共查询到10条相似文献，搜索用时 375 毫秒
1.
针对传统方法采用天气雷达进行强降水的定量估测存在较大偏差问题,论文以1 h累计雨量为估测对象,基于雷达组网拼图资料,采用XGBoost(eXtreme Gradient Boosting)算法,建立新的雷达估测降水模型。该模型设计以前1 h的雷达组合反射率因子作为输入,进一步采用若干个剔除异常样本的策略有效清除建模样本中的部分噪声,更好地构建了雷达组合反射率与估测对象之间的非线性映射关系。在32万个独立检验样本的估测结果中,其均方根误差(RMSE)为6.04 mm、平均绝对误差(MAE)为3.50 mm、预报偏差(BIAS)为1.05;与目前业务系统上使用的ZR(300,1.4)关系方法相比,前者的RMSE和MAE分别下降了20.6%和10.3%,而BIAS指标则显示后者对降水量级的估测明显低估。进一步对小时雨强大于10 mm样本的统计结果表明,新方案的RMSE、MAE以及TS评分均大幅优于ZR(300,1.4)关系方法,可进行实际业务应用。 相似文献
2.
以广西电网直调水电厂所处的西江流域为研究对象,基于GIS技术,在对西江流域面雨量监测区域基础信息处理基础上,采用比较分析方法,开展分流域面雨量计算方法研究,结果表明:(1)以1:5万数字高程模型为数据基础,针对西江流域河网、自动气象站、水电站等分布特点,结合水系、等高线特征,沿水系分水岭对西江流域干流进行精细化分区,为分流域面雨量计算提供基础参数;(2)对分流域面雨量采用算术平均法与泰森多边形法计算,结果为两种方法计算结果偏差较小,取算术平均法为流域分区面雨量计算方法;(3)逐小时处理、计算面雨量实时数据,实现西江流域面雨量的实时监测与预警服务。 相似文献
3.
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
4.
5.
近年来支持向量机(support vector machine,SVM)在气象领域得到了广泛应用,在该类应用中单一建模是目前普遍采用的一种思路,单一建模方法寻找的是大而泛的预测模型,预测的目标以面降雨为主。本研究针对每个气象站点进行单独动态建模,建模方法为多时间尺度SVM,探索建立一种动态SVM短时临近降水预测模型,充分考虑不同站点、不同时刻的气象要素差异,初步解决了单一建模过于注重整体规律、建立固定的整体预测函数模型而忽略不同站点、不同时刻局部气象变化的不足,并尝试提高短时临近降水预报的准确率。初步实现了地理空间上更高密度、更精细化的降雨预测,时间分辨率为1 h,TS评分始终保持在较高的水平,对1 h预测的TS评分平均可达40%以上,部分站点接近50%,且模型预测准确率具有一定的稳定性和参考价值。 相似文献
6.
人工神经网络预报模型的过拟合研究 总被引：35，自引：0，他引：35
针对神经网络方法在预报建模中存在的“过拟合”(overfitting)现象和提高泛化性能 (generalizationcapability)问题 ,提出了采用主成分分析构造神经网络低维学习矩阵的预报建模方法。研究结果表明 ,这种新的神经网络预报建模方法 ,通过浓缩预报信息 ,降维去噪 ,使得神经网络的预报建模不需要进行适宜隐节点数的最优网络结构试验 ,没有“过拟合”现象 ,并且与传统的神经网络预报建模方法及逐步回归预报模型相比泛化能力有显著提高 相似文献
7.
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
8.
GM(1,1)模型是灰色系统理论的核心预测模型,对GM(1,1)模型的建模条件进行研究是提高模拟精度的基础.采用理论证明和数值算例相结合的方法对GM(1,1)模型的建模条件进行研究,拓展了经典灰色预测模型的级比判定条件.结果表明:当原始序列的累加序列值都相等时,发展系数不存在;提高原始序列光滑度不是提高模拟精度的充分条件. 相似文献
9.
针对西江流域的洪涝灾害,利用流域的水文参量和气象参量作为自变量,探索基于人工神经网络的洪涝预报方法。以西江流域梧州市1971~2003年超过警戒水位(17.0m)共125次作为研究对象,选取流域的水文参量和气象参量作为预报因子,对数量众多预报因子采用自然正交分解(EOF)方法,浓缩大量因子的有效信息,建立了西江流域梧州洪涝的人工神经网络预报模型。结果表明:所建立的预报模型历史拟合平均绝对百分比误差为2.21%,平均绝对误差为0.43m,预报结果平均绝对百分比误差为2.34%,平均绝对误差为0.45m,预报效果较好,可应用于实际的洪涝预报中。 相似文献
10.
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