original predictors from monthly 500-hPa geopotential height anomalous fields and their variables in June of 1958 - 2001, and determine comprehensive predictors by conducting empirical orthogonal function (EOF) respectively with the original predictors. A downscaling forecast model based on the back propagation (BP) neural network is built by use of the comprehensive predictors to predict the monthly precipitation in June over Guangxi with the monthly dynamic extended range forecast products. For comparison, we also build another BP neural network model with the same predictands by using the former comprehensive predictors selected from 500-hPa geopotential height anomalous fields in May to December of 1957 - 2000 and January to April of 1958 - 2001. The two models are tested and results show that the precision of superposition of the downscaling model is better than that of the one based on former comprehensive predictors, but the prediction accuracy of the downscaling model depends on the output of monthly dynamic extended range forecast. 相似文献
15.
16.
17.
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。 相似文献
18.
采用偏最小二乘回归建立了前汛期(4-6月)月降水量的预测模型,其中模型的输入因子是通过对3个前期月平均物理量场(海温场、500 hPa温度场和200 hPa高度场)大量的场相关因子采用系统降维的处理方法获得.为实现同时对多个站点的月降水量预测,将多站点的月降水量预测转换成多站点气候场的主分量预测,进一步利用气候场特征向量的近似不变性进行回算,从而得到多站点的逐站月降水量预测结果.对广西37个基本站的前汛期月降水量进行了6年独立样本检验,其预报结果显示该模型具有较好的预报能力. 相似文献
19.
经历了两次“人工智能寒冬”之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一。从这个角度看,将机器学习整合到气候预测的思路切实可行。本文,首先以线性拟合参数(即斜率和截距)调整为例,介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次,本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后,阐述了深度学习之卷积神经网络的框架原理,并将卷积神经网络应用到东亚冬季逐月气温的回报试验,并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理,为机器学习应用于气候预测提供一定的参考思路。 相似文献
20.
T63 月延伸预报在西南区域短期气候预测中的应用研究 总被引：14，自引：4，他引：10
利用国家气候中心1996、1997年1~12月T63模式所作的500 hPa 70次月延伸预报产品和1966~1996年ECMWF的500 hPa旬平均高度场以及西南区域月气温和月雨量场资料,建立了用T63动力产品预测西南区域月要素场的一种完全预报（PP）的动力-统计关系。并对西南区域1996年2月至1998年1月逐月气温和降水进行了预报试验。结果表明,这种利用动力延伸集合预报产品制作西南区域月要素场预报的动力与统计相结合的释用方法具有明显的预报能力。 相似文献