基于多元线性回归的日蒸发量估算与应用

利用阳江气象站2005～2010年的观测资料,探讨了日蒸发量与其他气象因子的相关性,并建立了基于多元线性回归的日蒸发量估算方程。结果表明,日蒸发量除了与当天的日均饱和差、日均相对湿度、日日照时数、日均地面温度、日均风速等常规气象要素关系密切外,还跟今昨风速差、今昨气温差、今昨湿度差等时间序列因子有关,而且相关性非常明显。利用多元线性回归建立的日蒸发量估算方程,其预测效果能够满足气象观测业务的要求,其估算值可作为判断实测蒸发量是否正常的一种参考依据,对提高蒸发量的观测质量有较好的作用。     

基于多元线性回归的滇西南短时强降水预报模型研究

利用云南省普洱市2015—2017年多普勒天气雷达资料、探空资料和气象观测站5 min雨量观测资料,分析了普洱地区研究期间41次短时强降水的环境场和雷达回波演变特征。结果表明:中尺度辐合线、中气旋、逆风区是强降水触发和维持的重要成因。短时强降水发生前,整层大气水汽充沛,静力不稳定层结,大气可降水量(PW)≥35 mm、SI≤-0. 23、K> 35,可作为环境场对流潜势的判定因子;短时强降水发生时,雷达回波最强反射率因子≥40 d Bz,35 d Bz回波顶高> 5 km,径向速度的辐合切变量> 5 m·s^-1。通过多元线性回归分析,选取4个相关性显著的影响因子,建立普洱市短时强降水预报模型。所选预报因子包括:35 d Bz回波顶高、30 d Bz垂直剖面中心高度、30 d Bz以上雷达回波面积和SI。预报模型的回报检验表明,普洱短时强降水平均雨强相对均方根误差为17. 0%,局地降水持续时间相对均方根误差为33. 9%,局地过程降水相对均方根误差为25. 6%,回报效果较好。4次短时强降水预报检验中,平均雨强的预报误差每5 min小于1. 2 mm,局地强降水持续时间的预报误差小于10 min,局地过程降水的预报误差小于4 mm,模型均预报出局地连续性降水超过50 mm。预报模型有较好的预报能力,可应用于普洱短时强降水的临近预报预警。     

基于2种算法的日光温室日均气温预测模型比较研究

为科学精准地为温室大棚生产提供气象服务,2020年11月—2021年5月分别在位于陕西省关中的泾阳县和陕北的延川县选择砖墙和土墙两种主要的生产棚型进行了大棚内外气温的对比观测试验,并采用BP神经网络和多元线性回归分析2种算法对不同棚型和晴空条件下的棚内气温进行了模拟预测研究。结果表明： 利用BP神经网络方法建立的预测模型较多元线性回归分析方法的模拟精度更高,BP神经网络方法对泾阳和延川梁家河试验示范园日光温室内气温预测模型拟合优度R2分别达075和077,均方误差分别为192 ℃和190 ℃;控制条件下,砖墙结构比土墙结构日光温室的气温预测精度更高;多云天气条件下模型的预测精度更高。     

最佳子集多元线性回归模型在热带气旋风圈 变化预报中的应用

基于最佳路径(IBTrACS)数据集和欧洲中期天气预报中心(ECMWF)的再分析(ERA-Interim)数据,建立了西北太平洋上(Western North Pacific,WNP)热带气旋(Tropical Cyclone,TC)的七级风圈(R17)变化的最佳子集多元线性回归(bs-MLR)模型.首先根据2001～...     

多元门限回归模型的一种建模方法

本文根据门限自回归模型的基本思想[1]，提出一种多元门限回归模型的建模方法。其特点是充分考虑了预报系统中某些特殊预报因子突变点对预报关系的改变作用。数值实例表明，该模型在模拟和预报精度上比一般线性逐步回归模型有一定程度的提高。     

用多元门限回归模型作区域夏季旱涝预测

考虑了气候系统中一些变量突变时对预测关系的改变作用，用多元门限回归模型的建模方法建立长江下游地区夏季旱涝趋势预测模型。拟合效果较理想，用１９９４－１９９５年的独立资料检验，预测结果与实况较为接近。     

多元模糊回归在大豆产量预测中的应用

本文用元模糊回归分析方法作大豆产量预测，经验证，预测精度稳定，有较好的使用价值。     

基于NDVI的西藏不同草地类型生物量回归建模分析

旨在建立西藏地区不同草地类型的NDVI遥感估测模型,利用多元线性回归建立了不同草地类型的鲜草生物量与SPOT/VEGETATION多年平均年最大归一化植被指数(NDVI)、年降水量和年积温等变量的回归估测模型。并分析了所有草地类型的平均鲜草生物量与平均年最大NDVI、平均年降水量等因子的相关关系。结果表明:年降水量是鲜草长势最重要的影响因子,基于NDVI的鲜草生物量多元线性回归模型能很好的拟合草地(R=0.964)、高寒草甸(R=0.959)、高寒荒漠草原(R=0.772)、温性草原(R=0.892)和高寒草原(R=0.797)等草地类型。     

一种新的线性回归模型及其应用示例

回归分析是统计分析中常用的方法之一。传统的回归模型不具备全域分析能力,而变量场之间的关系多采用SVD（Singular Value Decomposition）进行分析,与传统的回归分析有所脱节。更为广义的线性回归模型是传统线性回归模型的延拓,在标量情况下,该模型可转化为传统线性回归模型。该模型的基本特征包含乘法不可互易性、等价于传统线性回归（因子项为标量时）、可分析性、延拓性、降维特征及容错性等。该模型解决了传统的线性回归模型不具备全域分析能力及模型表达能力受限于模型维数的现实问题。本文采用了NCEP（National Centers for Environmental Prediction）降水、高度场、风场月平均资料及国家气候中心西太平洋副热带高压指数资料,利用该模型和传统回归方案进行对比分析,分析结果表明,该模型具有一定的实用参考价值。     

我国冬季持续低温事件预报模型的建立

利用1979—2010年我国冬季522个站点的日平均温度资料,使用基于尺度分离的多元线性回归方法建立预报模型,对我国冬季的持续低温事件的预报做了一定的尝试。将温度按照一定的方法进行尺度分离,分解出年际、月、季节内尺度温度,对各个部分分别进行拟合再相加。挑选特定海区的海温、北极海冰作为年际尺度温度预测因子,多个低频气象场作为季节内温度预测因子,利用1979—2003年资料拟合出各因子回归系数。用重构的冬季温度挑选出持续低温事件并与实际的事件进行对比检验,计算出此方法的TS评分为0.57,再利用2008年初我国南方大范围的持续低温事件检验拟合结果。检验结果表明基于时间尺度分离的多元线性回归方法在持续低温事件的预报中有一定的参考意义。     

基于CART算法的夏季干旱预测模型研究及应用

利用标准化降水蒸散指数(SPEI)作为判断干旱是否发生的标准,基于数据挖掘方法中的CART算法探究夏季西太平洋副高北界、夏季西太平洋副高强度指数、准两年振荡(QBO)、东亚夏季风指数、夏季北大西洋涛动(NAO)、夏季太平洋年代际振荡(PDO)、厄尔尼诺指数等多项气候因子与干旱的关系,构造分类决策树,得到干旱预报规则集,从而建立干旱的预报模型。预报模型以各项气候因子为输入变量,是否干旱为目标变量。根据1955—2012年商丘月平均气温和月总降水资料计算出商丘夏季58 a的SPEI指数作为干旱判定指标;以同期的多项气候因子数据作为输入变量,随机选取46 a的数据得到7条分类规则集,分类准确率为86.96%。使用剩余12 a的数据验证,准确率高达91.67%。结果有力地证明了基于CART算法建立干旱预报模型的可行性、科学性、有效性以及与干旱研究理论的一致性,为干旱模型的研究及季节性预测提供了科学有效的新思路。     

基于偏最小二乘回归的冬季北太平洋风暴轴指数的特征诊断

针对现有风暴轴指数分析大多采用相关分析等较为简单方法,难以对风暴轴指数变化有效诊断分析的问题,引入偏最小二乘回归(Partial Least Square Regression,PLS)的线性方法和核偏最小二乘回归方法(Kernel Partial Least Square Regression,KPLS),对冬季北太平洋风暴轴指数变化进行了特征诊断研究,并与传统的线性无偏最小二乘回归结果进行了试验比对。结果表明:偏最小二乘回归方法的诊断结果能够更好地反映风暴轴内部变化规律,并有效降低诊断误差。对于PNYI(北太平洋风暴轴纬度指数),采用r0. 2的因子筛选方案(r为因子与风暴轴指数的相关系数)并应用KPLS算法时,预测效果最佳;对于PNXI(北太平洋风暴轴经度指数)和PNII(北太平洋风暴轴强度指数),采用全因子方案并应用KPLS算法时,预测效果最佳。     

基于C5.0算法的胃癌生存预测模型研究

我国的胃癌发病率高,每年新增胃癌患者占全世界每年新增数量的42％,胃癌成为我国恶性肿瘤防控的重点.本文针对胃癌数据的特征,给出数据预处理和集成方法;采用C5.0分类算法,构建了胃癌生存预测模型,并首次采用美国癌症研究所的SEER数据库进行预测实验.实验结果表明：C5.0预测的精确度、特异性均高于BP-神经网络算法;胃癌患者的出生地点与最终的存活状态之间存在较强的相关性.该研究是数据挖掘技术在医学领域的一个实际应用,对胃癌的临床诊断具有一定的参考价值,可为医生制定合理的治疗和预防方案提供一定参考.     

基于气象因子及机器学习回归算法的夏季空调负荷预测

气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。     

烟雾层的长波辐射效应以及对边界层温度层结的影响

本文利用一个简化的长波辐射方案，计算了兰州城市烟雾层大气的辐射效应．计算表明:烟雾层气溶胶增加了到达地面的大气逆辐射和气层的冷却率，平均污染状况时，增加量分别为15．2％和0．073℃／h．与烟雾层对太阳辐射吸收加热率相比，冷却率量值较小，但对全天边界层能量平衡所起作用不可忽略．对比分析了兰州和郊区夜晚的平均温度廓线演变情况，可以看出烟雾层长波辐射效应增加了低层大气中上部的冷却．     

基于数值模式误差分析的气温预报方法

采用欧洲中期天气预报中心(ECMWF)全球确定性预报模式地面气温和国家地面站点观测资料,对模式初值场误差、历史误差以及卡尔曼滤波预测误差与实况误差之间的相关性进行分析,设计了4种回归方案订正日最高、最低气温预报偏差,并与ECMWF、中央气象台和全国城镇的预报产品进行了检验对比。结果表明:采用了模式近1～3 d最高(最低)气温和模式最高(最低)气温历史平均误差、初值场误差以及卡尔曼滤波反演误差作为预报因子的改进方案效果最优,经对其2017年日最高和最低气温的预报检验,预报准确率较ECMWF原始模式预报有较明显提高,也明显优于中央气象台指导预报。在空间分布方面,其对地形较为复杂地区的改进效果更好。同时,与当前业务中质量最好的全国城镇预报相比,最高气温预报平均绝对偏差(Mean Absolute Error,MAE)较全国城镇预报低8.24%～13.97%,预报准确率提高1.24%～3.57%,日最低气温平均绝对偏差较城镇预报低9.43%～17.69%,预报准确率提高1.77%～2.72%。在3 d的预报中,对24 h时效内预报相对于48 h和72 h的改进幅度更大,订正效果更加明显。     

复共线性关系对逐步回归预报方程的影响研究

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。     

基于交叉验证的多模式超级集合预报方法研究

利用AREM、MM5和WRF 3个中尺度有限区域模式,通过选取对短期天气预报影响颇大的积云参数化方案和边界层方案构成15个集合预报成员,以2003年7月汛期天气为研究对象,分别采用相关加权、多元线性回归以及支持向量机回归与"交叉验证"相结合的方法,开展有限区域模式的多模式短期超级集合预报研究.文中主要对上述3种方法的24 h降水和700 hPa流场的超级集合预报结果与多模式集合平均预报结果以及T213模式结果进行了对比分析,结果表明:(1)对于24 h降水,支持向量机回归方法的超级集合预报得到的均方根误差比多模式集合平均小,各降水临界值的TS异常评分比多模式集合平均高;并且它也较相关加权法和多元线性回归的超级集合预报效果好.(2)对于700 hPa流场,对比分析各预报结果经过向量EOF分析得到的风场第1模态和第2模态表明,多模式集合平均主要使风场强度变小,多元线性回归和支持向量机回归的超级集合预报可以较好地刻画风场的强度分布,其中支持向量机回归的超级集合预报对风场强度及其区域分布的预报效果最好.(3)对于700 hPa流场,超级集合预报明显优于同期T213模式预报,从相同的预报均方根误差意义看,支持向量机回归的超级集合预报至少较T213模式预报能提前12 h.