最小二乘支持向量机在云量预报中的应用

基于2003—2006年逐年1、8月WRF区域数值预报产品和单站观测资料,采用最小二乘支持向量机回归方法,结合选取合适的参数和核函数,分别按月通过不同长度样本序列建立了台北和厦门站总云量和低云量短期释用预报模型,利用2007年1、8月样本资料对模型进行了预报和检验,并与神经网络方法进行了对比。结果表明:最小二乘支持向量机回归方法的预报效果要好于神经网络方法;两站不同长度样本的总云量和低云量预报模型,预报效果较好,其预报准确率不会因为训练样本的减少而降低。可见,最小二乘支持向量机回归在云量等气象要素释用预报方面,具有较好的应用前景。

基于模式输出统计预报方法的云量精细化预报

通过对T639数值预报产品的释用,结合地面气象观测站资料,以环渤海地区兴城站为例,建立了云量的精细化预报模型.从云形成的基本条件出发,选取4类天气学意义明确的预报因子:水汽类、大气不稳定度类、大气上升运动类和天气系统强度类,以总云量、低云量为预报对象,通过逐步回归法建立兴城站逐月、逐时次的云量预报方程.结果表明,云量主要受水汽、大气上升运动和大气不稳定度影响.回代检验结果表明,总云量平均绝对误差为20%,低云量平均绝对误差为16%,低云量的预报方程预报效果更好;总云量夏半年预报准确率更高,低云量冬半年预报准确率更高,可为云量精细化预报提供参考.

基于支持向量机的云量精细化预报研究

基于T639数值预报产品与地面气象观测资料,以环渤海地区兴城站为例,选取与云的形成密切相关的4类预报因子——水汽类、大气不稳定度类、大气上升运动类和天气系统强度类,以总云量、低云量为预报对象,运用支持向量机,选取最佳参数,建立兴城站云量的逐月、逐时次精细化预报模型。试预报结果表明:平均预报准确率总云量为71%,低云量为69%,预报准确率较逐步回归模型有所提高;在大部分月份、时次,试预报值的变化趋势与观测值一致,可以较好地反映实际阴晴变换和云量变化;基于支持向量机的回归模型对云量有较好的预报能力。

云量时间精细化预报研究——以榆中为例

利用2001年7月至2011年7月甘肃省榆中县地面观测站每日8次云量资料和同期NCEP每日4次等压面资料,由NCEP资料构造预报因子,以总云量和低云量为预报对象,分析预报因子和预报对象的相关性,采用逐步回归方法建立榆中县逐月每日8个时次的云量预报方程并进行回代;并利用2012年的资料检验预报方程的预报效果。结果表明:云量主要受整层湿度、垂直运动、不稳定能量、槽强度指数和700 h Pa水汽通量散度影响,其中湿度条件和垂直运动是重要因素。建立的预报方程对总云量的预报效果比低云量好;总云量平均预报误差在2成左右,低云量平均预报误差在3成左右;预报值的变化趋势可以部分地反映实际云量的变化趋势。

基于模糊随机理论的短期太阳辐射强度预测

基于模糊随机理论,提出太阳辐射值预测模型,得到预测云层覆盖率下太阳辐射值的预测区间及期望值等。分析云层覆盖率的随机性和云遮系数的模糊性;运用模糊随机理论处理云遮系数;以无云天气计算太阳辐射值的REST模型为基础,用云遮系数对其辐射值进行修正,从而得到有云天气的辐射值。利用美国BMS光伏电站的数据对模型进行验证,结果表明该模型具有较好的预测精度。

基于BP神经网络的单站总云量预报研究

云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一。为了对北京单站总云量进行预报,利用人工神经网络的BP模型,针对不同时次进行关键因子的选取,尝试用多种预报因子的组合,建立了总云量预报模型。试验结果表明:所建立的模型具有较好的拟合、预报精度,并且没有出现"过拟合"现象,对新样本具有较好的泛化能力。

辽宁乡镇天气预报中风和相对湿度及云量的空间插值方法

针对开展乡镇天气预报时对高精度逐日气象要素输入值的需要,以辽宁地区为例,在乡镇预报前期研究成果的基础上,选用距离权重反比法作为基本方法,综合考虑海拔高度,建立风向、风速、相对湿度和云量历史资料库。结果表明:风速、相对湿度可由经度和纬度求算权重,然后采用海拔高度订正插值误差最小;风向和云量可由经度、纬度和海拔高度求算空间距离,确定权重插值误差最小。

相似预报方法在山西省云量预报中的应用

云是一种常见且非常重要的天气现象,云量预报一直是天气预报业务中的难点之一。本文基于相似预报原理和相似离度判据,利用ERA-Interim再分析资料、T639数值预报产品和1980—2013年山西省109个地面气象观测站云量资料,遴选与云量关系最为紧密的预报因子进行组合,设计了3层嵌套5级过滤的逐步相似过滤方案,对2010—2013年山西省云量进行时效为10 d的回代预报。结果表明:该套方案对山西低云量预报效果优于总云量预报。1～10 d低云量预报误差在1成以内的准确率为71. 6%～74. 4%,其中春、秋、冬季各月的预报误差均小于2成,而夏季6—8月的误差相对略大; 1～10 d总云量的预报误差在3成以内的准确率为54. 9%～62. 8%,大部分月份的预报误差小于3成,但7—9月的误差相对较大。总云量和低云量预报准确率随着预报时间延长而略有减小,这对于山西省云量的短、中期预报具有重要参考价值。

基于全球天气预报系统对河套周边地区低云量精细化预报

基于2008-2013年全球天气预报系统(GFS)预报场资料,构造了30个云预报因子,分析了其与低云量的相关关系,采用多元逐步回归预报方法建立了黄河河套周边地区低云量0~168 h逐小时精细化区域预报,评估了预报模型的预报效果.结果表明,低云量与水汽类因子整层湿度和整层相对湿度具有较强的正相关性;与大气可降水量、低层温度露点差和总温度具有较强的负相关性;与GFS云类预报因子有较强的正相关性.在预报方程中水汽类预报因子和GFS云量因子具有较高的引用频数.多元逐步回归方法低云量预报值与实况的差值明显低于直接使用GFS低云量的预报结果,在夏季逐步回归方法对低云量有较大改进,上半年对低云量的订正效果强于下半年.逐步回归方法对西北部低云量的订正能力高于东南部地区,部分地区的订正能力在20%以上.

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统(GFS)预报场资料,采用自适应线性最小二乘回归(LS)和自适应递推卡尔曼(Kalman)滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法(LSSVM)得到的总云量进行了对比,结果如下:(1)相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。(2)LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。(3)LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优(少云击中率平均提高24%,多云击中率平均提高34%)。(4)自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。

有云条件下太阳辐射短临预报订正技术研究

利用2019年甘肃省7个光伏电站太阳总辐射、气温、相对湿度等观测数据和WRF模式太阳总辐射预报产品及FY静止卫星总云量数据,在大气透过率与气象要素相关性分析及数值模式预报能力评估基础上,对甘肃太阳总辐射短临预报误差进行订正研究。结果表明:大气透过率与气温呈显著正相关(相关系数为0.61),而与相对湿度、气压、总云量呈显著负相关(相关系数依次为-0.44、-0.31、-0.81),总云量对太阳辐射的衰减作用贡献最大,其次为相对湿度。太阳辐射预报偏差较大,误差呈明显的"单峰型"月际分布,6月最大,均方根误差在冬季最小为45.63 W·m^(-2),夏季最大为240.4 W·m^(-2);预报能力在晴天强、云天较差,其误差主要来源于位相偏差和系统偏差。考虑云量的太阳辐射短临预报订正效果显著,阴天太阳辐射预报订正后的均方根误差降幅为101~216.4 W·m^(-2),平均绝对误差降幅为59.5~173.07 W·m^(-2);误差最大的夏季,太阳辐射预报订正后的均方根误差降幅为1.92~64.23 W·m^(-2)。

MOS方法在机场气象要素客观预报中的应用

利用WRF中尺度数值模式和模式输出统计(MOS)方法,研究建立乌鲁木齐机场逐时温度、相对湿度的回归预报模型,并尝试针对冬季低云、低能见度等天气建立分类预报模型,通过对统计模型的检验可以看到:逐时温度绝对差为1.09～2.33℃;逐时相对湿度绝对差为4.7%～9.6%;11月至翌年2月低云量>5分量分类预报准确率为76.94%～83.13%,TS评分54.27%～66.50%;11月至翌年2月能见度≤800 m的分类预报准确率为89.83%～92.04%,TS评分为29.09%～46.05%。该方法预测效果较好,因此可以尝试使用本方法为日后航空气象业务提供机场客观预报指导产品。

峨眉山云海景观预报方法及云量特征研究

对近30年峨眉山云量云状的变化特征进行统计分析,研究峨眉山低云量的气候变化特征以及时空分布特征;通过近30年云状出现的频次,发现峨眉山常年以积云和层状云为主;主要分析了相对湿度对云量的影响,并通过相对湿度和云量的预报来判定云海景观出现的概率。

从预报角度探讨乌鞘岭山区大气温差成因

利用2009年7月—2015年12月河西走廊东部乌鞘岭和天祝逐时气温、日照、地面2 min风场及每隔6 h云量资料,详细分析乌鞘岭山区大气温差、云量特征的时间变化及其预报关系,旨在提高天祝最低气温的预报准确率。结果表明:冬季08时气温乌鞘岭高于天祝的频率超过50%,温差强度达4~6℃;春夏季5—9月气温乌鞘岭高于天祝的频率低于40%,温差强度较弱在2℃以下。云量中夜间至清晨(02—8时)少,傍晚较多;5—9月较多,冬季较少。天空状况除冬季晴天多,出现频率高于50%外,其它季节阴天较多,晴天次之,多云较少,不足20%。乌鞘岭谷风多,而天祝山风多。气温乌鞘岭高于天祝的频率和强度与云量、山谷风、太阳照射时间、季节和天气系统密切相关。晴天和阴雨天气报准,天祝最低气温预报准确率最多可能提高30%,晴天报准时预报准确率最多可提高10%以上。

一种改进马尔科夫链的光伏出力预测方法

准确有效的光伏出力预测方法对含光伏配电网的规划和运行具有指导意义,针对光伏随机性,提出一种改进马尔科夫链的光伏出力预测方法。基于云层覆盖水平指标划分云层状态,建立云层状态转移矩阵。引入状态持续时间抽样法,建立具有时序性的改进马尔科夫链模型预测云层状态变化曲线。利用随机抽样法从云层状态时序曲线中抽取各时刻辐照度样本值,依据光伏出力与辐照度的关系间接预测得到光伏出力时序曲线。仿真分析验证了所提方法的有效性。