共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
3.
利用2005年4次降雨过程的多普勒雷达体扫的回波强度资料及相应的雨量计观测资料, 通过BP神经网络方法来估测临沂地区的降雨量, 同时以改进的最佳窗概率配对法建立的Z-R关系估测的降雨量为对照, 进一步验证BP神经网络方法的优越性。根据各个站点的平均相对误差、 均方根差、 相关系数和相关曲线斜率4个指标的比较, 小时雨量和累计降雨量估测结果表明: BP神经网络估测精度要明显优于Z-R关系式, 训练样本的精度高于检验样本的精度, BP神经网络估测的降雨量与站点实测雨量吻合性较好, 能够较真实地反映地面降雨情况; Z-R关系式估测的降雨量随着雨强的不同表现为不同程度的低估现象。 相似文献
4.
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
5.
6.
人工神经网络方法在降水量级中期预报中的应用 总被引:7,自引:2,他引:7
将人工神经网络方法与统计方法相结合,采用分步预报的方法,首先用经验统计方法进行晴雨预测,再用BP人工经网络建立降水量级预报模型,探讨神经网络方法在中期降水预报的应用,试验表明,神经网络方法能提高中到大雨降水量级的中期预报能力,但对暴雨的预报不理想。 相似文献
7.
8.
9.
用神经网络方法对雷达资料进行降水类型的分类 总被引:3,自引:1,他引:2
利用不依赖先验统计模型的多层前馈神经网络模型对合肥的新一代S波段A系列雷达2001-2003年的降水资料进行了三种降水类型的分类,并将训练完成后的网络应用于一次降水过程。利用单隐层的多层前馈神经网络模型,在取适当参数时,已经可以较好地对雷达资料进行对流云降水、层状云降水和混合云降水三种降水类型的分类。同时验证了:训练集样本的数量和顺序、隐层神经元的数目以及学习率的选择等都将影响分类的成功率。 相似文献
10.
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
11.
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
12.
13.
基于浙江省74个气象站点逐小时观测资料,利用普通线性回归模型和考虑空间异质性的模型,对浙江省夏季午后降水的空间估算及其影响因素进行研究。研究发现:浙江省夏季午后降水整体呈现自西南向东北递减的变化趋势,南、北两个主要降水中心形成了西南一东北走向的主雨带;地理、地形和气象要素共同对浙江省夏季午后降水的空间分布产生影响;基于神经网络考虑空间异质性的地理神经网络加权回归(geographically neural network weighted regression,GNNWR)模型,在模型性能和降水的空间估算方面都明显优于普通线性回归模型和地理加权回归模型,显示GNNWR模型在气象领域有进一步应用的价值。 相似文献
14.
采用多分辨小波分析对卫星图象进行处理,在保留其特征信息的同时,减小了数据量,改善了神经网络训练过程的收敛性能,提高了处理速度,采用这一方法根据GOES-8的红外亮温图象和气象雷达资料对巴西圣保罗州中部的降水量估计进行了试验,取得了良好的效果。 相似文献
15.
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
16.
17.
该文使用湖北省10个气象代表站汛期前期逐月降水量及逐月平均的太平洋海温、北半球500百帕高度场和海平面气压场资料,分别建立了湖北汛期总降水量的神经网络预报模型.该模型在1999年汛期的试验结果表明,其对湖北汛期总降水量的预测有一定效果. 相似文献
18.
19.
以复州湾盐场晾晒期之特定时期(6月1日~8月31日)的降水量为预报对象,利用历史资料作为基本资料,应用神经网络理论研制出复州湾盐场晾晒期降水预报方法,并进行了预报检验。 相似文献
20.
现阶段降水预报主要依靠数值天气预报模式。但受物理参数化、计算资源等因素的影响,基于数值模式的降水预报还存在非常大的不确定性。近年来,深度学习在天气预报领域显示出巨大优势和潜力。本文通过构建神经网络预报美国东北部日降水分布,探讨神经网络模型基于低分辨率气象场(ERA-Interim, 0.7°)预报高分辨率降水(CPC,0.25°)的能力,并比较3种主流网络框架(VGG,ResNet, GoogleNet)在该任务中的表现。结果表明,3种网络框架都对美国东北部日降水分布具有一定的预报能力(VGG框架表现最优),但三者的均方根误差(RMSE)均高于ERA-Interim 24-h(ERA24)的降水预报。3种神经网络的集合预报结果优于ERA24预报,且这三者与ERA24预报结果的集合平均能够显著提高ERA24对不同季节、不同强度降水的预报。 相似文献