人工神经网络在梅雨期短期降水分级预报中的应用

将人工神经网络应用于南京夏季梅雨期短期降水分级预报。根据梅雨期天气特点,用统计和动力学方法从HLAFS(高分辨率有限区域预报系统)资料中寻找预报因子;然后分别用两种方法选取输入因子对人工神经网络进行训练,并分别利用抽取的五天做降水分级预报检验。通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现:与HLAFS降水预报相比,降水预报准确率由原来的66.7%提高到88.2%,漏报、错报明显减少;与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高。

多模式集成分级降水概率及落区预报试验

利用欧洲中心模式(EC-thin),日本模式(JAP),德国模式(GER),T639模式(T639)以及天津WRF模式(TJ-WRF)的格点降水预报资料和历史实况资料,分别基于Rank方法、平均法、相关法设计了三种集成降水概率预报方案,并对2014年4-10月进行集成降水概率预报试验及RPS、BS评分、ROC曲线检验,探讨了集成降水概率预报产品在实际降水预报业务中的应用方案。研究表明:对于各个量级的降水概率预报,Rank方法的预报准确性好于平均法和相关法。基于Rank方法的集成降水概率预报具有可预报性,通过晴雨概率阈值的试验分析,发现当集成降水概率预报达到40%时,降水预报准确率最高,晴雨预报准确率可达到85.1%,通过对各量级概率阈值的试验分析,发现基于集成概率预报阈值得到的分级降水预报产品的ETS评分明显高于单一模式成员;通过个例检验,多模式集成降水概率预报大于40%的区域对降水落区具有较好的指示意义,降水落区预报击中的准确率达到62.3%,典型个例分析显示,对天津小概率极端性的全区性暴雨落区和概率较大的一般性降水落区均有较好的预报效果。

湖北省梅雨期分级降水预报试验

以武汉中心气象台日常业务降水预报项目为研究对象，选择梅雨期１２—３６小时预报时段，以灰色系统理论的生成函数为基础，运用灰色预测模型将ＬＡＦＳ模式等降水量预报集成，制作了武汉单站降水量分级（弱降水，中等强度降水和强降水）预报。运用回归分析方法，将ＬＡＦＳ资料的降水量预告场订正到湖北省５个自然区，制作湖北省区域降水分级预报。经过１９９３年、１９９４年准业务试验，获得了较好的效果。

人工神经网络方法在短期天气预报中的应用

将人工神经网络方法试用于南京夏季短期降水分级预报,根据南京夏季梅雨期的天气特点,用统计和动力学方法从HLAFS(高分辨率有限区域预报系统)预报产品中寻找预报因子,然后用2种方法选取输入因子分别对人工神经网络进行训练,并利用抽取的5天雨量实况作降水分级预报检验.通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现:与HLAFS数值模式的降水预报相比,人工神经网络降水预报方法的准确率提高了20%以上,而且漏报、错报明显减少;特别是与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高,这一研究表明人工神经网络方法在短期天气预报中也会有较大的应用价值.

极限学习机神经网络在短期降水预报中的应用

数值预报产品释用是天气预报现代化发展方向,也是我国预报业务建设的重点之一.结合主成分分析方法从中国气象局T213资料中选取降水预报因子,利用极限学习机(Extreme Learning Machine,ELM)神经网络方法进行衢州单站逐日降水的分级预报研究.结果表明:主成分分析方法可以保留原来预报因子矩阵大部分信息并大幅降低矩阵维数,使新的预报因子之间相互正交;ELM方法不仅具有很强的历史拟合能力,独立样本所有降水预报TS评分也从T213模式预报0.3提高到0.8,特别是对大到暴雨有了较强预报能力;与相同条件下BP方法预报模型相比,ELM方法网络参数设定简单,训练速度快,历史样本的训练结果和独立样本的预报结果也都要优于BP方法.

河南省层波状云系飞机人工增雨作业条件短期预测方法

对河南省春秋季降水以及云状特征的分析表明,河南省春秋季降水大多为层状云或波状云产生的稳定性降水,因而可采用对河南省分区分级进行降水预测的方法来确定适合飞机人工增雨的天气过程以及短期增雨区域。利用T213数值预报产品,运用逐步回归建立分区分级预报方程,并针对个别准确率较低的区域进行后处理。结果表明,用此方法对人工增雨作业进行指导是可行的。