南海热带气旋大风的遗传－神经网络集合预报

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.     

模糊神经网络方法在热带气旋强度预报中的应用研究

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。     

主分量分析在热带气旋强度客观预报中的试用

为了解主分量因子分析在热带气旋强度客观预报中的应用效能,在NCEP再分析资料、T106L19模式产品和热带气旋历史观测资料基础上,采用主分量因子分析技术,结合多元线性回归和BP型人工神经网络,开展了西北太平洋热带气旋的强度客观预报技术研究试验。试验包含完全预报法原理下的预报因子有无主分量分析、线性与非线性预报方法建模等方面的比较。结果表明,预报因子的主分量分析通过降低线性回归和BP人工神经网络模型的维数,提高因子间独立性,可减小模型强度预报平均绝对误差,提高模型实际预报能力。     

人工智能技术的热带气旋预报综述(之一)——BP神经网络和集成方法的热带气旋预报研究和业务应用

热带气旋路径和强度的客观定量预报是当前热带气旋预报研究和业务预报工作中的重点和难点。简要介绍了有关热带气旋业务预报技术的研究现状,综述了人工智能神经网络技术方法中最广泛使用的BP神经网络模型、进化计算遗传算法—神经网络的热带气旋路径、强度集成预报方法,以及近十多年来,这些方法在实际业务预报中与国内外主要数值预报模式及其他客观预报方法预报性能的对比分析,指出了人工智能神经网络和遗传神经网络集成预报方法等在热带气旋强度、路径预报中的优势和不足,并提出了未来更深入研究需要关注的重点关键问题。     

利用神经网络方法建立热带气旋强度预报模型

以神经网络方法为基础,建立西北太平洋热带气旋强度预测模型,模型首先进行历史相似热带气旋选择。从选择的样本出发,计算得到一组气候持续因子、天气学经验因子和动力学因子, 对这些因子采用逐步回归方法进行筛选,将筛选得到的因子同对应时效的热带气旋强度输入神经网络训练模块,从而得到优化的预测模型。从2004-2005年西北太平洋26个热带气旋过程对12,24,36,48,72h等不同预报时效分别进行的634,582,530,478,426次预测试验结果的统计来看,相对于线性回归模型预测水平,该模型显著降低了各时段的预测误差。从几个热带气旋个例的预测结果来看, 该模型对超强台风, 以及具有强度迅速加强、再次加强等特征的热带气旋过程均有很好的描述能力。     

集成方法在热带气旋路径和强度预报中的应用

利用多元线性回归、递归正权决策和算术平均方法,分别建立热带气旋路径和强度多模式集成预报方程,并用2004年西北太平洋和南海生成的热带气旋资料进行预报试验,同时对各家预报和集成预报进行了检验分析。结果表明,用集成预报方法作热带气旋路径和强度预报是可行的,预报年总平均误差有一定程度的减小,最大预报误差也有所减小,出现较大预报误差的概率明显减小。集成方法的预报能力一般好于集成方法中采用的任意单一预报,体现了集成方法的优越性。     

基于统计降尺度方法的夏季降水精细化预报

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.     

热带气旋的路径及登陆预报

用几个非线性数学模型制作热带气旋短期路径预报及热带气旋个数、登陆时段、地段的短期气候预报。5年多的研究和预报试验结果表明：用指数曲线模型制作热带气旋路径预报，准确率较高。24h预报，199次平均误差123km，达到国内先进水平。用多项式等非线性模型，制作登陆我国及登陆广东热带气旋的年、月个数预测，经过3年实际应用检验，准确率达到70％～90％。用非线性预测模型的逐日气压场、逐日雨量场长期预测结果进行分析，制作广东热带气旋登陆时段、地段和南海海面热带气旋出现时间的预报，准确率达到70％～80％，2002年热带气旋的预报，采用长中短期预报相结合，数值预报与统计预报相结合，预报效果较佳。     

BP神经网络模型在O3质量浓度预报中的应用

采用BP神经网络和逐步线性回归两种模型,以2014—2017年汕头市金平环境监测子站的6种污染物质量浓度以及同期汕头市国家基准气象观测站37类地面气象观测数据为预报因子,对该站O3最大8h质量浓度进行预测。结果表明:两种预报模型在历史数据拟合效果上并不存在明显差异,总体上冬春季的模型拟合度高于夏秋季。在2017年7和12月2个独立样本的预报效果检验中,BP网络模型预报准确指数(d)分别比回归模型高10.4%和0.8%;BP网络模型预报级别准确率(TS)分别比回归模型高12.9%和3.3%。BP网络模型无论在预报精度还是预报稳定度上均明显优于回归模型。夏秋季降水因子的影响常导致BP模型预报值出现正误差,冬春季冷空气南下的影响常导致BP模型预报出现负误差。     

基于主成分分析的人工智能台风路径预报模型

利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析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,以进化计算的遗传算法,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,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、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了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。     

热带气旋强度预报的DTS方案

本文从动力-热力学方程出发。得到反映热带气旋强度变化的参数和几个物理因子.然后对这些因子和热带气旋强度变化之间的关系用统计方法进行处理,得到热带气旋强度变化的预报方程.124个历史样本的拟合结果和1981年台风的试报情况表明,线性模型的预报方程具有一定的预报能力.     

1999—2003年西北太平洋热带气旋综合预报的误差分析

应用1999—2003年中国中央气象台 (CMO)、日本气象厅 (JMA) 以及美国联合台风警报中心 (JTWC) 发布的西北太平洋热带气旋综合预报资料, 从总误差、逐年误差趋势、不同海区误差、不同路径趋势误差、不同强度趋势误差等5个方面对各预报中心的路径及强度预报结果进行分析, 结果表明:5年总的平均误差以JTWC的路径预报误差最小, 而JMA的强度预报较准确; 在不同海域, 各预报中心的路径预报能力各有优势, 但在热带气旋的强度预报方面, JMA的方法在各海区都较稳定; 对不同路径趋势热带气旋的预报方面, 除了南海转向热带气旋的路径预报比JMA和CMO稍差一些之外, JTWC的路径预报在大多数情况下都是好于或相当于JMA和CMO; 在不同强度变化趋势热带气旋的预报方面, JTWC在大多数情况下都优于其他中心。上述结果帮助业务和科技人员全面了解各预报中心的预报能力优劣, 也为今后改进我国的热带气旋预报提供有益的参考。     

数值模式的热带气旋强度预报订正及其集成应用

提供热带气旋强度预报产品的业务数值天气预报模式有很多,并已表现出一定的预报技巧,为提高对模式热带气旋强度预报产品的定量应用能力,分析2010—2012年7个业务数值模式的西北太平洋热带气旋强度预报,发现预报误差不仅受到模式热带气旋初始强度误差的显著影响,还与热带气旋及其所处环境的初始状况有密切关系,包括热带气旋初始强度、尺度、移速、环境气压、环境风切变、热带气旋发展潜势等。根据这些因子与各模式热带气旋强度预报误差之间的相关性,采用逐步回归方法建立热带气旋强度预报误差的统计预估模型,并通过逐个热带气旋滚动式建模来进行独立样本检验。检验结果表明,基于误差预估的模式订正预报比模式直接输出的热带气旋强度预报有显著改进,在此基础上建立的热带气旋强度多模式集成预报方案相对气候持续性预报方法在12 h有28%的正技巧,在24—72 h则稳定在15%—20%,具有业务参考价值。     

用多层递阶周期分析作西沙海区热带气旋长期预报

西沙海区是我国受热带气旋影响最频繁的海区之一，全年除2月份外，各月均有热带气旋影响。由于西沙海区是南海的主要交通枢纽，了解西沙海区热带气旋的活动规律及做好该海区的热带气旋预报，具有重要的经济和国防意义。本文在统计分析1949～1995年西沙海区热带气旋活动规律的基础上，根据天气预报的多层递阶方法卜」的基本思路——将天气系统看成是随机动态的时变系统，把对天气系统的状态预报分成两步。首先对系统的时变参数进行预报，然后再对系统的状态进行预报。为了改进目前多层递阶方法中大多采用仅有预报因子的线性单输出系统模型存…     

南海热带气旋路径集合预报试验

利用3种不同模式的初始资料，通过它们生成得到16个不同的初始场，分别对2004年南海及其周边地区9个热带气旋个例进行集合预报试验，最后筛选得到了7个南海热带气旋初值集合成员，由此初步探讨了南海热带气旋初值集合成员的生成方法。结果表明，采用不同模式的初始资料生成得到初值集合成员的方法用于集合预报，对南海热带气旋路径预报有一些明显的改进。     

热带气旋预报的人工神经网络方法

根据１９４９－１９８８年登陆珠江口的热带气旋资料，运用了人工神经网络的一个典型模型－“反向传播”模型，建立了该地区３５－４９小时热带气旋登陆地点的预报模型，并应用于热带气旋登陆地点的预报，即珠江口的热带气旋登陆地点预报，其拟合最大相对误差不超过０．７％。结果表明，神经网络预报模型具有容错能力强、预报速度快的特点，可望成为望带气旋预报的有效辅助手段。     

基于人工神经网络的热带气旋路径预报试验

利用气候持续性因子,分别采用神经网络法及最小二乘回归法,建立西北太平洋地区12、24、36和48h热带气旋路径预报模型。通过对1992～2002年资料的试报,人工神经网络方法优于回归方法,且这种优势在预报时效较长时更明显。人工神经网络法48h的预报平均绝对误差比回归法减小27．56km,预报水平提高7％。     

SVM方法在热带气旋降水预报中的应用

应用国家气象中心下发的热带气旋报文资料（中心经纬度、中心气压、近中心最大风力）,设计了诸如热带气旋中心与嘉兴市的最近距离等因子,并任选3个因子组成三维坐标（x,y,z）,计算嘉兴市热带气旋降水的概率分布函数。利用SVM回归方法对选中的概率分布函数进行训练,建立嘉兴市热带气旋降水预报方法,并应用于业务试报。同时和多元回归方法进行历史回报和业务试验比较。结果表明,概率分布函数与热带气旋降水具有较好的相关性,SVM回归方法在嘉兴市热带气旋降水预报中的回归预报模型和业务化效果明显优于多元回归。     

2009—2015年ECMWF热带气旋集合预报的检验及分析

本文从四个方面检验分析了ECMWF 2009—2015年西北太平洋热带气旋集合平均预报性能。结果表明：集合预报对路径的预测能力逐年提高,对强度预报整体偏弱。随着热带气旋强度增强,集合预报对移速和移向的预测能力提高,而移向预报偏左、移速预报偏慢、强度预测偏弱的现象较明显。将影响热带气旋的引导气流分为偏强、中等、偏弱三类,引导气流偏弱时热带气旋移动偏慢,因此移向预报的不确定性大;而引导气流偏强时热带气旋移向明确,只是移速预报不稳定。进入南海的三类路径热带气旋,集合预报对西行、西北行两类的移速、移向预报效果较好,而西行后北折的预报较差,在热带气旋北折前,移向预报发散度很大,向北转折后移向趋于稳定,移速预报的误差相对较大。这几种情形的检验结果,在热带气旋集合预报的业务应用中值得注意。     

垂直分层加密和预报区域扩大对GRAPES_TYM台风预报的影响

为提升GRAPES_TYM对西北太平洋和中国南海热带气旋路径及强度的预报能力、增加对北印度洋热带气旋的预报,2019年8月GRAPES_TYM 3.0版投入业务运行。GRAPES_TYM 3.0版的模式垂直分层由GRAPES_TYM 2.2版的50层增加到68层;预报区域由覆盖西北太平洋、中国南海扩展到覆盖北印度洋。试验结果显示:模式垂直分层增加可以改进模式对强台风及超强台风的预报能力,减小平均路径预报误差、显著减小平均强度预报误差以及强度预报负偏差;模式预报区域扩大到覆盖北印度洋对平均路径误差和平均强度误差影响不显著,但长时效预报比较敏感,如20°N以北热带气旋120 h预报路径。2016—2018年的回算结果与NCEP-GFS和ECMWF的预报结果对比分析表明:GRAPES_TYM 3.0版的平均路径误差与NCEP-GFS接近,同ECMWF相比误差较大;但24—96 h强度预报误差明显小于NCEP-GFS和ECMWF,NCEP-GFS和ECMWF对热带气旋强度预报存在明显的负偏差。综上所述,模式垂直分层由50层增加到68层对热带气旋强度预报至关重要,而长时效路径预报对模式预报区域扩大到覆盖北印度洋更为敏感。