共查询到20条相似文献，搜索用时 609 毫秒
1.
基于公众天气预报预测塑料大棚逐日极端气温 总被引：4，自引：1，他引：3
利用浙江省慈溪市的公众天气预报和草莓大棚内极端气温的观测数据,构建一个以室外日最高气温、最低气温、相对湿度、最大风级、白天和夜间天空状况作为输入变量,棚内日最高气温和日最低气温作为输出变量的BP神经网络预测模型。用以预测草莓大棚室内日最高气温和日最低气温。结果表明,该模型对大棚内日最高气温、日最低气温的训练值和实测值之间的均方根误差分别为4.0℃和1.3℃,绝对误差则分别为3.2℃和1.0℃;日最高气温和日最低气温的预测值和实测值之间的均方根误差分别为3.6℃和1.2℃,绝对误差为3.0℃和1.0℃。该模型数据获取方便,实用性强,模拟精度较高,可以较准确的预测未来温室内的极端气温,为温室管理和调控提供依据。 相似文献
2.
为科学精准地为温室大棚生产提供气象服务,2020年11月—2021年5月分别在位于陕西省关中的泾阳县和陕北的延川县选择砖墙和土墙两种主要的生产棚型进行了大棚内外气温的对比观测试验,并采用BP神经网络和多元线性回归分析2种算法对不同棚型和晴空条件下的棚内气温进行了模拟预测研究。结果表明： 利用BP神经网络方法建立的预测模型较多元线性回归分析方法的模拟精度更高,BP神经网络方法对泾阳和延川梁家河试验示范园日光温室内气温预测模型拟合优度R2分别达075和077,均方误差分别为192 ℃和190 ℃;控制条件下,砖墙结构比土墙结构日光温室的气温预测精度更高;多云天气条件下模型的预测精度更高。 相似文献
3.
利用2019年1月—2022年6月冬小麦农田小气候自动观测站观测的数据和齐河县国家基本气象观测站同期观测资料,采用多元线性回归和BP神经网络方法,建立冬小麦农田30 cm、60 cm、150 cm日最高和日最低气温预测模型。结果表明:两种模型对农田气温的预测效果均较好,阴天条件下150 cm最高气温预测效果最好;晴天条件下30 cm最高气温预测效果最差。两模型模拟结果分层次看,农田气温的模拟精度150 cm>60 cm>30 cm;分天气类型看,多元回归模型农田各层气温的模拟精度阴天>多云>晴天,BP神经网络模型农田30 cm、60 cm最高气温的模拟精度多云>阴天>晴天,农田30 cm最低气温的模拟精度多云与阴天相同,均大于晴天,农田60 cm最低气温的模拟精度晴天>多云>阴天,农田150 cm最高及最低气温的模拟精度晴天与多云相同,均大于阴天;分要素看,30 cm最低气温的模拟精度高于最高气温、60 cm和150 cm最高气温的模拟精度高于最低气温。通过比较,BP神经网络模型的预测精度比多元线性回归模型的预测精度高。两种模型均能满足冬小麦农田气温的预测需求。 相似文献
4.
基于野外实测数据，分晴日、阴日及不区分阴晴3种情况，研究了湿润与较干冬小麦田午时冠层温度、气温和地温间的定量关系。结果表明:湿润麦田晴日使用气温预测冠温效果最好，基于最终模型估算冠温的平均误差仅1.03℃，标准差为1.26℃。较干麦田晴日与阴日用地温估算冠温效果最佳，基于最终模型估算冠温的平均误差分别为1.64，1.54 ℃；其估算冠温的标准分别为2.05，1.89℃。用本文统计建模法预测结果的误差低于目前用NOAA影像反演冠温时2~3℃的均方根误差。研究结果也说明使用气温和地温预测麦田冠温是切实可行的。这就为冠温数据的获取提供了廉价有效的新方法；同时也使利用遥感影像与地面气象站常规观测资料相结合的方法，在较大的区域范围内进行冬小麦需水预测成为可能。 相似文献
5.
贵州省冬季地表(0cm)温度预报探讨 总被引：1，自引：0，他引：1
利用EC细网格地温预报资料,进行预报准确率检验,检验结果表明,EC细网格地温预报准确率较差。并利用1971—2014年贵州0 cm地温资料和气温资料,对贵州冬季地温与气温的关系进行分析,应用统计回归方法建立以气温为基础的地温模型,从而实现通过气温估算地温,并对地气模型进行了检验;结果表明,平均地温预测模型和最低地温预测模型准确率分别达到92%和80%,绝对误差均小于2℃,最高地温预测模型准确率仅有42%,今后需要考虑在不同天气(晴、多云、阴、雨、雪等)条件,分别建立最高地温预测模型。 相似文献
6.
基于高温日数存在受不同物理因子影响不同时间尺度变率的特征,应用滤波对华南夏季高温日数进行时间尺度分离,得到高温日数的年代际分量和年际分量。统计分析高温日数总量、年代际分量和年际分量在各自对应时间尺度上的影响因子,采用"向前"交叉检验逐步回归法,分别建立高温日数总量、年代际分量和年际分量的回归模型。高温日数总量的回归模型即为高温日数不区分时间尺度的直接回归模型,而两个分量回归模型拟合结果的叠加,即为高温日数时间尺度分离统计模型对总量的拟合。利用十折交叉检验法,对高温日数直接回归模型和时间尺度分离统计模型的拟合结果进行比较:相比高温日数直接回归模型,时间尺度分离统计模型的年代际分量均方根误差由2.6降低到2.3,与观测数据的相关系数由0.69提高到0.73（显著性水平α=0.01）;年际分量均方根误差由3.2降低到2.9,与观测数据的相关系数由0.4（α=0.1）提高到0.48（α=0.01）;高温日数总量均方根误差由4.1降低到3.7,与观测数据的相关系数由0.48提高到0.62（α=0.01）。1979~2010年拟合时段华南夏季高温日数的回报结果表明:两模型回报结果与观测数据均存在明显相关（α=0.01）,直接回归模型的相关系数为0.57,时间尺度分离统计模型提高到0.72。2011~2013年独立检验时段的预测结果表明:直接回归模型预测结果的平均均方根误差为26.4%,时间尺度分离统计模型降低到12.3%。初步结果表明,两模型对华南夏季高温日数均有一定的预测能力,而时间尺度分离统计模型的预测结果有所改进。 相似文献
7.
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。 相似文献
8.
提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。 相似文献
9.
《气象与环境学报》2016,(1)
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。 相似文献
10.
大棚小气候特征及其与大气候的关系 总被引：11，自引：0，他引：11
为了提高大棚揭闭膜气象服务的针对性,对武汉城郊冬春季棚内外气温、地温进行了逐时对比观测试验,利用相关分析及逐步回归分析方法,分3种天气类型对棚内气温、地温观测数据进行了计算分析.结果表明,在晴好天气下大棚、双层膜最高气温分别比棚外大气最高气温高20、24℃左右,夜间温度分别比棚外大气高0.8～3.5℃、3.5～6.5℃,棚内温度日较差在晴好天气下高达30～35℃,气温变化剧烈,一天内可能既要防范高温热害,又要防御低温危害.白天棚内气温与大气温度、太阳高度角关系密切,夜间气温以及10cm地温与大气温度相关显著,并由此建立了棚内气温、地温统计数学模型.利用该模型可以准确地推算或预测大棚内逐时气温、地温变化,为菜农提供大棚揭闭膜气象服务. 相似文献
11.
基于MODIS数据的近地表气温估算 总被引：1，自引：0，他引：1
气温是各种植物生理、水文、环境等模型中一个非常重要的近地表气象参数,多年来气温数据均以气象站点资料插值得到。近年来,卫星遥感数据被用于气温估算,且精度不断提高。为研究基于MODIS数据的近地表气温估算方法,以浙江省为研究区域,利用33个站点2011年逐日每10 min一次的自动气象站气温观测数据和MODIS地表温度产品及参数因子,建立了MODIS地表温度和地面观测的气温的线性关系,同时通过考虑归一化植被指数、水汽压、地表反照率、高程4个影响因子,得出了卫星过境时刻MODIS地表温度和气温的多因子估算模型;利用Zaksek等提出的基于能量平衡的遥感模型进行了气温估算,并采用多元回归分析法对该模型重新进行了拟合,得到近地表气温。结果表明:三种方法的决定系数R2分别为0.87、0.94、0.90,均方根误差RMSE分别为3.35℃、2.31℃、2.78℃,多因子估算模型得到的结果最好。同时对其分白天和夜间进行检验,二者的RMSE分别为2.27℃、1.93℃,夜间精度比白天高。对于季节的变化,秋季估算结果最好,春季次之,冬季稍差,夏季最差。 相似文献
12.
采用BP神经网络和逐步线性回归两种模型,以2014—2017年汕头市金平环境监测子站的6种污染物质量浓度以及同期汕头市国家基准气象观测站37类地面气象观测数据为预报因子,对该站O3最大8h质量浓度进行预测。结果表明:两种预报模型在历史数据拟合效果上并不存在明显差异,总体上冬春季的模型拟合度高于夏秋季。在2017年7和12月2个独立样本的预报效果检验中,BP网络模型预报准确指数(d)分别比回归模型高10.4%和0.8%;BP网络模型预报级别准确率(TS)分别比回归模型高12.9%和3.3%。BP网络模型无论在预报精度还是预报稳定度上均明显优于回归模型。夏秋季降水因子的影响常导致BP模型预报值出现正误差,冬春季冷空气南下的影响常导致BP模型预报出现负误差。 相似文献
13.
选取QIN和SOB两种代表性劈窗算法对辽宁地区地表温度进行反演,并分析二者的精度和误差分布。结果表明：QIN和SOB算法反演的地表温度（TS）与地面气象台站准同步观测的气温和地温的线性拟合显著,SOB算法线性拟合更好;从误差分布直方图上看,两种算法的反演结果与地温更接近,SOB算法与同步气温和地温在±2 ℃之间的误差比例略高于QIN算法;在野外开展与卫星遥感空间尺度一致的地表温度观测试验,QIN和SOB算法与实测值的平均绝对误差均为1.5 ℃;与NASA官网发布的地表温度产品对比发现,QIN和SOB算法的平均绝对误差分别为1.75 ℃、1.70 ℃;因此QIN、SOB算法在辽宁地区均适用,SOB算法误差更小。 相似文献
14.
15.
通过我国12个国家基准气候站建站至2000年的气压、气温、相对湿度、风速每日4次与24次定时观测资料月平均值的差值、差值平均值、标准差的对比分析,研究不同时间分辨率统计的资料序列的均一性;在此基础上,对全国所有基准站建站至2000年气温历年月平均值进行统计,绘制了全国基准站建站至2000年气温4次与24次定时累年月平均值差值的平均值分布图,并做了初步分析.结果表明,采用两种不同时间分辨率统计气象要素月平均值会出现统计误差,气压、相对湿度、风速4次与24次定时观测资料月平均值偏差在观测精度之内,气温的差值超过了观测精度.我国绝大部分地区的气温4次定时观测资料要比24次观测资料统计的月平均值偏小0.1～0.3 ℃.在气候分析和气候变化研究中,必须考虑因不同时间分辨率统计气温月平均值引起的统计误差,排除非气候原因造成的影响. 相似文献
16.
为了丰富贵州西部光伏电站的功率预测思路与方法,利用2019—2021年贵州西部5个光伏电站发电功率、气象要素、卫星反演辐照度、地面观测辐照度数据,分析光伏功率的时间演变和与卫星反演辐照度、地面观测辐照度的相关性。利用前80%样本数据为测试集,剩余数据为预测模拟模型的检验集,利用机器学习中的BP、GRNN神经网络算法和测试集分别对5个电站建立光伏功率预测模拟模型。利用检验集和光伏电站的检验方法对各个模型进行效果验证,并对比不同算法不同站点间的预测模拟效果。结果表明,BP、GRNN算法在5个光伏电站的功率预测模拟中平均日准确率在90%左右,标准化均方误差在0.07～0.12,且FY-4A反演辐照度参与建立的光伏功率预测模拟模型较地面观测辐照度参与建立的模型效果更佳,能够为光伏功率预测提供一种参考方案和思路。 相似文献
17.
王建刚 《沙漠与绿洲气象(新疆气象)》2015,9(3):69-74
分析了新疆阿勒泰气象站2004年1月至2011年12月,CAWS600SE-H型自动与人工气象站平行观测气温资料的差值。结果表明：两者差值较大,有日、季节变化,最低、最高气温系统性误差,人工观测低于自动观测0.05～0.20 ℃;误差具有正态分布特征。气温整点观测,人工比自动观测提前,造成系统性误差,气温急剧升降时误差更大,通过时差订正,绝对误差一般收窄0.1～0.2℃,均方差减少0.142。1和10月,4、24次日平均模式,差值变化幅度≥1℃的频率达15%。平均差值,除7月外, 4次平均值低于24次平均0.1℃,10月低于0.5℃以上。平均模式对日值的影响最大,变化幅度3.7℃;对季的影响较小,变化幅度只有0.4℃。自动观测仪器的系统性偏差、测量元件的精度及对气象要素变化响应的灵敏度、观测时间的差异和人为因素的影响是造成观测误差的原因。 相似文献
18.
为了掌握沈阳地区地温变化规律,并提供更好的大田地温预报服务,降低播种风险,提高粮食生产安全,利用沈阳地区7个气象站点1981-2015年地温和气温数据,运用数理统计方法,分析近35 a地温和气温的变化规律,建立了春播期（4月和5月）地温预报模型。结果表明：1981-2010年,年代际温度呈上升趋势,气温的变化导致地温的变化也更加明显,气温和各层地温的气候倾向率为0.426-0.549℃/10 a,4-10月0-5 cm、5-10 cm、10-20 cm每一层的地温差为1.5℃、0.5℃和0.5℃;0-20 cm地温以及气温在1996年前后发生了突变;春播期西部地区0 cm、5 cm、10 cm的地温和气温差值4-5月由较低转为较高;地温预报模型t检验的P值在P=0.01水平差异均不显著,相对误差控制在±10%以内,可以用于沈阳春播期（4月和5月）地温预测。 相似文献
19.
以四川省为例开展复杂地形下气温插值方法的研究,结合遥感数据、DEM数据与气象站点数据,基于符号回归分别构建多因子气温插值模型、少因子气温插值模型,并与多元线性回归模型和传统插值方法(反距离权重法、普通克里金法、协同克里金法)进行对比。结果表明：基于符号回归的两种模型与多元线性回归模型在四季插值精度均显著优于传统插值方法,其中多因子气温插值模型在四季精度皆为最高;评估基于符号回归的两种模型与多元线性回归模型在简单与复杂地形区域下的气温插值精度,多元线性回归模型在夏季整体精度最差,少因子气温插值模型在冬季的复杂地形区域插值精度最低,而多因子气温插值模型在两种地形区域的全年插值精度皆最优;多因子气温插值模型的气温空间分布特征与遥感气温产品最相近,整体误差较小,可精准反映气温空间分布特征。基于符号回归的多因子气温插值模型可以提升复杂地形区域气温插值精度。 相似文献
20.
百叶箱和通风防辐射罩气温观测系统的数据对比与订正 总被引：1，自引：1，他引：0
气温是常规地面气象观测的基本要素,其观测方法和误差直接关系到对大气过程的理解和预报精度。开展不同气温观测系统间的对比和分析,保证观测数据的准确性和可比较性,对大气科学以及天气气候的预测、预报研究具有重要意义。本文利用2009年9月至2010年8月的对比实验数据,分析了百叶箱气温观测系统和通风防辐射罩气温观测系统的数据差异,讨论了系统误差与环境温度以及辐射误差与太阳辐射和环境风速之间的关系,给出了相应的订正方法,最后对订正效果进行了检验。结果表明:与通风防辐射罩的气温数据相比,百叶箱的气温数据偏高,其中夜间平均偏高0.19°C,白天平均偏高0.29°C;系统误差是环境温度的一元线性函数,气温每升高1°C,系统误差就会增加0.006°C左右;辐射误差是太阳辐射与环境风速互相耦合作用的结果:太阳辐射有较强的增温效应,与辐射误差呈现近似的抛物线函数关系;环境风速有较好的冷却效应,与辐射误差呈现出近似的负指数函数关系;经误差订正后,夜间和白天的数据误差均减小到了0.0°C,-0.2~0.2°C的样本比例分别从订正前的64.5%和45.3%提高到了83.7%和80.6%,一致率提高到了92.3%和96.0%。 相似文献