共查询到19条相似文献，搜索用时 93 毫秒
1.
基于2005~2007年汛期成都区域气象中心的中尺度区域集合预报产品和德国、日本数值预报模式的降水产品,针对四川暴雨构建样本资料,采用支持向量机方法(Support Vector Machines,简称SVM)建立暴雨预警模型,开展暴雨预警预报试验,并将建立的模型应用于2008年汛期四川省逐日暴雨有无预报。检验结果表明,基于区域中尺度集合预报产品建立的SVM暴雨预警模型,对暴雨定点预报有较强的指示作用,暴雨预警指数为0.2。 相似文献
2.
3.
基于WRF和SVM方法的风电场功率预报技术研究 总被引：2，自引：0，他引：2
利用WRF(Weather Research and Forecasting)模式,对2006年河北省张北地区某风电场区域全年回报的风速和风向,以及与对应时间段70 m高度的测风塔实测资料进行了对比分析,发现模式预报效果较好.利用2008年全年风电场每台风机的实际功率与对应时刻轮毂高度风速、风向、气温、相对湿度和气压回报资料,使用支持向量机(Support Vector Machine,SVM)回归方法建立了每台风机10min一次的风电场功率预报模型,并利用该模型进行了2009年为期一年的预报试验,检验模型的预报性能.结果表明,集WRF模式和SVM方法建立的风电功率预报方法具有较好的预报效果.各月预报相关系数在0.71～0.82之间,归一化均方根误差在9.8％～16.5％之间,归一化平均绝对误差在5.4％～10.5％之间;全年预报相关系数为0.79,归一化均方根误差为13.3％,归一化平均绝对误差为8.3％. 相似文献
4.
利用1979—2016年6月EAR5再分析资料,选取湿热力平流参数、热力螺旋度、散度通量、水汽散度通量和热力波作用密度5个综合因子,采用核密度估计方法,基于TS评分最优为检验标准筛选确立最优因子和权重组合,构建了湖南区域持续性暴雨概率预报模型,并进行了独立样本检验与业务试用。结果表明:2017—2019年独立样本回代检验,平均TS评分达到29.9%,相比于欧洲中期天气预报中心(ECMWF)细网格(平均TS评分为22.4%)为正技巧。在2021年、2022年汛期两次区域持续性暴雨个例的预报试验中,提前24 h的暴雨预报优于ECMWF、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等区域中尺度模式,对湖南区域持续性暴雨有较强的预报能力。 相似文献
5.
使用WRF模式和MM5模式分别对吉林省全省50个地面观测站做了降水预报的数值模拟．并进行了检验分析和对比。全省区域降水预报检验结果表明：WRF模式0-24h和24-48h的预报正确率为82．4％和81．1％,分别高出MM5模式6．1和7．4个百分点;WRF模式各级降水预报的TS评分均高于MM5模式,对于暴雨以上的降水预报,WRF模式0-24h和24-48h预报的TS评分为11．2％和14．5％,具有一定的预报能力;两种模式的降水预报都存在着一定的空报率和漏报率,其中大雨以上预报的空报率和漏报率均超过了45％,暴雨以上预报的空报率和漏报率均超过了70％。 相似文献
6.
7.
应用ＥＣＭ７２、９６、１２０ｈ数值预报产品对西江（梧州）历史上中等（水位达２１．０ｍ）以上致洪暴雨天气、动力分析,得出低槽模式和热带模式两个中期（３～５ｄ）预报模式,并对预报场的关键区和要素,计算出不同的物理量：低槽指数、副高指数、中低纬区域同纬度东西部平均高度差、地面关键区高低压的气压指数等,作为预报指标,（低槽模式５个,热带模式３个）每天套用不同预报时效的产品,作出大范围暴雨３～５ｄ中期滚动预报,模式与指标都符合的暴雨日持续５～６ｄ或以上,便预报为西江致洪暴雨。试报结果平均准确率为７３．５％。 相似文献
8.
利用2015—2017年吉林省地面常规气象观测资料,基于EC数据通过配料法构建吉林省暴雨预报模型.研究表明:吉林省暴雨出现时段为每年的5—9月,集中时段为7—8月,7—8月降水站次占总数的79.1％;吉林省各站点暴雨年平均次数以2～5次为主,白城西部、长春北部地区暴雨<2次,东部暴雨次数稍多,尤其是长白山天池站3a内暴雨达到了13次;该预报模型的FY预报方法TS评分为22.34％,比EC模式预报的TS评分高5.02％;FF预报方法漏报率为36.65％,明显少于EC模式的75.16％;FF预报方法空报率偏高,FY和FF两种预报方法结合使用可以有效提高对吉林省暴雨预报的准确率. 相似文献
9.
2002年主汛期，“973”(中国暴雨)项目研制开发的η坐标有限区域数值预报模式(AREM)在武汉暴雨研究所进行了每天两个时次(08时、20时)的实时数值预报试验。实时预报表明，该模式适合于我国计算机条件，对我国夏季降水有相当预报能力。对试验结果进行了分区Ts评分检验，模式对我国东部地区的降水预报评分最高，08时起报的0～24h时效的降水预报，对24小时降水量大于0．1、10、25和50mm的R评分分别为0．578、0．282、0．144和0．062。对2002年主汛期的几次强降水过程的预报结果表明：模式对2002年梅雨、长江流域暴雨、华南暴雨和华北暴雨都有很好的预报，模式对雨带的位置、移动、降水强度、降水的持续与减弱的预报都具备一定的能力。 相似文献
10.
将武汉天空云量预报的81个预报因子运用到该站中等以上强度的降水预报中,基于SVM方法进行了交叉验证和预报试验。结果表明用81个预报因子建立的5～9月和全样本的降水预报模型有较好稳定性、且对降水都有正的预报技巧。因此天空云量的预报因子可以用来做降水的预报因子,同时也证明了这些预报因子在天空云量和降水预报中是协调的。SVM方法为天空云量和降水的预报提供了客观参考依据。 相似文献
11.
支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。 相似文献
12.
Solar radiation is an essential and important variable to many models. However, it is measured at a very limited number of meteorological stations in the world. Developing method for accurate estimation of solar radiation from measured meteorological variables has been a focus and challenging task. This paper presents the method of solar radiation estimation using support vector machine (SVM). The main objective of this work is to examine the feasibility of SVM and explore its potential in solar radiation estimation. A total of 20 SVM models using different combinations of sunshine ratio, maximum and minimum air temperature, relative humidity, and atmospheric water vapor pressure as input attributes are explored using meteorological data at 15 stations in China. These models significantly outperform the empirical models with an average 14 % higher accuracy. When sunshine duration data are available, model SVM2 using sunshine ratio and air temperature range is proposed. It significantly outperforms the empirical models with an average 26 % higher accuracy. When sunshine duration data are not available, model SVM19 using maximum temperature, minimum temperature and atmospheric water vapor pressure is proposed. It significantly outperforms the temperature-based empirical models with an average of 18 % higher accuracy. The remarkable improvement indicates that the SVM method would be a promising alternative over traditional approaches for estimation of solar radiation at any locations. 相似文献
13.
极端气温集成预报方法对比 总被引：4，自引：0，他引：4
用2003-2009年ECMWF和庆阳市极端气温资料建立最高最低气温SVM、Kalman、多元线性回归3种统计方法的预报模型,采用平均、加权、回归3种方法进行预报集成,对庆阳市2010年6-12月各预报方法及5个时次集成预报进行评估.结果表明:单一的SVM、多元回归和集成方法最低气温预报5个时次的准确率均高于最高气温0.8％～24.2％,集成后加权法准确率最高,但最高和最低气温选取权重不同,SVM权重大时最高气温效果好,多元回归权重大时最低气温效果好.随着预报时效的增加,单一的预报方法和集成预报,预报准确率降低.逐月评估表明,单一的SVM准确率较高且预报性能稳定,Kalman准确率较低,回归方法各月差异大,预报不稳定,集成后,3种集成方法的预报比单一的预报方法均有所改善和提高.绝对误差分析表明,加权集成后最高和最低气温误差都较小,优于平均集成法和回归集成法. 相似文献
14.
CAR和SVM方法在郑州冬半年大雾气候趋势预测中的试用 总被引：2，自引：0，他引：2
以郑州冬半年大雾日数为对象,在分析其气候特征的基础上,尝试大雾日数的气候趋势预测。首先选择气候预测中常用的环流特征量作为因子群,通过相关筛选,选取与预测对象相关系数较大的环流特征量作为预测因子,然后分别采用多变量自回归（CAR）和支持向量基（SVM）回归两种方法,建立郑州冬半年大雾日数预测模型。CAR方法回报正确率为88％,SVM方法回报正确率为82．4％;经2002／2003—2005／2006年4a的独立样本试报,两种方法平均预测准确率（Ts）均为75％。 相似文献
15.
简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法——支持向量机(SVM)方法；分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”(transductive inference)，大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾”。 相似文献
16.
气候系统是一种耗散的、具有多个不稳定源的非线性、非平稳系统。该文利用支持向量机(SVM)算法在处理非线性问题中的优越性和经验模态分解(EMD)算法在处理非平稳信号中的优势,采用将EMD与SVM相结合的短期气候预测方法,并应用到广西季节降水预报中。选取广西88个气象观测站1957—2005年6—8月逐年降水量的距平百分率序列作为试验数据,通过EMD算法将标准化处理后的距平百分率序列分解成多个本征模态函数(IMF)分量和一个趋势分量,在分解中针对EMD算法存在的端点极值问题选择两种方法分别进行处理,对比得出极值延拓法效果更好。对每个分量构建不同的SVM模型进行预测,并通过重构形成最后的预测结果。试验中采用不经EMD处理的反向传播(BP)神经网络和SVM算法进行对比验证,结果表明:相对于直接预测方法,该文提出的方案均方误差最小,能够较为准确地反映出降水序列未来几年的变化趋势,具有更高的预测精度和较好的推广前景。 相似文献
17.
18.
19.
将SVM（Support Vector Machine）分类和回归方法首次应用于气象预报试验。利用1990~2000年4~9月ECMWF北半球的500 hPa高度、850 hPa温度、地面气压的00:00 UTC分析场资料，建立四川盆地分区面雨量有无大于15 mm的SVM分类推理模型、四川盆地内单站气温的SVM回归推理模型，进行相应的预报试验，试验结果显示对应的SVM推理模型具有良好的预报能力。 相似文献