共查询到18条相似文献，搜索用时 109 毫秒
1.
为了最大限度地满足政府举办特色农业旅游的需求,以高淳为例,研究分析了高淳油菜农业气象观测数据,发现油菜开花期与t≥3 ℃的有效积温呈极显著相关关系;进而利用最优化相关分析法,筛选出影响油菜开花期的最佳建模因子,创建了开花期气象中期预测模型以及基于环流和海面温度的开花期长期预测模型,均达到α＝0.001显著水平,预报时效可提前10～30 d;经检验,三种模型的历史拟合结果和三年试报效果较好;在此基础上,试用了三种模型的复相关系数作为加权系数进行加权平均,综合集成预报效果更佳。油菜开花期预报将对公众踏青赏花和政府招商引资具有现实的意义,同时预报思路可为其他作物花期预报研究提供借鉴。 相似文献
2.
3.
油菜花期物候主要限制因子分析及预报模型的构建 总被引：1，自引：0，他引：1
以油菜开花开始时间(即始花期)为研究对象,利用1980—2016年江苏省油菜发育期观测资料和同步气象数据,分析油菜始花期的时空变化趋势。结合油菜生理特性,筛选与油菜始花期显著相关的气象因子。以高淳站为例,采用通径分析明确各气象因子对油菜始花期的作用并评估因子敏感性,最后构建油菜始花期的回归预报模型。结果表明:在气候变化背景下江苏地区油菜始花期呈逐年提前趋势,淮河以南地区平均提前3 d以上;上年日平均气温稳定通过0℃终日(X_1)、当年日平均气温稳定通过5℃初日(X_2)、现蕾至开花前时段内分别大于0℃、5℃和10℃的有效积温(X_1、X_4和X_5)、最低气温分别小于0和5℃的日数(X_6和X_7)及平均最低气温(X_8)等8个因子与油菜始花期相关性达极显著水平;其中2月上旬至3月上旬的平均最低气温(X_8)、日最低气温小于5℃日数(X_7)、大于5℃有效积温(X_4)对油菜始花期的直接影响位列8个因子的前三位,且这3个因子两两共同对油菜始花期的相对影响程度也排在各因子对回归方程R~2总贡献率的前三位;其余5个因子直接效应普遍小于间接效应,且它们主要通过X_4、X_7、X_8对油菜始花期产生影响,而X_4、X_7、X_8也通过这5个因子产生一定影响;去掉任何一个因子,都会引起其他某些因子对油菜始花期的直接、间接作用发生变化;基于这8个因子构建的回归模型可解释68.48%的油菜始花期变化,并具有区域适用性。因此,就江苏地区而言,光照和降水对油菜开花早晚影响较小,热量条件才是江苏油菜开花早晚的主要限制因子,所构建的始花期预报模型可较好反映油菜开花时间早晚与相关热量因子变化的规律。 相似文献
4.
基于MATLAB的主成分RBF神经网络降水预报模型 总被引：13，自引：3，他引：10
以前期500 hPa高度场、海温场为预报因子,采用径向基函数(RBF)神经网络与主成分分析相结合的方法,建立了广西中部5月平均降水预报模型。在5年独立样本的预测检验中,预测的平均相对误差、均方误差及平均绝对误差分别为18.12%、50.52和34.23。对比分析RBF神经网络与BP(Back Propagation)神经网络的预测结果,表明RBF神经网络预测结果更准确、精度更高。 相似文献
5.
针对影响台风强度前期预报因子较多以及因子的非线性变化特点,首先采用逐步回归方法筛选出部分预报因子,再利用核主成分分析方法在剩余的预报因子中提取包含了原数据较多信息的核主成分与前期选入的预报因子共同作为模型输入.进一步考虑到神经网络集合预报中个体的准确性和差异性的权衡问题,在不同的初始条件下生成若干组神经网络,分别选择每组中性能最优的个体,建立了一种新的非线性神经网络集合预报模型.最后以西北太平洋海域2001-2010年5-10月的台风强度为研究对象进行了预报试验.结果表明,这种神经网络集合预报模型的预报结果符合实际应用的要求,其预报平均绝对误差明显小于同等条件下的神经网络方法和逐步回归预报方法. 相似文献
6.
新源县杏花始花期气象预报研究 总被引：1，自引：0，他引：1
为了更准确地提供杏花始花期的预报，利用新源县1996—2020年的始花期观测数据以及同期气象资料，统计分析关键影响因子，建立预报模式。结果表明：新源县杏花始花期平均出现在4月5日，最早最晚始花期相差28 d，近22a来始花期提前约4 d。始花期前的气温、日照、0℃积温等对始花期有明显影响，采用逐步回归方法，得到了新源县杏花始花期的预报模型,回代检验中始花期预报值与实际值相差0~2d的准确率达到63.6%，相差3 d的准确率为27.2%，2018—2020年的试报服务预测值与实际值之间相差分别2 d、1 d、3 d，可为花期专题气象服务提供理论参考。 相似文献
7.
宁波桃树花期预报方法 总被引：8，自引：0，他引：8
以宁波奉化桃花为例,应用区域中尺度自动气象站的逐时资料,分析前期光、温、湿条件的变异系数及这些要素与花期的相关系数得出:时积温(度·时)相对日积温(度·日)更能体现其与花期的内在关系,根据变异系数和相关系数的极值来确定预报因子。在此基础上利用欧洲中期天气预报中心(ECMWF)细网格资料的中期预报产品,采用BP神经网络,建立花期精细化预报模型,应用于实际预报。结果表明,利用中期数值预报产品和适当的预报模型进行花期中期预报是可行的,取得了较好的预报效果,提高了气象为农业服务水平。 相似文献
8.
基于主成分分析的人工智能台风路径预报模型 总被引：1，自引：0，他引：1
利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的遗传算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。 相似文献
9.
为了解主分量因子分析在热带气旋强度客观预报中的应用效能,在NCEP再分析资料、T106L19模式产品和热带气旋历史观测资料基础上,采用主分量因子分析技术,结合多元线性回归和BP型人工神经网络,开展了西北太平洋热带气旋的强度客观预报技术研究试验。试验包含完全预报法原理下的预报因子有无主分量分析、线性与非线性预报方法建模等方面的比较。结果表明,预报因子的主分量分析通过降低线性回归和BP人工神经网络模型的维数,提高因子间独立性,可减小模型强度预报平均绝对误差,提高模型实际预报能力。 相似文献
10.
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
11.
12.
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
13.
为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日—2020年12月31日欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）高分辨率模式（high resolution,HRES）输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高21.74%和14.17%）,在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高40.98%和20.33%）,且预报性能更加稳定。 相似文献
14.
针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350% 和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520% 和8.089%。为气温的精准预报提供了参考依据。 相似文献
15.
基于西安市2010—2013年逐日最大电力负荷和同期的气象资料,分析了日最大电力负荷的变化规律,利用最小二乘法,除去日最大负荷的节假日效应和周末效应后,将气象负荷从日最大电力负荷中分离出来,建立西安气象负荷率与气温、相对湿度、总云量、降水量、风速的相关关系,并基于2010—2012年的11月—次年2月和6—8月的资料,分别采用逐步回归、多元线性回归和BP神经网络方法建立最大气象负荷和主要气象影响因子之间的预报模型,将2013年对应时间的日最大气象负荷率作为预报效果的独立样本检验。结果显示:2010—2013年西安的日最大电荷存在明显的增长趋势,且存在明显的周末效应和节假日效应;气温是影响气象负荷率的最显著因子,引入温湿指数(THI)的BP神经网络算法对气象负荷率的拟合和预测效果最优。 相似文献
16.
利用2006~2017年北京夏季（6~8月）逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP（Back Propagation）神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。 相似文献
17.
利用BP神经网络提高奥运会空气质量实时预报系统预报效果 总被引：5，自引：3，他引：2
将BP(Back Propagation)神经网络方法引入到奥运空气质量预报工作中,利用MATLAB神经网络工具箱搭建运行平台,将高时效性的观测结果与多模式集成实时预报系统的模式输出结果相结合,做出BP神经网络拟合预报结果。在对北京大学医学部站点2008年7月7日到8月26日模式模拟结果、观测结果以及BP神经网络拟合结果的对比研究中发现:BP神经网络能大大提高模式预报效果,平均误差率减少34.7%,相关系数提高39%,特别是在模式模拟效果较差的情况下,对提高预报效果更明显。对BP神经网络样本问题进行敏感性实验结果表明,样本数目多少并不是决定拟合效果的决定性因素,应选取具有稳定映射关系的样本,才是提高拟合预报效果的关键。 相似文献
18.
通过对大同市2011-2012年PM10质量浓度、有关气象要素和参数进行随机抽样、分组,建立单隐含层BP神经网络、多隐含层BP神经网络以及RBF网络对以上数据进行调试和训练,得出：就2011-2012年预测PM10日均质量浓度样本而言,按预测效果好坏排序,多隐含层最佳BP神经网络＞单隐含层最佳BP神经网络＞RBF神经网络;从网络最小误差总和来看,三种网络对夏秋两季的预报效果最好;从预测值和实测值的拟合效果来看,RBF网络对春季和冬季PM10质量浓度的预测效果最好;多隐含层BP网络对秋季PM10质量浓度的预测效果最好;三种神经网络对夏季PM10质量浓度的预测效果都很好,优劣性差异不大. 相似文献