共查询到10条相似文献,搜索用时 15 毫秒
1.
神经网络方法在广西日降水预报中的应用 总被引:7,自引:3,他引:7
以广西前汛期5、6月区域平均日降水量作为预报对象,采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解,有效浓缩数值预报产品因子的预报信息,并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验,并与T213的降水预报进行对比分析。结果表明,本文建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报。 相似文献
2.
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
3.
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
4.
以南宁市所辖8个站暴雨集中的6-8月逐日降水量作为预报对象,采用人工神经网络方法进行了新的数值预报产品释用预报方法研究.通过运用动力相似法,结合日本降水预报模式对未来暴雨发生的可能性进行判别,然后通过对欧洲中期数值预报中心预报场进行滑动分区车氏展开计算,求出与降水量序列相关较好的预报因子,并对这些因子进行自然正交分解,有效浓缩数值预报产品因子,建立了南宁市逐日暴雨的神经网络释用预报模型.利用该预报模型,对2006年6-8月的逐日暴雨预报试验结果表明,该预报模型对南宁市的暴雨强降水具有很好的预报能力. 相似文献
5.
建立预报模型前, 对降水量进行一定的处理会对预报效果有较大的影响。对于降水量为0的样本, 根据对应的相对湿度情况分别赋予0或不同的负值, 并通过神经网络方法, 以中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式相应的降水量预报结果作为预报因子, 利用2003年和2004年夏季资料分别建立了处理后降水量以及未经处理降水量的预报模型。以北京等站为例, 2005年夏季试报结果的对比分析表明:通过相对湿度对降水量进行适当处理后, 预报结果从TS评分、空报率、漏报率及预报偏差来说, 不论是与不进行处理的预报结果还是与模式直接的预报结果相比都有提高, 尤其是减少了空报的情况。该处理方法简单可行, 并且对降水预报效果提高明显。 相似文献
6.
选用2008、2009和2010年5-10月的云顶亮温、云顶亮温梯度、水汽云图、总云量和云分类等云图资料,雷达基本反射率资料及自动站1h降水量资料,采用BP神经网络建立预报模型、传统Z-I关系及云分类Z-I关系,对距昆明雷达站大于20 km、小于150 km区域里且2008年已建有自动站的18个测站进行3h降水估测研究.通过研究,得到使用BP神经网络建立预报模型估测降水,在与实测降水的误差方面,比使用传统Z-I关系及云分类Z-I关系估测降水略有减小.本研究也是对综合利用卫星和雷达资料估测降水进行尝试. 相似文献
7.
以湖北省清江上游水布垭控制流域为例,利用分组Z-I关系并结合地面雨量站资料对雷达估算降水进行校准,计算出流域实况平均面雨量;再利用遗传算法和神经网络相结合的方法建立订正AREM预报降水的模型;最后,将订正前后的AREM预报降水输入新安江水文模型进行洪水预报试验。结果表明:订正后AREM预报降水能明显提高过程的累计降水量预报精度,平均相对误差减小幅度在60%以上,对逐小时过程降水预报精度也有一定提高,但与实况相比仍有一定差距;订正前后AREM预报降水的洪水预报试验的确定性系数的场次平均从-32.6%提高到64.38%,洪峰相对误差从39%减小到25.04%,确定性系数的提高效果优于洪峰相对误差,整体上洪水预报精度有所提高。 相似文献
8.
利用卷积神经网络(CNN)和随机森林回归模型,提出了一种新的欧洲中期天气预报中心(ECMWF)降水订正预报方法。该方法首先根据ECMWF模式对站点雨量预报值所属的等级进行划分,再计算出不同等级相对应的高相关因子矩阵。进一步利用CNN模型对高相关矩阵进行综合特征提取的学习和训练。最后对CNN模型最终输出的特征因子中,选取若干个与预报站点相关性高的特征,并与ECMWF降水量场插值到预报站点的因子一起,作为随机森林回归模型的输入因子进行预报建模。通过对10个预报试验站点未来24h降水量的分级和不分级订正预报试验,结果表明:(1)ECMWF降水量分级订正预报方法的平均绝对偏差和均方根误差分别比利用ECMWF插值到站点的预报方法减小了20%和15%;(2)24h暴雨及以上的降水分级订正预报方法的平均TS评分为0.32,也显著高于EC插值的0.19;(3)与利用同样的预报模型对全样本(不分级)的传统数值预报模式产品订正预报方法相比,本文提出的分级订正预报方法在总体预报精度和暴雨及以上的强降水预报TS评分上均有更高的预报技巧。 相似文献
9.
基于奇异谱分析的江淮降水场预测模型研究 总被引:3,自引:1,他引:3
中国的降水预报主要是对汛期(夏季)的单站降水量或区域的降水型态进行预报,而主要的预报方法为动力学方法和统计学方法。据此,利用江淮地区的月降水量标准化序列,得到江淮地区降水时空分布型态。并在此基础上,利用奇异谱分析和时间序列的分析方法,设计了统计学的降水预测模型,对江淮地区的月降水量进行了预测试验。结果表明,模型能对江淮降水场的趋势作出较好的预报,且递推时间短时预报效果较好。 相似文献