共查询到19条相似文献，搜索用时 125 毫秒
1.
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
2.
基于BP和Elman神经网络的福建省汛期旱涝预测模型 总被引：3，自引：1，他引：3
建立了福建汛期旱涝BP和Elman神经网络预测模型，并对两种模型的性能和差异进行了比较，结果表明：动量BP网络模型，特别是具有局部反馈特性的Elman网络模型具有较好的拟合精度和预报效果。此外两种模型对旱涝等级为2和4的预测偏差较大，而对旱涝等级为3的预测较为准确。 相似文献
3.
4.
月降水量的年际变化具有显著的非线性变化特征,预测难度大,历来是重大气象灾害预测的重点难点问题。BP(back propagation)神经网络在月降水量预测业务中的研究和应用中,取得了较好的成果,其中应用较广泛的是PCA-BP神经网络模型、遗传算法优化神经网络、RBF神经网络预测模型、小波神经网络模型、粒子群-神经网络模型等,这些方法也在广西月降水量预测业务中得到很好的应用,对提高月降水量预测能力有较大帮助。因此,有必要对目前神经网络在月降水量预测中的优势和不足进行综述,提出未来研究需要关注的重点关键问题。 相似文献
5.
投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究 总被引：1，自引：0，他引：1
以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明：投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。 相似文献
6.
以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明:投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。 相似文献
7.
利用2005年4次降雨过程的多普勒雷达体扫的回波强度资料及相应的雨量计观测资料, 通过BP神经网络方法来估测临沂地区的降雨量, 同时以改进的最佳窗概率配对法建立的Z-R关系估测的降雨量为对照, 进一步验证BP神经网络方法的优越性。根据各个站点的平均相对误差、 均方根差、 相关系数和相关曲线斜率4个指标的比较, 小时雨量和累计降雨量估测结果表明： BP神经网络估测精度要明显优于Z-R关系式, 训练样本的精度高于检验样本的精度, BP神经网络估测的降雨量与站点实测雨量吻合性较好, 能够较真实地反映地面降雨情况; Z-R关系式估测的降雨量随着雨强的不同表现为不同程度的低估现象。 相似文献
8.
基于前期ERA5逐月再分析数据, 应用3种机器学习算法(Lasso回归、随机森林和神经网络)对辽宁省初霜冻日期进行预测评估。Lasso回归算法提取对初霜冻日期预测有重要指示意义的气象要素特征集, 通过交叉验证和超参数调优建立初霜冻日期预测模型, 利用均方根误差(RMSE)和距平同号率方法定量定性地评估模型的预测效果。结果表明: 特征选择后的气象要素特征集建模提升了模型的泛化能力、可解释性和稳定性; Lasso回归模型在4月起报的预测效果最好(RMSE为6—8 d), 神经网络模型在5月起报性能最好(RMSE为6—9 d), 随机森林模型在3月起报性能最好(RMSE为8—9 d); 辽宁全省大部分站点距平同号率为50%—70%, 其中Lasso回归和神经网络模型为5月起报最高(约为68%), 随机森林算法为3月起报最高(约为62%)。特征选择和敏感性实验结果发现, 低植被覆盖比例是初霜冻日期预测关键预测因子, 植被覆盖率越高越有利于地表含水量保持, 降温容易产生霜冻, 初霜冻日期也就越易提前, 去掉低植被覆盖比例因子后模型预测效果显著下降, 也表明该因子是模型建模的前期关键因子。 相似文献
9.
基于SSA-MGF的BP神经网络多步预测模型 总被引：3，自引：2，他引：3
采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。 相似文献
10.
11.
应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具“潜力”的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。 相似文献
12.
天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。 相似文献
13.
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
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.
集成方法有利于提高降水要素预报的准确性和可预报性。本文基于格点实况资料和智能网格预报、西南区域数值预报、ECMWF模式预报、GRAPES模式预报产品，以面雨量为研究对象，采用多元回归法、BP神经网络法、评分权重法、加权集成预报法和算术平均法，得到集成面雨量预报，再运用平均绝对误差、模糊评分、正确率、TS评分、偏差分析等方法，对2020年4—10月金沙江下游面雨量预报效果进行对比分析。结果表明：多元回归集成法和BP神经网络法的预报效果总体上优于其他几种集成方法。在考虑流域面雨量的预报量级时，下游可以采用预报量级较小的模式和集成方法。集成后偏差百分比均有降低，且多元回归法和BP神经网络法对预报量级较小的模式有矫正作用。在面雨量有无、小雨和中雨预报中，多元回归法集成效果较好，在大雨量级预报中，BP神经网络法集成效果较好。这些结论可为流域面雨量预报提供参考借鉴。 相似文献
16.
17.
海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。 相似文献
18.
BP神经网络在长期天气过程预报中的应用试验 总被引：3，自引：2，他引：3
采用误差反传前向网络(简称BP网络)方法,以日、月相概率作为输入因子,建立长期天气预报模型。结果表明,模型的业务预报试验效果比较理想,对较大降水和升(降)温过程均有一定预报能力,相对于传统的单纯运用日、月相概率预报长期天气过程的方法,BP神经网络方法具有预报较客观、准确率较高等特点,在目前长期天气预报理论和数值预报模式尚不能用于实际业务的情况下具有较大的应用价值。 相似文献
19.
从研究人工智能雷电临近预警模型的目的出发,以卷积神经网络模型为基础,结合多个时间序列的雷达产品(组合反射率、液态水含量、回波顶高)与闪电数据,对雷电临近预报方法进行基于卷积神经网络结构的应用,以福建省2017—2018年雷达、闪电数据为样本完成了模型的训练与预测研究。训练结果显示,15~30 min模型训练样本测试集准确率为0.7985;选取福建省2019年20个雷电过程验证分析表明,15~30 min模型对动力抬升型雷电过程预警TS评分为0.716,夏季局地热雷暴预警TS评分为0.694,与常规采用雷达、闪电阈值控制的雷电预警算法相比,准确率有一定的提高,具有一定的实践意义。 相似文献