稀疏样本下冬春季月平均气温空间插值研究——以新疆玛纳斯河流域为例

针对我国典型高寒山区--新疆天山中段玛纳斯河流域积雪-融雪过程模拟中气温空间数据的制备问题,以气象站点稀少的玛纳斯河流域为研究区域,利用最小二乘相关分析法开展了冬、春季(2015年11月-2016年4月)气温环境变量分析,通过共线性检测确定了纬度、海拔、坡度、坡向、NDVI 5个环境变量组成了最优因子集,构建了基于广义回归神经网络(GRNN)的月平均气温空间插值模型。采用区域内139个站点中的119个观测站点数据作为训练数据对GRNN模型进行训练,确定了冬、春季6个月的区域气温空间插值模型。利用剩余的20个观测站点数据作为检验样本,以均方根误差(RMSE)和平均相对误差(MRE)为评价指标,对模型的回归误差进行分析。结果表明:本模型6个月的平均RMSE值为1.46,优于传统的地理加权回归克里金(GWRK)方法(其平均RMSE值为2.22)。此外,从不同月份的气温空间插值分布图来看,本文模型空间插值后的气温变化趋势与实际变化趋势一致。从气温的空间分布情况来看,各空间点的气温与其海拔高程呈正相关,且随地表覆盖类型变化。这也表明本文提出的插值策略并组合建立的GRNN模型对于稀疏气象站点条件下的气温空间插值精度更高,一致性较好。

基于CPSO-BP神经网络的PM2.5浓度预测模型

为了提高大气中PM2.5浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM2.5浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM2.5日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。

区域大气加权平均温度模型确定及其应用

大气加权平均温度Tm是决定GPS水汽反演精度的关键参数,不同地区的Tm具有区域性差异。本文基于河南省Nanyang探空站2015—2018年的气象数据,建立了适用于河南亚热带季风气候地区的单因子和多因子的大气加权平均温度Tm模型,同时按照四季划分构建了季节模型,并对比经验模型分析其精度。结果表明,新建立的加权平均温度模型精度整体上优于Bevis模型。将其用于CORS站GPS可降水量反演中,相比经验模型,新建Tm模型与实际降水量的吻合性更好,可以满足地基GPS反演可降水量的要求。