基于支持向量机的浙江汛期旱涝预测方法研究

利用浙江省38个测站的降水量资料,得到了能够反映全省旱涝状况的指标,将其作为预报量,通过对前期大气环流场、海温场的相关分析,提取高相关因子,然后运用逐步回归和支持向量机回归技术分别建立浙江省汛期早涝短期气候预测模型,并进行了对比分析.结果表明:支持向量机回归模型集中了众多预报因子的预报信息.有效地利用了支持向量机方法的非线性映射能力,无论在历史样本拟合的精度上还是模型实际预测的能力上都比逐步回归模型有一定提高,有良好的应用前景.     

SVM和ANN方法在铜川盛夏暴雨预报中的对比试验

介绍了利用SVM(支持向量机)方法的预报原理,并分别用SVM和ANN(人工神经网络)两种方法对铜川盛夏暴雨的预测做了对比试验。分析预报结果表明,SVM方法在天气预报领域有一定的使用空间,并指出了SVM在气象领域应用研究的方向。     

支持向量机非线性回归方法的气象要素预报

该文介绍了基于基本的支持向量机非线性回归方法,该方法具有解决非线性问题的能力,在数值预报解释应用技术中,对某些预报量与预报因子之间相关性不显著的要素,如风、比湿等,采用支持向量机非线性回归技术较多元回归的MOS方法更具优势;利用北京市气象局中尺度业务模式 (MM5V3) 的12:00(世界时) 起始数值预报产品和观测资料,制作北京15个奥运场馆站点6~48 h逐3 h的气象要素释用产品。对比MM5V3模式,从均方根误差的平均减小率来看,2 m温度减小12.1%,10 m风u分量减小43.3%,10 m风v分量减小53.4%,2 m比湿减小38.2%。与同期的MOS方法预报结果相比,整体预报效果SVM略优于MOS。由此可见,支持向量机非线性回归方法解决与预报因子之间非线性相关的气象要素较好,具有较高的预报优势。     

基于数值预报的汉中市降水分县预报方法

利用现有基层台站所能获取的国家气象中心T213数值预报产品和欧洲中心数值预报产品,经过数学方法处理后,将各预报要素插值到站点作为预报因子,通过Г检验分析预报因子与本地降水的相关,提取相关好的因子建立预报方程。经实践检验证明:数值产品经因子累积处理后对降水预报能力明显增强,数值预报对24h的预报能力较高,中低层要素与汉中盆地降水相关较好。方法对降水量仅做了简单的分级预报,试用中发现该方法对突发性降水预报能力不理想。     

三种非线性回归逐时气温预报比较订正

选取ECMWF和T639的2013年1月至2014年12月的数值预报场构造预报因子,基于神经网络、支持向量机和构造函数的非线性方法,预报地面逐时气温。试验结果显示,在单个方法预报误差较大时,3种方法的偏差订正集成方法更利于减小误差,通过偏差订正,3种非线性方法预报效果良好,平均绝对误差减小了0.5 ℃。在近1年独立样本的预报检验中,集成方法、神经网络、支持向量机和构造函数预报的平均绝对误差分别为1.5 ℃、1.7 ℃、1．8 ℃和1．4 ℃,总体上构造函数预报更为准确。     

最小二乘支持向量机在云量预报中的应用

基于2003-2006年逐年1、8月WRF区域数值预报产品和单站观测资料,采用最小二乘支持向量机回归方法,结合选取合适的参数和核函数,分别按月通过不同长度样本序列建立了台北和厦门站总云量和低云量短期释用预报模型,利用2007年1、8月样本资料对模型进行了预报和检验,并与神经网络方法进行了对比.结果表明:最小二乘支持向量机回归方法的预报效果要好于神经网络方法;两站不同长度样本的总云量和低云量预报模型,预报效果较好,其预报准确率不会因为训练样本的减少而降低.可见,最小二乘支持向量机回归在云量等气象要素释用预报方面,具有较好的应用前景.     

k-近邻法及铜川降雹预报试验

分析了传统概率统计方法在天气预报中的局限性,简要介绍了基于实例的学习方法中最典型的k近邻法的基本原理.根据冰雹产生的物理机制,选取当日08时的7个高空因子,以连续8年的248个完整的数据样本为基础,将k近邻法应用于陕西铜川5月份冰雹预报,得到了较好的准确率(TS评分最高达到了0.444).进而选取了2005年和2006年两年的数据,运用优选出的模型做了进一步预报检验,TS评分优于实际业务工作中预报人员用的传统方法,以及向量机(SVM)和人工神经网络(ANN).最后分析了实验结果,针对天气预报科学的特点,对k近邻法在其中的应用做了进一步展望.     

基于MM5模式的站点暴雨预报方法研究

基于对MM5模式输出产品的解释应用,建立了站点定量的暴雨MOS预报方法。从临沂中尺度数值预报模式产品中挑选x1（模式预报降水）,…,x12（沙氏指数）等12个模式产品和物理诊断因子为基本可能预报因子,又添加它们自身的非线性型xi^2xi^3,xi^1/2,1nxi,e^xi（i=1,…,12）和各因子间非线性交互作xixj（i=1,…,11,j=i＋1,…,12）型的126个可能预报因子。用非线性逐步判别做晴、雨二级判别,然后对雨型样本做逐步回归,得到暴雨的MOS预报方法。检验结果表明：该模型对暴雨有较强的预报能力,可应用于实际预报业务中。     

支持向量机方法在山东山洪地质灾害预报中的应用试验

用支持向量机(SVM)方法根据T213数值资料和济南、淄博、泰安、莱芜4站的降水实况资料对山东山洪灾害多发的鲁中山区进行了降水分类预报试验。结果表明:多项式核和径向基核函数建立的模型较好地提炼了降水信息,都具有很高的预报技巧,客观性和实用性强,有很强的推广能力;用径向基核函数建的非线性降水分类模型优于用多项式核函数建立的线性降水分类预报,特别是资料减少时,非线性降水分类预报明显优于线性降水分类预报;低层大气湿度可能对线性降水分类有重要影响;建模时用的资料数据格式与实际业务中获得的数据格式应尽量保持一致。     

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。