共查询到20条相似文献，搜索用时 31 毫秒
1.
一、引言 回归分析在长期天气预报中应用十分广泛。逐步回归是回归分析中效果较好的方法之一,逐步回归可以避免引入强相关变量所导致的求解的困难。 在长期天气预报中经常要同时制做P个站点的预报(即:多个预报量y_1、y_2…y_p),采用相同的M个预报候选因子(即:M个预报因子X_1、X_2…X_M)。对每一个预报量y_i可以分别应用逐步回归来筛选这M个因子建立预报方程: 相似文献
2.
针对前汛期广西北部暴雨洪涝灾害频发的问题，利用T213模式和日本细网格降水预报等数值预报产品，采用条件数计算选取回归因子的方法建立广西北部区域平均降水量的预报方程。进行了2004、2005年两年5-6月的前汛期业务预报应用试验。采用条件数方法建立的预报方程和传统的逐步回归预报方程的平均预报误差分别为6．3569mm和7．0096mm，同期T213模式的预报误差为7．9456mm。试验表明新方法比传统的逐步回归方程和T213模式具有更高的预报精度，有较好的业务应用前景。计算对比可知，采用条件数计算选择的预报因子间的复共线性较微弱，而逐步回归方法选择的因子间的复共线性很严重，影响了回归方程的预报效果。 相似文献
3.
广西春播期降水量预报方法研究 总被引：1，自引：1，他引：0
对广西春播期降水量序列利用３种时间序列分析法,通过相关系数与符号相关结合选取因子,建立了６种回归方程,试报结果表明：多因子场序相关相拟法有较可信的结果;在逐步回归预测方法中,多因子逐步回归优于单因子场逐步回归;集成预报的结果明显好于单一方法的结果。而在组合计算预报因子中,用５００ｈＰａ高度场、海平面气正场的滑动块状平均场作为基本因子,不仅符合降水发生所应具有的天气形势的系统性和稳定性,给自动化编程 相似文献
4.
利用计算机技术,将预报因子选取、方程建立和样本拟合融为一体,建立了预报因子选取及方程建立人机交互平台。该平台包括文件信息,因子初选和回归分析三个模块:(1)文件信息模块主要是读取预报对象文件和预报因子文件,显示并检查文件头信息样本长度的一致性;(2)因子初选模块主要是计算各气象要素或物理量场中每个格点因子与预报量之间的相关系数,构成各相关场,分析这些相关场及其关键区域,从中筛选出组合因子;(3)回归分析模块是对选入的组合因子与预报对象进行逐步回归计算,建立预报方程,并根据回归方程参数和样本拟合率,通过改变因子引入和剔除标准来调整回归结果。 相似文献
5.
6.
逐步回归计算方法是求多元回归方程的一种有效方法。它是按照一定的显著水平F_a,从大量的预报因子(自变量)中逐步地挑选对预报量(因变量)有显著影响的,即使对观测数据拟合较好的几个建立回归方程,用于预报未来。但F_a究竟取多大为好?取大了,得到的回归方程含因子个数少,拟合率不高;取小了,得到的回归方程含因子个数太多,往往预报效果不佳。因此在组建逐步回归方程时,经常对同一个问题选取几个F_a值,从而得到几个可供选用的方程。但仍然没有较好的办法确定使用哪一个方程好。 相似文献
7.
利用非线性逐步回归方法作韶关市前汛期降水量趋势的预报。在回归方程中考虑将预报因子采用多项式拟合逼近预报量，经过逐步剔除之后，选入具有较高相关显著性的非线性因子进回归方程，从而建立一个简单的多项式逼近预报量。从预测值和实测值比较来看，非线性多元回归方程预报效果还是不错的。 相似文献
8.
多预报量双重筛选逐步回归在台风路径预报中的应用 总被引：1，自引：0，他引：1
本文对通常的逐步回归进行了分析,指出在同时制作多个预报量的预报时,这方法并不十分可靠。因为这样得到的预报方程常常包含着比较大的随机误差,之所以产生上述情况,问题在于对多个预报量建立方程时,没有考虑预报量之间的关系。因此,有必要对通常的逐步回归进行改进,考虑对多个预报量同时进行筛选的逐步回归。 台风路径预报的试验结果表明:由多预报量双重筛选逐步回归建立的方程组,对相近预报时段的相同预报量,其影响的预报因子大体相同,而对于不同预报时段的不同预报量,则影响的预报因子有着显著的差异,这样得到的方程组物理意义比较明确,不仅有利于提高预报方程的预报精度,而且还有利于对不同预报方程的预报因子进行分析和改进。 相似文献
9.
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
10.
用非线性逐步回归方法作台风预测试验 总被引：1，自引：0，他引：1
利用非线性逐步回归方法作台风活动趋势的预报,在回归方程中考虑了预报因子与预报量之间的非线性关系,回归方程中选入的非线性因子具有较高的相关显著性,对１９９５－１９９７年台风预测试验表明,非线性因子在预报中起着及其重要的作用。取得了较好的预报效果。 相似文献
11.
12.
针对目前采用的统计方法存在的不足, 即在选择预报因子时没有考虑预报因子之间的相关性, 挑选的预报因子由于非正交, 使回归计算的结果不稳定, 给计算带来一定的误差。该文提出把一元线性回归分析、自然正交函数 (EOF) 和逐步回归方法结合起来, 从而得到一种新的建立统计预报模型的方法。以西安市采暖期和夏季SO2日均浓度为预报对象, 使用该方法建立预报模型。拟合及预报试验表明, 这些预报模型不但可以很好地拟合变化趋势, 而且还能作出较准确的预报, 采暖期预报的级别命中率为72.5 %, 夏季级别预报命中率为100%。通过对比试验, 此方法优于目前常用的逐步回归方法, 具有很好的应用前景。 相似文献
13.
基于KPCA的台风强度神经网络集合预报方法研究 总被引：3，自引：2，他引：1
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
14.
15.
一、前言逐步回归方法在长期预报中已被广泛采用。实践中预报因子与预报对象之间极少存在简单的线性相关。故应用线性相关普查因子,再进行逐步回归的方法做长期天气预报极其误差还是较大的。随着电子计算机的开发和应用,可以采用曲线方程普查因子,再进行逐步回归的方法做长期预报。根据“回归分析方法”一书提供的六条曲线方程,用FORTRAN语言编 相似文献
16.
17.
应用数值预报的结果作西太平洋台风路径统计预报的尝试 总被引：1，自引：0，他引：1
本文应用台风位置以北的27个网格点上的数值预报位势高度和一些持续性因子作为预报因子,采用逐步回归方法,分别建立了初始时刻后各时段内的台风位移和台风数值预报位移误差订正量的回归方程。但由于样本较少(仅84个样本),预告的稳定性可能会受到一定的影响。 相似文献
18.
刘生长 《沙漠与绿洲气象(新疆气象)》1988,(5)
引言在天气预报、农业气象预报、气候分析等实际工作中,可以利用回归分析方法建立多要素的预报方程.在建立预报方程的过程中,一个十分重要的问题是在众多的因素中,挑选出一些因素作为自变元,以建立这些变量中的最优回归方程.在挑选变元时,为避免相关分析方法的局限性,往往采用逐步回归分析方法. 但是,逐步回归分析的结果常因F检验临界值的不同而异,得到的解可以有数个.为了 相似文献
19.
为了提高紫外线预报准确率,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machines,简称SVM)回归方法建立重庆市主城区紫外线辐射强度客观预报模型。统计相关分析结果显示,不同季节影响紫外线辐射强度的主要因素并不相同。对所有相关分析因子用逐步回归方法,按方差贡献大小筛选出预报因子,以每日紫外线平均辐射量为预报对象,分季节建立预报模型。比较用不同方法建立的预报模型发现,两种非线性模型(BP模型和SVM模型)的拟合能力优于线性逐步回归模型,但独立样本检验结果表明,3种模型的预报准确率基本相当。将3种方法所建预报模型应用T213数值预报资料进行业务试报,得到较好预报效果。 相似文献
20.
利用日常接收到的地面及高空实测资料,采用滚动式相关普查方法筛选因子,给定临界值,将大于此临界值的因子保存到因子库中作为初选因子,然后用逐步回归方法建立方程,高低空因子分别建立方程,将各方程的预报值取平均,作为最后的预报值。每天都按照这一步骤制作崇左市各县24及48h最低温度预报,经过长达一个月的预报检验,效果良好。 相似文献