共查询到14条相似文献，搜索用时 109 毫秒
1.
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
2.
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
3.
选取1981—2018年影响广西且灾情记录比较完整的86个台风样本,基于台风灾害伤亡人数、直接经济损失划分灾情等级,选取致灾因子,利用遗传算法与神经网络相结合的方法建立广西台风灾害评估模型。结果表明：选取的台风灾害致灾因子与台风灾情等级之间具有显著的相关性,构建的遗传—神经网络集合预报模型对台风灾情预估效果较好,训练样本拟合一致率为86.1%,测试样本预报准确率为71.4%,其中严重和较重的台风灾情等级预报结果与实况基本一致,较轻等级的预报准确率达83.3%。 相似文献
4.
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
5.
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
6.
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
7.
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
8.
基于遗传算法的神经网络短期气候预测模型 总被引：15，自引：3，他引：12
用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,进行短期气候预测建模研究。该方法克服了由于神经网络初始权值的随机性和网络结构确定过程中所带来的网络振荡,以及网络极易陷入局部解问题。作为应用实例,以广西全区4月份平均降水作为预报量及前期500hPa月平均高度场,海温场高相关区作为预报因子,建立基于遗传算法的神经网络短期气候预测模型。将这种方法与传统的逐步回归方法作对比分析,结果表明,该方法具有预报精度高,稳定性好的特点。 相似文献
9.
以1960-2007年共48年6月份西行进入南海海域的热带气旋样本为基础, 将热带气旋中心附近最大风速作为台风强度, 以气候持续预报因子作为模型输入, 采用模糊神经网络方法, 进行了热带气旋强度预报模型的预报建模研究。结果表明, 对175个独立预报样本模糊神经网络方法的南海热带气旋强度24 h的预报平均绝对误差为3 m·s-1。另外, 根据相同的热带气旋样本及预报因子, 还进一步将该预报方法与国内外普遍采用的气候持续法热带气旋强度预报方法进行对比分析, 结果表明, 气候持续预报方法的预报误差明显偏大, 独立样本强度预报平均绝对误差为4.54 m·s-1。 相似文献
10.
11.
After the consideration of the nonlinear nature changes of monsoon index,and the subjective determination of network structure in traditional artificial neural network prediction modeling,monthly and seasonal monsoon intensity index prediction is studied in this paper by using nonlinear genetic neural network ensemble prediction（GNNEP）modeling.It differs from traditional prediction modeling in the following aspects： （1）Input factors of the GNNEP model of monsoon index were selected from a large quantity of preceding period high correlation factors,such as monthly sea temperature fields,monthly 500-hPa air temperature fields,monthly 200-hPa geopotential height fields,etc.,and they were also highly information-condensed and system dimensionality-reduced by using the empirical orthogonal function（EOF）method,which effectively condensed the useful information of predictors and therefore controlled the size of network structure of the GNNEP model.（2）In the input design of the GNNEP model,a mean generating function（MGF）series of predictand（monsoon index）was added as an input factor;the contrast analysis of results of predic- tion experiments by a physical variable predictor-predictand MGF GNNEP model and a physical variable predictor GNNEP model shows that the incorporation of the periodical variation of predictand（monsoon index）is very effective in improving the prediction of monsoon index.（3）Different from the traditional neural network modeling,the GNNEP modeling is able to objectively determine the network structure of the GNNNEP model,and the model constructed has a better generalization capability.In the case of identical predictors,prediction modeling samples,and independent prediction samples,the prediction accuracy of our GNNEP model combined with the system dimensionality reduction technique of predictors is clearly higher than that of the traditional stepwise regression model using the traditional treatment technique of predictors,suggesting that the GNNEP model opens up a vast range of possibilities for operational weather prediction. 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.
Sukanta Kumar Das Sanjib Kumar Deb C. M. Kishtawal P. K. Pal 《Theoretical and Applied Climatology》2012,109(1-2):81-94
Seasonal prediction of Indian Summer Monsoon (ISM) has been attempted for the current year 2011 using Community Atmosphere Model (CAM) developed at the National Centre for Atmospheric Research (NCAR). First, 30?years of model climatology starting from 1981 to 2010 has been generated to capture the variability of ISM over the Indian region using 30 seasonal simulations. The simulated model climatology has been validated with different sets of observed climatology, and it was observed that the simulated climatological rainfall is affected by model bias. Subsequently, a bias correction procedure using the Tropical Rainfall Measuring Mission (TRMM) 3B43 rainfall has been proposed. The bias-corrected rainfall climatology shows both spatial and temporal variability of ISM satisfactorily. Further, four sets of 10-member ensemble simulations of ISM 2009 and 2010 have been performed in hindcast mode using observed sea surface temperature (SST) and persistence of April SST anomaly, and it has been found that the bias-corrected model rainfall captures the seasonal variability of ISM reasonably well with some discrepancies in these two contrasting monsoon years. With this positive background, the seasonal prediction of ISM 2011 has been carried out in forecast mode with the assumption of persistence of May SST anomaly from June through September 2011. The model assessment shows an 11% deficiency in All-India Rainfall (AIR) of ISM 2011. In particular, the monthly accumulated rains are predicted to be 101% (17.6?cm), 86% (24.3?cm), 83% (21.0?cm) and 95% (15.5?cm) of normal AIR for the months of June, July, August and September, respectively. 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