支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法（SVM）,依据T213数值预报产品,对海口降水进行预报应用研究,结果表明：所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机（SVM）方法在气象预报中的个例试验

SVM（Support Vector Machine）方法的基本思想是：通过非线性映射把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），在特征空间中寻求最优划分或回归线性超平面，从而解决样本空间中的高度非线性分类和回归等问题。利用1998～2000年9～11月T106—36小时预报的各种输出产品构造因子，以单站有无降水为预报对象，采用MOS法方式构造样本，通过训练建立了单站的晴雨SVM分类预报模型，利用1990～2000年4～9月ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场资料，确定关键区域，构造预报因子，以PP法方式构造样本，通过训练建立了四川盆地内单站气温的SVM回归预报模型，并进行了模拟试验，结果表明，无论是单站晴雨的SVM分类预报模型还是单站平均气温的SVM回归预报模型都显示出了艮好的预报能力。     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法(SVM),依据T213数值预报产品,对海口降水进行预报应用研究,结果表明:所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机方法在天气预报中的应用

简要介绍了支持向量机方法(SVM)方法的基本原理和使用方法。用高空500hPa月平均高度、海洋温度以及地面资料作为因子，对西安6—9月份降水总量建立了SVM预报模型。     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

用支持向量机方法作德阳降水预报

本文对支持向量机（svm）回归方法的基本原理作了简要的概述。用常规观测资料并依据预报人员的实际工作经验选取预报因子，采取经典统计预报方法的方式。利用svm方法，选取径向基作为核函数对德阳市各站日降雨量建立预报模型。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述，并依据常规观测资料选取预报因子，以经典统计预报方法的方式，利用svm方法，选取不同的核函数对德阳市雨量分类预报进行试验。Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力。     

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述,并依据常规观测资料选取预报因子,以经典统计预报方法的方式,利用svm方法,选取不同的核函数对德阳市雨量分类预报进行试验.Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力.     

Vaisala AviMet系统中跑道视程RVR计算因子分析

对跑道视程RVR(Runway Visual Range)算法及其计算因子照度阈值(E)和灯光光强(I)的估值方式进行了归纳,对Vaisala AviMet系统在RVR数值计算中E和I的估值方式是否符合国际民用航空组织ICAO(International Civil Aviation Organization)公约《国际航空气象服务》进行了研究,通过对3个机场Vaisala AviMet系统的RVR历史数据进行演算、反推、比对等方法,最终推断出Vaisala AviMet系统中跑道视程RVR计算因子E和I的实际估值方式,并得出以下结论:Vaisala AviMet系统在进行RVR计算时,照度阈值E的估值并没有依据ICAO Doc 9328的推荐公式;无论塔台输出的灯光光强等级实际为多少,Vaisala AviMet都采用灯光光强等级为10%,对应I值为1000cd的固定值进行RVR计算。     

大气透射仪与前向散射仪低能见度条件下跑道视程数据对比分析

利用2017年10月26日—2018年3月14日期间,乌鲁木齐机场跑道视程≤600 m时跑道25方向大气透射仪和前向散射仪的跑道视程数据,以及跑道25方向大气透射仪和中间段大气透射仪跑道视程数据进行对比分析,得到以下结论:(1)大气透射仪的跑道视程数据大于等于前向散射仪的跑道视程数据的比例为96%,跑道视程≤400 m时,两种设备相互替代性较好;(2)相比于黑夜,白天情况下前向散射仪的跑道视程数据更接近25方向大气透射仪的跑道视程数据;(3)相比于跑道中间段大气透射仪,跑道25方向前向散射仪跑道视程数据更接近25方向的大气透射仪跑道视程数据。     

MOS方法在动力延伸期候平均气温预报中的应用

利用1982年1月-2010年3月动力延伸预报产品及宁夏候平均气温,采用逐步回归的MOS统计方法,预报宁夏24个测站未来40 d逐候平均气温,为了对比模式直接输出结果与资料按月和按季节划分建立的MOS方法预报效果,对2009年和2010年1-3月的预报效果分别进行了对比检验.结果表明:MOS预报效果较模式直接输出有显著...     

短期气候预测评估方法和业务初估

根据短期气候预测业务目前的基本现状,提出了短期气候业务预测效果评估的几种参数。使用这些参数对国家气候中心气候预测室近20多年来全国范围月、季、年几种主要预测业务的降水距平百分率和平均气温距平的预测效果进行了初步评估。结果表明,月尺度预报中,温度预报好于降水预报;年度降水预报以对春季预报为最好;汛期降水预报水平有明显提高。     

支持向量机方法应用于理想时间序列的预测研究

简要介绍了基于统计学习理论的支持向量机方法的基本思想和原理,利用该方法对33模Lorenz系统的理想混沌时间序列建立预测模型,并对在此基础上产生的非平稳时间序列进行预测试验研究。结果表明,支持向量机方法不仅对平稳过程有较好的预报能力,也可以适用于非平稳过程,对实际序列的预测有一定的启发意义。     

一段日照迹线剖析

一段日照迹线剖析单宇红（江苏省徐州市气象局，２２１００６）在地面报表的审核中，原始观测记录的真实性是非常重要的，有时为了判别某个记录的“真伪”，不仅需要直观的目测，还要综合各种因素进行分析，然后再下结论。１９９６．２．２６．１３∶１６—１３∶４８某站...     

集合预报及其在中期天气预报中的应用

作者概述了集合预报的基本概念，集合预报中期天气预报中的意义与作用，现有的主要集合预报产品以及集合预报在美国美国国家气象中心和欧洲中期天气预报的业务运行。简要介绍了我国国家气象中心在动力延伸预报和集合预报方面的试验研究情况。     

最佳气候相似法及在短期气候预测中的应用

本文采用了最佳气候找相似的预报方法来制作长期天气预报。由于这种方法使用了地面、高空、太阳活动和海温资料,具有长时段,多要素,综合性强的特点,所以预报较客观,对预报年的年景能作出较为准确的判断。由于不同站点资料代表着不同地区的气候背景,因而能分片制作短期气候预测,为解决目前短期预报中小尺度天气难的问题提供了较为详实的气候背景和可靠的预报依据。此方法虽属统计方法,但与中、短期数值预报有某些相似之处,主要体现在预测因子的同时性和连续性,对要素的预测如同数值预报产品的释用。     

月动力延伸预报产品在新疆月尺度降水预测中的应用检验

利用新疆101个气象观测站点逐月降水实况资料和2001~2010年国家动力气候模式产品,进行月动力延伸预报产品的应用预测检验。采用PS评分和同号率对内插预测结果进行效果评估,并与业务评分进行对比。结果表明：月动力延伸预报产品对新疆地区月降水趋势预测Ps评分高于业务评分,而对各月降水距平百分率的同号率差异较大。夏、秋季Ps评分较高,冬、春季PS评分较低,季节转换时预测Ps评分变率较大。