神经网络BP模型用于月降水预报的研究

采用神经网络ＢＰ型三层映射模式，以南京１９４６－１９８５年４０年月雨量为基础序列，确定三层模式的形式。通过不断调整权重系数，作出１９８６年１－１２月的月雨量长期预报，又用同样方法但改用前一个月的实测值报后一个月的月雨量作出１９８６年各月的月雨址预报。平均绝对误差分别为６．０７ｍｍ和５．７３ｍｍ。对１９９４年６、７、８、９月月雨量以４个不同的起始值进行神经网络预测，都得到１９９４年夏季南京特旱的结果，与实测结果相同。     

基于BP神经网络模型的雷电潜势预报

为了使用神经网络较好地解决在雷电潜势预报中常见的非线性问题,本文通过计算南京地区2008年6～8月46个对流参数与雷电发生的相关系数,选取了与雷电发生关系较好的刀、SI、CIN等7个对流参数作为BP神经网络的输入因子。利用2008年的资料所建立的BP神经网络模型,预报了南京地区2009年6～8月的雷暴活动潜势,结合实际雷暴发生情况,得到此模型的POD为80．9％,FAR为9．5％,CSI为74．5％,PDFD为2．9％,FOM为19．1％。表明该BP模型预报准确率较高,性能稳定,有较好的推广价值。     

基于BP神经网络模型的广西月降水量降尺度预报

应用1961～1998年的山东省40个代表站夏季降水资料及NCAR/NCEP再分析月平均资料,分析了山东夏季降水的气候特征,并对旱涝年的大气环流异常进行了合成对比分析。结果表明:山东夏季降水整体表现为旱涝同步,降水分布呈现由东南向西北递减的趋势。涝年与旱年的环流形势存在明显的差异:涝年,贝加尔湖及其以西地区的位势高度降低,我国东部到日本海的位势高度明显升高。东亚大槽、乌拉尔山阻高、副热带高压位置及强度的变化对山东夏季降水有重要影响。有三支暖湿气流在山东上空交汇,为降水提供了充沛的水汽来源;而在旱年,上述环流特征呈现相反的形势。     

BP神经网络法在大气污染预报中的应用研究

近年来将BP网络模型应用到大气污染浓度预报中 ,并建立了大气污染物浓度的神经网络预报模型。将计算结果与监测值进行了验证 ,结果表明 :TSP的计算值与观测值之间的绝对误差为 4× 1 0 - 3～ 3× 1 0 - 2 mg·m- 3,NOX 的计算值与观测值之间的绝对误差为 5× 1 0 - 3～ 2× 1 0 - 2 mg·m- 3;且具有较好的相关性。BP模型是目前最为广泛应用的神经网络模型之一 ,它是一种简单而又非常有效的算法 ,BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。     

基于BP神经网络的单站总云量预报研究

云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一。为了对北京单站总云量进行预报,利用人工神经网络的BP模型,针对不同时次进行关键因子的选取,尝试用多种预报因子的组合,建立了总云量预报模型。试验结果表明：所建立的模型具有较好的拟合、预报精度,并且没有出现＂过拟合＂现象,对新样本具有较好的泛化能力。     

基于BP神经网络的单站总云量预报研究

云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一.为了对北京单站总云量进行预报,利用人工神经网络的BP模型,针对不同时次进行关键因子的选取,尝试用多种预报因子的组合,建立了总云量预报模型.试验结果表明:所建立的模型具有较好的拟合、预报精度,并且没有出现"过拟合"现象,对新样本具有较好的泛化能力.     

利用BP神经网络提高奥运会空气质量实时预报系统预报效果

将BP(Back Propagation)神经网络方法引入到奥运空气质量预报工作中,利用MATLAB神经网络工具箱搭建运行平台,将高时效性的观测结果与多模式集成实时预报系统的模式输出结果相结合,做出BP神经网络拟合预报结果。在对北京大学医学部站点2008年7月7日到8月26日模式模拟结果、观测结果以及BP神经网络拟合结果的对比研究中发现:BP神经网络能大大提高模式预报效果,平均误差率减少34.7%,相关系数提高39%,特别是在模式模拟效果较差的情况下,对提高预报效果更明显。对BP神经网络样本问题进行敏感性实验结果表明,样本数目多少并不是决定拟合效果的决定性因素,应选取具有稳定映射关系的样本,才是提高拟合预报效果的关键。     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

基于C4.5决策树算法的道路结冰预报模型构建及应用

道路结冰是气象上规定的主要灾害性天气之一,准确认识道路结冰发生规律并科学有效地预报是防灾减灾的关键问题。以影响道路结冰的日积雪深度、日最低气温、日降水量等气象要素为主要因子,将是否结冰抽象成二元分类问题,借助数据挖掘中C4.5决策树算法进行分类分析,得到便于预报员使用的预报道路结冰规则集。在实验部分,选取2004—2013年连云港和嘉定为例,用前8 a的连云港(嘉定)地区道路结冰数据样本进行分类规则的学习,从而得到适合连云港(嘉定)地区的4(3)条预报道路结冰规则集,然后用剩下2 a的数据进行检验,准确率高达96.82%(94.87%)。实验表明采用C4.5决策树算法构建的道路结冰预报模型不仅预报准确率高、易解释、方便预报员直接使用,而且预报规则与道路结冰现象的天气过程及理论一致。     

BP神经网络在寒露风长期预报中的应用

运用神经网络理论建立玉林寒露风长期预报模式，该预报模式在预报实践中获得了较好的效果。     

改进BP神经网络在城市环境大气污染分季节预报中的应用

用泛化改进后的BP神经网络模型，选用2001、2002、2003年的气象因子和环境监测浓度资料按年度、季节分别建立预报模型，对贵阳市城市大气污染浓度进行预报。该方法除弥补了统计方法的预报精度不高和数值预报模式的方法复杂难实现的不足之处外，还很好地解决了未改进的BP网络训练误差很小时，一个新的输入与对应的目标输出具有较大误差的问题。     

基于BP神经网络的地质灾害细网格预报模型

地质灾害成因复杂,其中以气象因素、地质地貌因素引发的地质灾害最为常见.以金华地区为例,通过对金华市地质地貌条件及其对地质灾害点的调查,将全区划分为4个地质灾害隐患风险等级的网格区域.在此基础上利用金华中尺度气象资料,采用BP神经网络模型,建立地质灾害细网格预报模型,对该模型进行模拟和预报试验.结果表明,合理的隐患风险等级分区能使预报模型更符合科学规律,而采用分布较细的中尺度资料作为预报因子能进一步提高预报精度.模型的预报结果达到一定的可信度,为防灾减灾工作提供了科学依据.     

基于Logistic回归和神经网络的甘肃省道路结冰预警模型研究

为更好地开展公路交通道路结冰预报预警服务工作,利用甘肃省道路结冰高发区路段（甘肃武威以东）的交通气象站逐小时观测资料,分析道路结冰空间分布特征,探讨道路结冰与气象要素的相关性,采用Logistic回归法和神经网络算法构建道路结冰预警模型。结果表明：甘肃省道路结冰主要集中在冬季（12月至次年2月）,其中00:00—10:00和22:00—23:00（北京时）出现道路结冰的频率较高。Logistic回归模型和神经网络模型对未发生结冰事件的预测准确率较高,分别为91.9%和96.2%;针对发生结冰事件,Logistic回归模型的预测准确率较低,为31.6%,而神经网络模型的预测准确率可达44.6%,说明2种模型对道路结冰预警有一定指示意义,神经网络模型预测效果优于Logistic回归模型。     

基于BP神经网络的汛期降水预测模型研究

采用误差反传前向网络（简称BP神经网络）建立汛期（6-8月）降水预测模型，并与采用逐步回归方法建立的模型进行对比试验，结果表明，基于BP神经网络的汛期降水预测模型不仅对历史样本的拟合精度更高，而且其独立样本的预测检验效果也比逐步回归方法更好，是一种具有一定应用前景的汛期降水预测方法。     

基于BP神经网络的浙北夏季降尺度降水预报方法的应用

利用NCEP提供的全球空间分辨率为2.5°×2.5°、2007—2012年6—8月日平均500 h Pa高度场再分析格点资料和浙北地区158个站点观测资料,研究了不同大气环流型下局地降水与大尺度降水场之间的关系,以4种不同环流型下的预报对象和预报因子分别采用BP神经网络方法对观测资料进行逼近,得到4种空间降尺度的预报模型,分析对比4种预报模型158站逐日的降水量的预报。结果表明:神经网络模型的隐层节点数为2时,对降水的拟合效果最好;对降水的极值拟合效果中,环流分型中NW型和C型的效果优于SW型和SE型;从4种分型下的误差空间分布来看,浙北地区沿海的宁波、舟山一带的误差小于浙北其他区域;把雨量分等级后进行预测,发现模型对暴雨的预测能力最好。     

基于遗传优化BP神经网络的水稻气象产量预报模型

利用1951—2010年江苏省水稻产量及同期14个气象站点的逐日平均气温、降水资料,采用因子膨化及相关分析,研究了水稻气象产量的影响因子及影响时段。在此基础上建立了逐步回归、PCA-BP神经网络以及PCA-GA-BP神经网络3种产量预报模型。结果表明:(1)7—9月份是水稻产量形成的关键时期,对气温、降水的变化最为敏感,气温对气象产量的影响大于降水;(2)两种神经网络模型预报效果好于回归模型;(3)遗传优化的神经网络模型比未优化模型的训练速度提高了70%左右,预报精度也提高了4.3%。     

全国电线结冰厚度分布及等级预报模型

利用1961-2008年全国电线结冰及相关气象要素台站观测资料,分析电线结冰厚度的空间分布特征,并建立利用前期冰冻日数,前1天日最低气温、相对湿度、风速和降水量预报电线结冰厚度等级的3层人工神经网络BP模型。结果表明:电线结冰厚度最大值在10mm以上的地区,在北方主要位于东北东南部、内蒙古东北部、华北中部以及甘肃南部等地,在南方主要位于安徽东南部、江西北部、湖南南部、湖北西部、重庆南部、贵州中部以及四川东部等地,呈东-西向带状分布。近48年来,安徽黄山和江西庐山覆冰厚度历年极大值和覆冰日数均呈增长趋势;四川峨眉山、甘肃西峰镇的历年极大值和覆冰日数均呈减小趋势。建立的人工神经网络BP模型能在一定程度上预报结冰厚度等级, 模型对近10年的回报结果显示, 准确率为81.3%。     

BP神经网络和支持向量机在紫外线预报中的应用

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。     

遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究

基于TIGGE资料集中的ECMWF、CMA和JMA的数值预报产品,利用加权集成、回归集成和消除偏差集成等线性集成方式与遗传算法优化的BP神经网络(GABP)集成,对我国大部开展地面2 m温度在24 h、48 h和72 h预报时效的多模式集成预报试验。通过对2013年1—6月的预报检验,结果表明:GABP集成预报效果有较大提升,均方误差明显小于各单一模式预报。GABP集成的误差分布在新疆和华北均方误差较大,但是在预报效果改进上GABP集成在西部地区相对单一模式的误差减小更加明显。在进行几种多模式集成方式时,GABP集成相比线性方法预报结果更加精准。对于天气过程个例的预报,GABP集成预报出预报量的变化趋势,预报效果优于单一模式和线性集成预报。无论是较长时间段还是短时间的天气过程,在改进预报效果上GABP集成都起到了最佳的作用。     

BP神经网络模型在重庆伏旱预测中的应用研究

采用气象要素定义伏旱指数，利用小波分析等方法分析重庆地区伏旱变化特征，最后采用BP神经网络模型对伏旱进行预测试验，结果表明，重庆伏旱变化具有明显的阶段性特征，而基于BP神经网络模型的伏旱预测模型预测效果良好，可以应用于实际预测。