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

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。     

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

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。     

基于SSA-MGF的BP神经网络多步预测模型

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。     

陕西省汛期降水气候异常成因分析及预测

采用1959-2002年陕西省36个代表站汛期(6-9月)降水资料,制作汛期降水空间分布场及变差系数分布场,明确了陕西汛期降水的基本气候特征.通过分析影响陕西汛期典型旱、涝年的主要成因,建立汛期降水预测物理概念模型,为汛期降水旱涝异常预测提供气候背景.用逐步回归统计预测方法,经过物理因子普查,找出与汛期降水相关性好的强信号,建立了10地(市)汛期降水预测模型.     

用地温资料对新会汛期降水的回归分析

根据新会1987—2006年浅层地温资料，分别用逐步回归方法和最优子集回归方法对新会汛期降水进行拟合与预测，并用双评分准则（CSC）确定预测模型。结果表明，用逐步回归方法和最优子集回归方法建立的回归方程都能达到a=0．01的显著水平；根据预报方程的各项指标，最优子集回归方法建立的回归方程的效果较逐步回归方法建立的回归方程好。     

陕西汛期降水年际增量预测新技术研究

应用年际增量预测方法,通过分析影响陕西汛期降水的物理机制,建立了具有较高预测效能的陕西汛期降水年际增量预测模型。研究表明,赤道太平洋中东部海温年际增量、500 hPa高度年际增量与陕西汛期降水具有很好的相关性。当前一年秋、冬季赤道太平洋中东部海温增量在南北方向上表现为“－＋－”分布型时,陕西当年汛期降水偏多,反之,陕西当年汛期降水偏少。当前一年秋、冬季500 hPa高度年际增量在赤道附近呈带状正值分布时,陕西当年汛期降水偏多;呈带状负值分布时,陕西当年汛期降水偏少。国家气候中心提供的74项环流特征量、陕西省0 cm地温增量因子与陕西汛期降水也有很好的相关关系。在对预测因子物理意义分析的基础上,用逐步回归方法引入因子,建立陕西10个气候区域的汛期（6—8月）降水总量和各分月（6、7、8月）的降水年际增量预测模型（共40个）,汛期降水总量预测模型交叉检验距平同号率达78.4%。对2010—2013年汛期降水总量和各分月降水量进行试报,其准确率PS评分分别达到75.8和66分。增量预测方法具有较强的预测能力,能够在一定程度上提高陕西汛期降水预测水平,可作为有效方法投入实际业务应用。     

近50年来东莞气温年际变化的长期特征分析

运用福建省25个代表站汛期降水量资料，得到了能够反映全省旱涝状况指标，以此指标为预报量，运用相关分析和逐步回归分析方法，从前期海温场、大气环流场中选取了预报因子，并据此建立了福建汛期旱涝的多元线性回归和RBF神经网络预测模型。结果表明，RBF神经网络模型在历史样本拟合精度上、样本交叉检验和模型的实际预测能力上都明显优于传统的线性回归方法，该模型在实际预测中具有良好的应用能力和推广价值。     

福建汛期降水主分量逐步回归预测模型研究

建立福建汛期降水量气候场的主分量逐步回归预测模型,通过预测福建汛期降水量气候场的主分量来实现对福建汛期降水量场的预测。选取北半球500 hPa高度场、太平洋海温场、北半球海平面气压场等含不同区域不同季节的诸多因子场的前若干主分量因子作为预测因子。计算分析了福建汛期降水场的主分量分布特征和分型特点。利用相关筛选和双重检验逐步回归方法,建立福建汛期降水场与多个因子场的关系,建立主分量的预测方程。通过对2012年福建汛期降水的预报,发现该模型对福建汛期降水的趋势和分布有较好的预测能力。     

基于年际增量法的青藏高原南部汛期降水预测研究

针对青藏高原南部汛期降水预测研究少和预测难度大的问题,通过分析1981-2010年青藏高原南部汛期降水与国家气候中心发布的88项大气环流指数、26项海温指数和16项其他指数年际增量的相关性,采用逐步回归法筛选出与降水相关的最优预测因子组合,在此基础上建立了高原南部汛期降水年际增量与预测因子的物理统计预测模型,并对2011-2019年的汛期降水进行了独立样本回报检验。结果表明,该模型的预测准确率很高,降水年际增量和距平同号率均达到7/9,距平百分率均方根误差为13%,降水相对误差在±15%以内的年份占比高达8/9。可见,该模型能够提高高原南部汛期降水预测能力。最后,利用NCEP/NCAR再分析月平均资料和NOAA海表温度月平均资料研究了预测因子影响高原南部汛期降水的物理机制。     

用动态时间序列周期分析预测模型作郑州汛期降水预报

动态时间序列周期分析预测模型是将多层递阶方法与逐步回归周期分析的基本原理相结合,可以有效地选取时间序列的各个隐含周期.利用所选取的隐含周期,可作更长时间的预测.本文以郑州汛期降水为样本,对该预测模型进行了应用及讨论.     

Comparative analysis of regression and artificial neural network models for wind speed prediction

In this study, wind speed was modeled by linear regression (LR), nonlinear regression (NLR) and artificial neural network (ANN) methods. A three-layer feedforward artificial neural network structure was constructed and a backpropagation algorithm was used for the training of ANNs. To get a successful simulation, firstly, the correlation coefficients between all of the meteorological variables (wind speed, ambient temperature, atmospheric pressure, relative humidity and rainfall) were calculated taking two variables in turn for each calculation. All independent variables were added to the simple regression model. Then, the method of stepwise multiple regression was applied for the selection of the “best” regression equation (model). Thus, the best independent variables were selected for the LR and NLR models and also used in the input layer of the ANN. The results obtained by all methods were compared to each other. Finally, the ANN method was found to provide better performance than the LR and NLR methods.     

定性和定量长期预报模型的综合分析

根据相同的 50 0 h Pa和海温场预报因子 ,利用神经网络灵活可变的拓朴结构 ,分别构造了定性和定量的降水长期预报模型。并在同等条件下 ,建立了逐步回归预报方程。通过对比分析表明 ,这种定性和定量相结合的神经网络综合预报分析方法 ,是增强预报结果可靠性和稳定性的一种有效途径。该预报建模方法具有比较合理的分析依据 ,值得进一步探索、应用。     

TRMM月降水量产品在新疆地区的订正

利用1998-2013年TRMM月降水量产品与新疆同期的105个气象站地面观测降水量,运用逐步回归与BP神经网络方法,选取1998-2010年数据建立新疆地区的降水订正模型,并利用2011-2013年月降水量进行检验。结果表明:加入地形因子对TRMM月降水量产品订正效果明显,整体上两种模型对TRMM月降水量产品订正的相关系数从最初的0.66分别提高到0.75和0.80,相对误差由10.75%分别降低为4.88%和3.19%;月尺度上,TRMM月降水量产品相对误差为-5.68%~54.44%,经逐步回归模型订正后为-4.26%~32.57%,而BP神经网络模型订正后为-5.33%~24.48%,表明BP神经网络模型订正效果更好;从综合时间技巧评分S_T看,订正后TRMM月降水量产品在各月的效果均有不同程度提高,逐步回归模型订正后提高0.01~0.49,BP神经网络模型订正后提高0.03~0.70。因此,基于逐步回归模型与BP神经网络模型订正的TRMM降水量产品均能够准确、定量地再现降水分布,为TRMM降水量产品质量改进提供一种较实用的参考方法。     

最优子集回归模型在低纬高原雨季开始期预报中的应用试验

将所有可能子集回归模型用于云南雨季开始的预报试验,选取有实际预报意义的５００ｈＰａ、海温头年１～１２月及同年１～３月网格点资料作为共同影响因子,分别与云南各站降雨量建立最优子集回归模型,对１９９８年、１９９９年的雨季开始期雨量进行独立预报表明：模型预报准确率优于逐步回归模型。从实况检验来看,效果较好,前期１～３月预报因子和模型适合低纬高原降水预测。     

金沙江下游多种面雨量集成预报方法的对比分析

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。     

条件数在区域日降水量预报中的应用研究

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。     

基于KPCA的台风强度神经网络集合预报方法研究

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.     

银川河东机场小样本雷暴分类客观预报方法研究

利用2000—2016年欧洲中心再分析资料、探空及地面自动气象站观测资料,根据天气过程的强度和对应物理量,分别对银川河东机场雷暴伴随大风、降水等不同天气现象类别进行定量化转换,采用峰度偏度系数、χ~2以及Q-Q图3种方法对定量转换的数据进行正态性检验,结果表明:按天气现象分类的样本服从正态分布,未分类样本基本服从。利用逐步回归、多元回归、非线性回归、BP人工神经元网络以及支持向量机5种方法,分别建立了雷暴现象与强度预报模型。结果表明:BP网络以及SVM对天气现象的预报能力较强;分类逐步、多元以及非线性回归模型分别对弱雨、强雨以及大风和降雨同时发生的天气强度预报效果较好。并在此基础上通过最优分析设计了河东机场不同种类雷暴天气定性和定量预报相结合的业务系统。     

Projections of Extreme Rainfall in Hong Kong in the 21st Century

The possible changes in the frequency of extreme rainfall events in Hong Kong in the 21st century wereinvestigated by statistically downscaling 30 sets of the daily global climate model projections (involvinga combination of 12 models and 3 greenhouse gas emission scenarios,namely,A2,A1B,and B1) of theFourth Assessment Report of the Intergovernmental Panel on Climate Change.To cater for the intermittentand skewed character of the daily rainfall,multiple stepwise logistic regression and multiple stepwise linearregression were employed to develop the downscaling models for predicting rainfall occurrence and rainfallamount,respectively.Verification of the simulation of the 1971-2000 climate reveals that the models ingeneral have an acceptable skill in reproducing past statistics of extreme rainfall events in Hong Kong.Theprojection results suggest that,in the 21st century,the annual number of rain days in Hong Kong is expectedto decrease while the daily rainfall intensity will increase,concurrent with the expected increase in annualrainfall.Based on the multi-model scenario ensemble mean,the annual number of rain day is expected todrop from 104 days in 1980-1999 to about 77 days in 2090-2099.For extreme rainfall events,about 90% ofthe model-scenario combinations indicate an increase in the annual number of days with daily rainfall 100mm (R100) towards the end of the 21st century.The mean number of R100 is expected to increase from 3.5days in 1980-1999 to about 5.3 days in 2090-2099.The projected changes in other extreme rainfall indicesalso suggest that the rainfall in Hong Kong in the 21st century may also become more extreme with moreuneven distributions of wet and dry periods.While most of the model-emission scenarios in general projectconsistent trends in the change of rainfall extremes in the 21st century,there is a large divergence in theprojections among different model/emission scenarios.This reflects that there are still large uncertainties inmodel simulations of future extreme rainfall events.