共查询到19条相似文献，搜索用时 109 毫秒
1.
2.
3.
4.
5.
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
6.
基于循环神经网络的雷达回波外推算法的预报结果随时间逐渐模糊失真，同时难以预报强回波区域。针对上述问题，提出一种上下文融合和注意力机制的时空长短期记忆网络模型。该方法通过上下文融合模块充分提取雷达图像不同尺度的短期上下文信息；通过注意力模块拓宽预测单元的时间感受域，使模型感知更多的时间动态。以2019—2021年4—9月江苏省气象雷达数据为样本，通过试验对比分析，基于上下文融合和注意力机制的时空长短期记忆网络取得了更好的预测性能。在外推60min，阈值为10、20、40 dBz的条件下，临界成功指数和HSS分别达到0.7611、0.5326、0.2369和0.7335、0.5735、0.3075，有效提高了预测精度。 相似文献
7.
对山东省气象信息共享平台建设的思考 总被引：2，自引：0，他引：2
通过阐述气象信息共享平台建设的重要意义,以及对山东省气象信息共享及共享平台建设现状、存在问题的分析,提出了山东省气象信息共享及建设气象信息共享平台的对策及建议。 相似文献
8.
神经网络在气象上的应用往往是采用固定学习率的BP算法建模,学习过程易出现振荡现象和网络存在冗余连接等缺陷,基于此对神经网络进行了改进。利用时间序列分析方法对样本数据进行处理,用改进后的神经网络对时间序列样本数据进行训练预测,创建了时间序列动态学习率神经网络模型。最后用库车县1997—2007年四季的平均气温值作样本数据进行训练,其训练精度和拟合度都达到很高的标准,用该模型预测了库车县2008年的气温。通过实例证明这个模型在气象预测领域有一定的实用价值。 相似文献
9.
气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。 相似文献
10.
11.
自动气象站能见度检测仪多采用光学装置采样,雨雪、粉尘等天气因素会对部分仪器镜头造成污染,导致能见度要素数据缺测.针对能见度数据缺失问题,本文选用安徽部分气象站的历年数据,首先运用灰色关联分析方法筛选出与能见度密切相关的其他气象要素,通过支持向量机和BP神经网络单一预估方法预估不同地形的能见度缺失值,然后采用最优权重组合将两种方法预估的能见度值进行组合,并与单一预估方法进行对比.结果表明组合方法的预估结果误差均值小、整体准确度高,可以保证台站观测资料的完备性,为短时天气预报、实况分析和气象公共服务工作提供有效依据. 相似文献
12.
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
13.
人工神经网络技术发展及在大气科学领域的应用 总被引：12，自引：4，他引：12
20世纪80年代以来，人工神经网络技术在理论和应用研究方面有了快速的发展，并在众多学科领域取得了大量的应用研究成果。文章首先概述了国外有关人工神经网络理论研究发展的主要过程及我国开展神经网络理论和应用研究的状况。重点介绍了国内外大气学科中，关于神经网络方法在中、短期天气预报，短期气候预测，农业气象，空气污染预报，卫星云图识别以及气象观测资料处理等许多方面的应用研究工作。并且也进一步介绍了有关神经网络气象预报建模研究的关键技术一过拟合，网络结构问题的研究工作以及模糊系统理论与神经网络相结合的模糊神经网络，遗传算法与神经网络相结合的气象预报建模的最近研究工作。 相似文献
14.
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
15.
强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。 相似文献
16.
本文将研究对象从地面气象要素扩展到三维气象要素;针对三维气象要素空间分辨率提升问题,融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理,提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型（Multi-Scale Residual Laplacian Pyramid Network,MSRLapN）。具体地,构造一种多尺度残差模块（Multi-Scale Resolution Block,MSRB）,用于从三维空间多种气象要素中自动提取预报特征;从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用;然后,通过超分辨重建循环迭代方法,基于大样本历史数据学习订正降尺度预报的误差。在华东气候区,本文针对相对湿度和风速两种气象要素,实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度,并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比,实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息,MSRLapN有效实现了三维气象要素降尺度,效果优于其他对比方法。 相似文献
17.
对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。 相似文献
18.
深圳地处我国华南沿海季风敏感区,为探究季风等气象和污染要素对其呼吸系统疾病发病的影响和其预测相关就诊风险的可行性,本文利用当地2015-2016年呼吸系统疾病就诊人数资料及同期气象和污染物资料,并运用BP人工神经网络和LSTM网络构建呼吸系统疾病就诊人数预测模型。结果显示:每年九月份开始,冬季风的冷胁迫效应会使相关人群呼吸系统疾病发病人数波动式增加,直至次年冬季风向夏季风转换前的三月份发病人数达到峰值；而夏季风控制期间当地居民呼吸系统疾病发病人数呈波动式减少态势,比峰值期间减少35%；另外,该地不同呼吸系统疾病其主控因素也不相同；对比两种预测模型,总体上LSTM网络预报模型对深圳呼吸系统疾病风险预测准确率更高,可以满足健康气象预报服务业务需求。 相似文献
19.
采集大连某机场2004—2007年大雾、轻雾和无雾天气事件共186例,选取雾天气事件前期(前一日08:00,14:00,20:00(北京时)实测资料)的温、压、湿、风等要素指标为预报因子,基于学习向量量化神经网络(learning vector quantization,LVQ),采用逐级预报思想建立起某机场雾天气事件的预报模型。在网络训练过程中,动态调整网络神经元比例参数,提高模型的预报能力;采用根据检验准确率适时终止训练的"先停止"技术,有效提高了模型的泛化能力。预报试验表明:无论是拟合率还是独立预报准确率,模型均已达到较高水准,具有实际应用意义。 相似文献