Forecasting Monsoon Precipitation Using Artificial Neural Networks

This paper explores the application of Artificial Intelligent (AI) techniques for climate forecast. It presents a study on modelling the monsoon precipitation forecast by means of Artificial Neural Networks (ANNs). Using the historical data of the total amount of summer rainfall over the Delta Area of Yangtze River in China, three ANNs models have been developed to forecast the monsoon precipitation in the corresponding area one year, five-year, and ten-year forward respectively. Performances of the models have been validated using a 'new' data set that has not been exposed to the models during the processes of model development and test. The experiment results are promising, indicating that the proposed ANNs models have good quality in terms of the accuracy, stability and generalisation ability.

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。

一种改进的BP算法及在降水预报中的应用

传统BP(back propagation)算法在实际应用中具有网络结构参数和学习训练参数难以确定、泛化能力差、训练学习易陷入局部极小点等问题。该文在传统BP算法的基础上,提出一种改进算法,在训练过程中能自动确定各种参数,并避免陷入局部极小点,提高网络的泛化能力。利用2003—2005年5—9月中国国家气象中心T213的数值预报产品,通过动力诊断得出反映降水的物理量,然后从中挑选出与降水关系较好的25个因子,连同中国国家气象中心T213模式、日本气象厅业务模式和德国气象局业务模式相应的降水量预报结果作为预报因子。采用改进的BP算法建立江淮流域68个站24 h降水(08:00—08:00,北京时)3个等级(降水量≥0.1 mm,降水量≥10 mm,降水量≥25 mm)的预报模型。通过对2006—2007年5—9月68个站试报结果表明:改进BP算法对降水预报的TS评分大大高于传统BP算法,也高于几种模式的降水预报结果,同时,改进算法使降水预报的平均空报率、漏报率明显降低。

GA-BP神经网络模型在流域面雨量预报的应用研究

通过采用遗传算法优化网络初始权重的方法,将遗传算法(GA)和前馈误差反传播(BP)算法有机地结合,优势互补,并应用于流域面雨量预报。以广东省东北部的滨江流域为试验区域,以1995～2001年气象探空资料为基础,利用最优子集回归技术进行预报因子筛选,建立了流域面雨量预报的GA-BP神经网络模型,取得了满意的结果。试验表明:(1)6小时流域面雨量预报神经网络的优化结构是7-7-1,转移函数的组合方式为tansig-线性函数。(2)训练算法为Levenberg-Marquardt算法(LM)。(3)遗传算法具有快速学习网络权重的能力,对BP网络易陷于局部极小点。(4)利用GA-BP神经网络模型对未来6小时流域面雨量的预报精度明显高于其它统计方法,证明了这种方法的有效性和可靠性。

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.

人工神经网络的短期气候定性预测方法研究

采用EOF方法将众多具有一定物理意义的环境场预报因子和序列周期因子进行降维去噪处理 ,并结合人工神经网络前馈网络模型 ,进行了影响广西热带气旋年频数和夏季 (6～ 8月 )降水量短期气候预测的定性预报建模方法研究。结果表明 ,该方法对于影响广西热带气旋的年频数及广西夏季降水量定性趋势具有很好的预报能力 。

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象,采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解,有效浓缩数值预报产品因子的预报信息,并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验,并与T213的降水预报进行对比分析。结果表明,本文建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报。

考虑前期影响雨量的NLPM-AMN模型

建立了一种考虑前期影响雨量和采用人工神经网络的非线性扰动模型。模型结构与NLPM-API模型相似,不同之处在于采用人工神经网络模拟输入扰动项与输出扰动项之间的相互关系。采用牧马河和鲇鱼山水库流域的日降雨径流资料对模型进行了率定和校核。结果表明,所建模型与线性扰动模型、NLPM-AMN模型和NLPM-API模型相比,两个流域在率定期的模型效率系数增长幅度分别为10.84%,1.54%,10.6%和21.59%,0.67%,10.11%;在检验期的模型效率系数增长幅度分别为5.56%,0.97%,4.41%和11.86%,1.76%,7.97%。所有的评价指标均优于其他模型。

降水量的BP人工神经网络预测模型及其应用

由于影响因素的复杂性 ,预测降水量具有相当的难度。在假设区域长时间内降水量和蒸发量保持平衡的基础上 ,用 BP人工神经网络建立了陕西省汉中市的降水量预测模型 ,根据前 3个月降水量和蒸发量对降水量资料进行了模拟预测 ,结果认为其准确率为 84% ,合格率为 10 0 %。

一种基于神经网络的中国区域夏季降水预测订正算法

基于CWRF(climate extension of WRF)区域气候模式的动力降尺度预测技术对夏季降水预测存在一定偏差,难以实现准确预测。本文立足于中国区域夏季降水特点,分析与夏季降水相关的气象要素,采用树突(dendrite,DD)网络与人工神经网络(artificial neural networks,ANN)相结合的方法,针对CWRF模式回报的1996—2019年夏季降水量进行订正,检验其订正效果。结果表明:人工树突神经网络(artificial dendritic neural network,ADNN)算法模型订正的中国夏季降水量整体好于CWRF模式历史回报,距平相关系数和时间相关系数较订正前均提高约0.10,均方误差下降约26%,趋势异常综合检验评分提高6.55,表明ADNN机器学习方法能够对CWRF模式夏季降水预测实现一定程度的订正,从而提高该模式降水预测精度。

TIGGE模式在淮河水系史河流域的应用

为了提高淮河水系史河流域降水预报的精度,对TIGGE模式降水预报校正方法进行了研究。基于TIGGE的ECMWF、KMA、JMA、UKMO、CMA等5个模式2015—2017年汛期在史河流域的降水预报数据和雨量站实测降水资料,采用降水预报的均方根误差指标和在确报率、空报率和漏报率评价指标基础上提出的降水预报三率综合评价指标,对各模式在1~7 d预见期内的预报精度进行综合评价,采用2种非线性方法RBF及ν-SVR对TIGGE的5个降水预报模式进行非线性集合预报校正,并与线性方法BREM法进行了比较。结果表明:TIGGE的5个模式中,JMA模式的降水预报精度最高,其次是ECMWF和UKMO,实时降水预报校正ν-SVR法明显优于BREM法和RBF法;实时降水预报校正ν-SVR法提高了TIGGE模式降水预报的精度。

基于随机森林的中长期降水量预测模型研究

为解决降水预测中存在的非线性问题,避免传统人工智能方法的过拟合弊端,提高中长期降水预测精度,引入了随机森林算法,通过优选预报因子,分别构建了年、月降水预测模型,并应用南京市1951~2013年降水系列及水文气象因子系列,验证所建模型的适用性。结果表明,随机森林模型预测精度较高、稳定性好、泛化能力强,能有效预测年、月降水量;与BP神经网络模型和支持向量机模型相比,随机森林模型效率更高、性能更优,尤其适用于大样本的逐月降水量预测中。

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具“潜力”的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。

人工神经网络在南京秋季短期降水预报中的应用

利用2002年10月2日—12月1日的HLAFS资料,计算得到组合因子,通过相关系数的检验得到预报南京秋季(10—11月)降水的组合预报因子。把这些组合因子和对应的降水实况输入人工神经网络中进行学习和训练,最后得到南京秋季降水的人工神经网络预报方法。检验和试预报结果表明,预报降水的准确率为70%～80%,高于HALAF模式10%～20%。

长江上游月降水人工神经网络预测模型

长江上游月降水量预测对于三峡库区及整个长江流域水资源管理具有重要意义。根据长江上游不同气候区降水差异,选取玉树、九龙和宜宾3个代表性气象站点近60a的月降水量数据,运用反向传播神经网络、径向基函数神经网络、广义回归神经网络和多元线性回归法,确定降水时滞和降水月份,建立月降水预测模型,来预测未来一个月的降水量,并采用均方误差和判定系数来验证和对比各种模型的模拟效果。结果显示:人工神经网络模型总体上优于多元线性回归,特别是反向传播神经网络的模拟结果各站表现较好,在确定合理的输入变量和网络结构后,可以尝试作为长江上游各站月降水预测模型。

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.