共查询到18条相似文献，搜索用时 109 毫秒
1.
南海热带气旋大风的遗传－神经网络集合预报 总被引：1，自引：0，他引：1
利用1980-2012年的南海热带气旋实况资料和NCEP/NCAR再分析资料,将热带气旋定位中心周边6×6格点上的地面风速作为预报对象,以气候持续预报因子和前期风速预报因子作为模型输入,采用遗传—神经网络集合预报方法,进行热带气旋定位中心周边36个格点上的风速预报模型的预报建模研究.分别对2008-2012年7-9月共368个独立预报样本进行遗传-神经网络集合方法的分月预报结果表明,南海热带气旋中心周边风速24h的预报平均绝对误差为2.35m.s-1.另外,本文还进一步将该预报方法与国内外普遍采用的逐步回归预报模型进行对比分析,在相同的预报量和预报因子的条件下的对比分析表明,新预报模型对≥10m.s-1的强风预报结果较逐步回归方法的优势明显,预报性能较好,可为沿海热带气旋大风预报提供新的参考. 相似文献
2.
南海热带气旋强度预报的线性模型与非线性模型研究 总被引：1，自引：0，他引：1
以1980—2012年共33 a的6—10月在南海生成或西行进入南海海域的热带气旋样本为基础,采用线性回归方法和非线性人工神经网络方法,分别进行12～72 h各个预报时效的南海热带气旋强度预报模型建模研究。根据相同的热带气旋个例,相同的预报因子,将逐步回归预报模型、BP神经网络预报模型和遗传-神经网络预报模型进行比较。试验预报结果表明,非线性的神经网络预报模型比线性的回归模型有更好的预报能力;而同为非线性模型,遗传-神经网络模型比BP神经网络预报模型预报能力更强。 相似文献
3.
以神经网络方法为基础,建立西北太平洋热带气旋强度预测模型,模型首先进行历史相似热带气旋选择。从选择的样本出发,计算得到一组气候持续因子、天气学经验因子和动力学因子, 对这些因子采用逐步回归方法进行筛选,将筛选得到的因子同对应时效的热带气旋强度输入神经网络训练模块,从而得到优化的预测模型。从2004-2005年西北太平洋26个热带气旋过程对12,24,36,48,72h等不同预报时效分别进行的634,582,530,478,426次预测试验结果的统计来看,相对于线性回归模型预测水平,该模型显著降低了各时段的预测误差。从几个热带气旋个例的预测结果来看, 该模型对超强台风, 以及具有强度迅速加强、再次加强等特征的热带气旋过程均有很好的描述能力。 相似文献
4.
利用日本MTSAT (multi-functional transport satellite) 红外亮温资料,提取热带气旋云团中云顶较高、对流较旺盛的深对流信息,根据提取的对流核数量、对流核距热带气旋中心距离、对流核亮温极值等信息表征热带气旋强弱,初步建立了热带气旋强度估测模型;并根据该估算模型的误差分布对强度 (用最大风速表示) 大于40 m·s-1和小于18 m·s-1的样本结果进行了线性修正,修正后的结果与中国气象局《热带气旋年鉴》热带气旋最佳路径资料比较得到非独立样本和独立样本的强度平均绝对误差分别为5.5 m·s-1和5.9 m·s-1, 均方根误差分别为6.9 m·s-1和7.7 m·s-1;对于热带低压、强台风及以上的估计平均绝对误差分别降至4.9,4.7 m·s-1,准确度较好。试验表明:利用热带气旋云团中的对流核数量、分布、冷暖与其强度建立的统计关系模型是可行的,该算法的估算精度与Dvorak方法、AMSU (advanced microwave sounding unit) 定强算法相当。 相似文献
5.
基于局部线性嵌入的人工智能台风强度集合预报模型 总被引：3，自引：2，他引：1
利用局部线性嵌入算法通过学习挖掘高维数据集的内在几何结构,高效地实现维数约简和特征提取的能力,论文以2001—2012年共12年6—9月西北太平洋海域内生成的台风样本为基础,将气候持续因子作为台风强度的基本预报因子,采用局部线性嵌入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,以进化计算的粒子群算法,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,进行了分月台风强度预报模型的建模研究。在建模样本、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预报试验。试验对比结果表明,前者较后者在6、7、8和9月24 h台风强度预报中,平均绝对误差分别下降了23.34%、24.46%、19.41%和27.45%,4个月的平均绝对误差下降了23.10%;48 h台风强度预报中,6—9月平均绝对误差分别下降了44.82%、16.73%、0.89%和49.26%,4个月的平均绝对误差下降了25.54%。进一步研究发现,在变动局部线性嵌入算法忌近邻个数的情况下,建立的台风强度集合预报模型,其预报结果稳定可靠,相对于气候持续法均为正的预报技巧水平,为台风强度客观预报提供了新的预报工具和预报建模方法。 相似文献
6.
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
7.
数值模式的热带气旋强度预报订正及其集成应用 总被引：2，自引：0，他引：2
提供热带气旋强度预报产品的业务数值天气预报模式有很多,并已表现出一定的预报技巧,为提高对模式热带气旋强度预报产品的定量应用能力,分析2010—2012年7个业务数值模式的西北太平洋热带气旋强度预报,发现预报误差不仅受到模式热带气旋初始强度误差的显著影响,还与热带气旋及其所处环境的初始状况有密切关系,包括热带气旋初始强度、尺度、移速、环境气压、环境风切变、热带气旋发展潜势等。根据这些因子与各模式热带气旋强度预报误差之间的相关性,采用逐步回归方法建立热带气旋强度预报误差的统计预估模型,并通过逐个热带气旋滚动式建模来进行独立样本检验。检验结果表明,基于误差预估的模式订正预报比模式直接输出的热带气旋强度预报有显著改进,在此基础上建立的热带气旋强度多模式集成预报方案相对气候持续性预报方法在12 h有28%的正技巧,在24—72 h则稳定在15%—20%,具有业务参考价值。 相似文献
8.
用数字云图确定热带气旋强度的原理和方法 总被引：5，自引：1，他引：5
本文采用数字云图资料，分析热带气旋强度与热带气旋中云系结构的关系，提出了云系结构紧密度因子的概念并用云带旋转的圈数表示热带气旋强度的方法。本文对原有关于热带气旋中云系结构的某些因子的取值作了适当调整， 改进了用增强红外云图确定热带气旋强度的方法。 经过对2446组样本的拟合，热带气旋强度最大风速估计值的平均绝对误差为2.48 m/s。本方法可以实现人机交互，能更客观地作出定量估计。对1993年12个热带气旋检验，最大风速平均绝对误差为2.31 m/s。 相似文献
9.
10.
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
11.
夏季南海台风移动路径的一种客观预报方法 总被引：1，自引：0，他引：1
以1960—2003年共44a夏季的7月、8月、9月西行进入南海海域的台风样本为基础,综合考虑南海台风移动路径的气候持续因子和数值预报产品物理量因子,运用条件数方法选取因子并建立回归方程,进行台风路径预报模型的预报建模研究。通过对比分析发现,基于条件数方法的南海台风移动路径模型具有较好的预报效果,7月、8月、9月3个月24h台风路径预报的平均距离误差为153．9km,预报能力明显高于目前国内外的其他一些台风路径客观预报方法。该方法的预报精度相对于逐步回归方法有了很大的提高,相对于气候持续法也为正的预报技巧水平。 相似文献
12.
A prediction scheme with genetic neural network and Isomap algorithm for tropical cyclone intensity change over western North Pacific 总被引：1，自引：1，他引：0
A western North Pacific tropical cyclone (TC) intensity prediction scheme has been developed based on climatology and persistence (CLIPER) factors as potential predictors and using genetic neural network (GNN) model. TC samples during June–October spanning 2001–2010 are used for model development. The GNN model input is constructed from potential predictors by employing both a stepwise regression method and an Isometric Mapping (Isomap) algorithm. The Isomap algorithm is capable of finding meaningful low-dimensional architectures hidden in their nonlinear high-dimensional data space and separating the underlying factors. In this scheme, the new developed model, which is termed the GNN-Isomap model, is used for monthly TC intensity prediction at 24- and 48-h lead times. Using identical modeling samples and independent samples, predictions of the GNN-Isomap model are compared with the widely used CLIPER method. By adopting different numbers of nearest neighbors, results of sensitivity experiments show that the mean absolute prediction errors of the independent samples using GNN-Isomap model at 24- and 48-h forecasts are smaller than those using CLIPER method. Positive skills are obtained as compared to the CLIPER method with being above 12 % at 24 h and above 14 % at 48 h. Analyses of the new scheme suggest that the useful linear and nonlinear prediction information of the full pool of potential predictors is excavated in terms of the stepwise regression method and the Isomap algorithm. Moreover, the GNN is built by integrating multiple individual neural networks with the same expected output and network architecture is optimized by an evolutionary genetic algorithm, so the generalization capacity of the GNN-Isomap model is significantly enhanced, indicating a potentially better operational weather prediction. 相似文献
13.
利用1951—2006年西北太平洋 (含南海) 热带气旋资料, 研究了不同强度热带气旋的气候变化特征。结果表明:超强台风 (近中心最大风速≥58m/s, 简称超强台风Ⅱ) 频数、强度和初、终旋日期的变化特征都不同于其他级别热带气旋; 西北太平洋热带气旋的总频数有长期减少趋势, 主要由热带低压和超强台风Ⅱ的长期减少趋势引起; 随着热带气旋强度增强, 出现月最大频数的月份逐渐推迟; 超强台风月频数最大值发生在秋季; 超强台风Ⅱ频数的年变化与除了超强台风Ⅰ(近中心最大风速为51~58m/s) 外的其他级别热带气旋反相关; 受超强台风Ⅱ减少影响, 热带气旋年平均最大风速有减小的长期趋势; 热带气旋的初、终旋日期没有显著的长期变化趋势, 但超强台风Ⅱ的初旋日期有推迟趋势, 终旋日期有提前趋势, 发生时间缩短。 相似文献
14.
西北太平洋热带气旋强度统计释用预报方法研究 总被引：4，自引：1，他引：4
为了提高西北太平洋地区热带气旋（TC）强度预报准确率，在气候持续预报方法基础上，考虑气候持续性因子、天气因子、卫星资料因子，以TC强度变化为预报对象，运用逐步回归统计方法，建立西北太平洋地区24、48、72小时TC强度预报方程。通过不同的分海区试验（远海区域、华东近海、华南近海），证明回归结果较好。逐一分析选入因子发现：气候持续性因子在方程中相当重要；同时对远海区域和华东近海而言，海温影响也不容忽视，对华南近海而言，反映动力强迫作用的因素也较为重要。卫星资料的加入，对回归结果略有改进。用“刀切法”作独立样本检验，与气候持续法比较，预报误差明显减小。 相似文献
15.
16.
2008年7月18日对0807号台风海鸥进行了无人机探测工作。该次探测为中国大陆首次利用无人机直接向台风中心方向飞行, 进行台风基本气象要素的探测。无人机对台风海鸥进行了近4 h的飞行探测, 飞行高度为500 m, 距台风中心最近距离为108.4 km, 成功获得了探测时段内的温度、气压、相对湿度、风向、风速及海拔高度等基本气象要素数据。结果表明:气压和海拔高度呈显著性相关 (r=-0.98);距离台风中心越近, 气压越低, 风速越大, 温度也呈明显下降趋势; 地面至300 m的平均温度梯度为-1.02 ℃/100 m, 300~500 m的平均温度梯度为-0.46 ℃/100 m, 近地面的温度随高度变化较大; 探测时段内, 风速最大值为22.3 m/s, 平均值为15.1 m/s。 相似文献
17.
利用风云四号A星(FY-4A)装载的闪电成像仪探测到的闪电实时定位资料和中央气象台提供的台风定位资料,分析了2019年第9号超强台风“利奇马”的闪电时空演变特征。结果表明:“利奇马”在强台风阶段的日平均闪电密度最大,其次是超强台风阶段。处于增强阶段(△V>0 m·s^-1)时的闪电活动强于减弱阶段(△V<0 m·s^-1),气旋强度稳定时(-5 m·s^-1≤△V<5 m·s^-1),闪电活动最弱。台风成熟以后闪电密度基本呈现出三圈结构。闪电的空间分布具有不对称性,在台风移动方向左侧的闪电数量明显多于右侧。台风外围雨带中的闪电远远多于台风中心发生的闪电,台风中心发生的闪电所占比例不到总数的1%。在台风两次增强阶段均出现闪电的爆发,在台风最强阶段也有较多的闪电发生。在台风最强时期的前半段,眼壁闪电数明显爆发至最大,在台风减弱阶段,眼壁闪电发生很少。 相似文献
18.
复共线性关系对逐步回归预报方程的影响研究 总被引：1，自引：0，他引：1
针对气象预报中常用的逐步回归预报建模方法,由于没有直接考虑筛选出的预报因子之间可能存在复共线性关系会影响气象预报方程的预报性能问题,提出了在初选的大量气象预报因子(自变量)中,采用条件数计算分析方法,选择复共线性关系小的预报因子组合建立预报模型的方法.以重要气象灾害的预报难点--台风预报为例,用大样本分别建立了12个台风移动经度、纬度的条件数预报方程和逐步回归预报方程.对比分析结果表明,由于条件数计算分析有效控制了预报因子间的复共线性关系,因此,在相同的预报因子(自变量)和预报对象(因变量)条件下,分月建立的条件数台风移动路径预报方程,虽然历史建模样本的拟合精度略低于逐步回归预报方程,但是对独立样本的预报精度明显提高,其中7、8和9月条件数预报方程的预报误差平均为153.9 km,而相应的逐步回归预报误差平均为229.2 km,两者相差75.3 km.进一步研究发现,在F值分别取1.0、2.0和3.0的情况下,建立的台风移动路径的逐步回归预报方程,其预报误差也明显大于条件数预报方程.另外,由于预报因子组合的复共线性的影响,逐步回归方程还出现了在个别点预报误差极大的不合理情况. 相似文献