遗传门限自回归模型在气象时间序列预测中的应用

提出了建立门限自回归模型（TAR）的一套简便通用的方法。用基于实码的改进遗传算法,可同时优化门限值和自回归系数,解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型在气象预测中的广泛应用提供了有力工具。实例计算的结果说明:通过门限值的控制作用,TAR模型可有效地利用气象时序资料所隐含的时序分段相依性这一重要信息,限制了模型误差,保证了TAR模型预测性能的稳健性,提高了预测精度。该方法具有通用性,在各种气象非线性时序预测中具有广泛的实用价值。

基于商空间的气象时间序列数据挖掘研究

论文从一种新的角度,针对气象时间序列的特点,在商空间粒度计算理论框架下,采用多种粒度,从不同的层次分析复杂的气象数据信息,利用商空间的合成技术,和多侧面递进算法进行综合信息处理。并提出了一种灰色模型GM(1,1)与构造性机器学习方法(交叉覆盖算法)结合的模型对气象时间序列进行数据挖掘(产量预测)。最后,通过该模型在真实数据上的实验(冬小麦产量预测),取得了令人满意的结果。

基于雅砻江流域洪峰流量时间序列的非平稳性研究

针对水文气象时间序列广泛存在的非平稳性问题,通过MK趋势检验、Pettitt突变检验和广义可加模型GAMLSS研究雅砻江流域年最大洪峰流量时间序列的非平稳性特征.研究发现,流域局部地区极端降水显著增大导致年最大洪峰流量相应地不显著增加,河道上游调蓄性水库可缓解极端降水增大导致汛期洪峰流量不显著增加的潜在洪灾影响.流域支流或小流域水文站易受局地气候影响,洪峰流量序列呈现非平稳性.对于部分站点洪峰流量频率设计值随时间增大的工况,建议复核当前相关工程防洪安全.随着集水面积增大、支流汇入,局部极端气候影响减小,洪峰流量时间序列恢复平稳.目前,雅砻江中游干流洪峰流量时间序列基本仍维持平稳状态.该研究成果对变化环境下工程设计具有参考价值.

基于LSTM网络的大雾临近预报模型及应用

长短期记忆网络(LSTM)是一种时间递归神经网络,适合于预测时间序列延续性相对较长的事件.本文基于LSTM网络构建了一个全新的大雾临近预报框架,首先将地面气象要素观测资料转化成时间序列数据,并基于此序列进行建模.为了验证提出的模型的准确性,将安徽省81个国家站近2年地面气象要素数据转换为序列数据,基于该数据集对未来1–4小时进行逐小时大雾预报实验,实验结果显示本文提出的模型其TS-Score分别为61%、55%、36%和31%,明显优于卷积神经网络(CNN)以及传统机器学习算法如支持向量机(SVM)和K-近邻算法(KNN)的预测结果,是大雾临近预报的一种有效预报方法.

与时俱进 成就斐然——丁裕国教授

丁裕国教授，江办人，1941年出生于江苏省镇江市。1964年南京大学毕业后分配到南京气象学院（后更名为南京信息工程大学）任教，长期从事气候学研究与教学。曾任气象系气候教研室主任多年；先后讲授《气候统计学》、《气候变化》、《气象时间序列谱分析》、《气候诊断与预测》等课程，指导和培养硕士生30多人。曾任中国气象学会统计气象专业委员会暨江苏省气象学会统计气象专业委员会及出版委员会委员等职。

一种新模糊似然函数在聚类分析中的应用

运用一种新的模糊似然函数，用以表示模糊集合之间的相似程度。举例说明在气象时间序列中的应用，并与常用的度量样本相似程度的指标进行对比，得出几点有意义的结论。