基于SVM的气候持续法在热带气旋路径预报中的应用试验

本文利用气候持续性因子,分别采用支持向量机法、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、48h热带气旋路径预报模型。通过1997～2002年的试报,支持向量机法明显优于回归方法和神经网络法,12h的预报水平分别提高了4.97%和2.75%,而且随着预报时效的延长,这种优势越来越明显,48h的预报水平提高了11.92%和7.88%。

夏季南海台风移动路径的一种客观预报方法

以1960—2003年共44 a夏季的7月、8月、9月西行进入南海海域的台风样本为基础,综合考虑南海台风移动路径的气候持续因子和数值预报产品物理量因子,运用条件数方法选取因子并建立回归方程,进行台风路径预报模型的预报建模研究。通过对比分析发现,基于条件数方法的南海台风移动路径模型具有较好的预报效果,7月、8月、9月3个月24 h台风路径预报的平均距离误差为153.9 km,预报能力明显高于目前国内外的其他一些台风路径客观预报方法。该方法的预报精度相对于逐步回归方法有了很大的提高,相对于气候持续法也为正的预报技巧水平。

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)。

基于局部线性嵌入的人工智能台风强度集合预报模型

利用局部线性嵌入算法通过学习挖掘高维数据集的内在几何结构,高效地实现维数约简和特征提取的能力,论文以2001—2012年共12年6—9月西北太平洋海域内生成的台风样本为基础,将气候持续因子作为台风强度的基本预报因子,采用局部线性嵌入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,以进化计算的粒子群算法,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,进行了分月台风强度预报模型的建模研究。在建模样本、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预报试验。试验对比结果表明,前者较后者在6、7、8和9月24 h台风强度预报中,平均绝对误差分别下降了23.34%、24.46%、19.41%和27.45%,4个月的平均绝对误差下降了23.10%;48 h台风强度预报中,6—9月平均绝对误差分别下降了44.82%、16.73%、0.89%和49.26%,4个月的平均绝对误差下降了25.54%。进一步研究发现,在变动局部线性嵌入算法忌近邻个数的情况下,建立的台风强度集合预报模型,其预报结果稳定可靠,相对于气候持续法均为正的预报技巧水平,为台风强度客观预报提供了新的预报工具和预报建模方法。

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。

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％。