用正压原始方程预报台风路径的试验的初步报告

本文对正压半隐式跳点格式的模式,在地图投影公式、地转参数、区域和格距大小等方面的处理,作了适当的改进,在此基础上,用来作台风路径的数值预报。对十几个台风个例进行了试验,试验结果表明,我们拟订的数值预报方案,具有一定的实用价值,我们还对1976年第09号台风进行了一次实际试报。当时对该台风的去向,有报北上的,有报西行登陆的,也有报南下的,只有我们和浙江省气象台预报台风将在海上转向。所报的路径与台风实际路径相符。     

基于IFOA-FSVM的WRF模式台风期阵风精细化预报

为提高天气预报模式(Weather Research and Forecasting Model, WRF)输出中台风期阵风的预测精度,将WRF模式输出与某观测站实况数据相结合,提出一种台风期阵风精细化预报方法.针对影响台风风速的因素众多,而传统依据人工经验预判的风速存在较大误差的现状,该方法构建了台风期阵风预测的模糊支持向量回归模型,同时为解决模糊支持向量回归模型中惩罚因子C和核参数g难于确定的问题,将果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)引入到模糊支持向量机(FuzzySupportVectorMachine,FSVM)的参数寻优中,并根据风速回归的特点,把果蝇优化算法引入到三维空间,结合增强因子γ以提高传统果蝇优化算法的全局寻优能力.实验结果表明,本文构建的模型预测风速与实际风速基本一致,相关性达到99%,不仅提高了WRF模式风速的适用性,而且风速预测精度明显优于传统FOA-FSVM和FOA-SVM方法,具有更强的泛化能力.     

近海和登陆热带气旋路径预报的数值预报释用方法

基于数值预报的释用技术,将支持向量机（SVM）回归方法应用于近海和登陆热带气旋（TC）的路径预报.从气象要素预报场与TC中心相关联的极值网格区域导出的中心相关点,以及TC线性外推位置,组成相关因子,建立预报模式,用来预报12,24,36,48,60和72 h之后的TC位置.应用GFS数值预报资料对2009和2010年14个TC进行实际业务应用检验,6个时次的距离绝对值误差分别为69.3, 106.4, 134.6,169.0,222.4和264.4 km;距离标准误差为63.1,89.2, 80.1,84.1,104.6和 124.1 km.前48 h模式预报与中央气象台的预报结果相近,72 h预报优于中央气象台预报,所有时次预报的涡度中心位置均优于GFS模式直接输出,表明此技术可以作为台风路径预报的另一个工具,投入业务应用.     

合风路径数值预报配套接力模式

本模式以国家或区域中心提供的大范围预报场为基础,使用较小型计算机作小范围较高精度的接力预报.它的特点是将原始方程分解成平流和适应两个过程,时间积分采用显式,即分裂显式积分格式.空间差分采用样条格式,水平网格分粗细两种,细网格随台风移动,初始场由中心台预报值不断提供更新。实际计算表明,此模式具有省时间、省费用、精度较高的优点,并便于实际业务使用.     

多级逐步判别分析在台风路径预报中的应用

本文应用“两段筛选”方法,在对预报因子进行初选的基础上,采用新近才发展起来的逐步判别分析,作台风路径的三级判别预报。同时,还对不同的初选方案所建立的判别函数进行了比较,显示了按一定的原则确定初选方案的重要性。另外,还提出了一个简化的因子初选方案,计算结果表明:这一方法是行之有效的,而且适用于广大气象台站。预报时效一般在48—72小时。     

基于基数排序及属性约简的雷电预报因子提取方法

雷电预报因子筛选是构建雷电预报模型的关键,也是提高雷电预报准确度的一个瓶颈问题。本文提出了一种基于粗糙集正域属性约简的雷电预报因子提取方法,该方法采用基数排序方法快速求解决策表的正域,引入可分辨度概念度量属性的重要性,提出了基于可分辨度的核属性与非核属性的提取方法,设计了相应的面向雷电预报因子提取的属性约简算法。真实气象数据集测试结果表明,该方法能有效提取最小集合的雷电预报因子,并较以往方法具有更好的性能。     

一个西移台风和一个转向台风的路径对比分析

本文对西太平洋一九六九年八月份一个西移登陆于中国福建的台风,和一个在海上转向日本登陆的台风在分离点时,从能量场、西风带长波调整、台风的内力和台风外围的风场等几方面进行了物理量的计算及其对比分析.发现它们之间存在着明显的差异,这些差异提供了作台风路径趋势预报时一个判据和参考:     

基于决策树和粗糙集的高分辨率短时临近雷电预报模型

雷暴天气造成众多人员伤亡及巨大经济损失,给人类社会带来极大危害,目前对高分辨率短时临近的雷暴天气的预报研究比较少。决策树有描述简单、分类速度快、易于理解、精度较高等优点,特别适合大规模的数据处理。根据气象数据的超高维而实际样本数又是有限的,并且很多属性是线性相关的特点,本文提出运用粗糙集进行属性约简,降低问题的复杂度,然后用决策树对约简后的样本进行模式识别。本文基于江西省的雷电活动设计出高分辨率雷电临近预报方案。通过实验表明本文所提出的预报模型比原有的SVM预报模型有更高的预报准确度。     

压能场与台风移行

本文探讨了压能场与台风移行的关系，提出了一个台风移行公式分析了它的物理意义，并对四个台风个例进行了计算.计算结果表明与实况相当一致.此公式可供气象台站台风路径预报业务使用.     

角动量短期变化与台风路径的关系——7805号台风个例分析

一、前言 从长期环流变化来看,地球与大气,大气内部各纬度间存在角动量输送,使得东西风带保持平衡。角动量输送短期变化对环流短期变化有影响,从而亦影响台风路径。张则恒等指出:角动量短期变化与台风路径关系密切,正值有利于台风转向。但是他们讨论仅是转向台风,而且在计算角动量输送时,仅考虑了水平输送,对铅直输送没有加以考虑。 本文选取了7805号强台风进行角动量输送计算。在计算中水平与铅直输送同时加以考虑。结果表明,台风所在纬度带的角动量变化与西行台风路径有密切关系,可以作为预报台风路径时参考。     

基于FOA-FSVM的RF模式台风期阵风精细化预报

For the sake of improving the accuracy of forecasting wind speed during typhoon strike in WRF model forecast, a new method for precision forecasting of typhoon wind speed is proposed by combining the data collected from the WRF model forecast and an automatic observation station. The method incorporates many factors influencing the typhoon wind speed. The wind speed which is obtained using the traditional human prediction produces large error when compared with actual wind speed. To address this issue, a fuzzy support vector regression model for wind forecasting is built. Considering the fact that the fuzzy support vector regression model is not adequately efficient in determining the punishment factor and kernel parameter, the fly optimization algorithm is introduced into optimizing the parameters of the fuzzy support vector machine. According to the characteristics of the wind speed regression, the fruit fly optimization algorithm is developed in three dimensional space, combining with the enhancement factor γ for improving the global optimization ability of traditional fruit fly optimization algorithm. The results show that the forecasting wind speed and the actual one is in good agreement with each other, and the correlation is as high as 99％. The presented method of wind speed prediction provides higher accuracy than that of traditional FOA-FSVM model and FOA-SVM model.     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照,以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证,结果表明,Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模,注意力机制有助于减缓多步预测中的预测精度衰减,提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

基于WRF数值模式的SDAE-SVR风速预测模型研究

风速预测是风力预报中的核心与基础, 采用天气研究和预报(Weather Research and Forecasting, WRF)模式进行风力预报往往存在风速预测误差较大的问题. 为了提高风速预测精度, 提出了一种基于深度学习和支持向量回归(Support Vector Regression, SVR)相结合的风速预测模型. 该模型以WRF模式预报输出的多种气象变量为基础, 结合气象自动观测站传感器的实测风速, 引入堆栈降噪自动编码(Stacked De-noising Auto-Encoder, SDAE)深度网络来学习样本数据中隐含的深度特征, 然后将该深度网络最后一层输出的深度特征置入回归器SVR中, 利用SVR良好的回归预测性能对WRF模式预报的未来1h风速进行预测订正. 结果表明: 所建立的SDAE-SVR风速预测模型具有较高的风速预测精度, 在对典型日的WRF模式预报未来1h风速的预测订正中, 其平均百分比误差与均方根误差仅为8.28％与0.8 066 m·     

基于因素分析和SVM模型的江海联运运量预测方法

鉴于江海联运运量受众多因素的影响, 为了解决江海联运运量预测问题, 先对江海联运运量影响因素进行分析, 再用灰色关联度分析筛选出其中的典型因素. 在此基础上应用粒子群算法优化的支持向量机建立江海联运运量预测模型, 应用于宁波港域江海联运量的预测. 结果表明, 该模型与传统时间序列预测方法相比具有较高的拟合度和预测精度, 为解决江海联运运量等多因素非线性系统预测提供了一条新的途径.     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

RBF神经网络集成多个气象数值产品的方法研究

对MM5V3模式中16组组合区域气候模拟试验所得的结果,分区域以RBF神经网络进行集成,分析了网络结构参数的不同对集成结果的影响,最后对整个区域的温度场进行了集成.结果表明:选择合适的网络结构参数是至关重要的,神经网络的非线性集成结果均明显优于单个参数化方案和16个方案线性集成的预测结果,整个区域的温度场集成结果比MM5模拟更接近于实况场,均方根误差场也较原MM5方案明显减小.这些结果对于区域气候的集成预测以及进一步优化神经网络的性能有一定的参考意义.     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于改进卷积神经网络的数控机床旋转轴热误差建模方法

为对五轴数控机床旋转轴的热误差进行更精确地预测,解决变工况条件下预测精度不佳与热误差数据获取困难的问题,提出了基于改进卷积神经网络的热误差建模方法.采用激光干涉仪与热成像仪采集不同温度下的角度定位误差与热图像,对热误差进行傅里叶函数拟合,将预测目标由不同角度下的热误差转变为拟合函数参数.在VGG网络模型架构上,引入SKNet注意力机制,以提高模型对变工况下的热图像特征提取水平,并采用全局平均池化代替全连接层,以改善过拟合情况.将建立的模型用于热误差预测,结果表明,旋转轴热误差预测RMSE在升温状态下为8.36″,降温条件下为9.57″,预测精度达90%以上,优于普通卷积神经网络模型.结果证实了所提方法在旋转轴热误差建模中的有效性.     

基于复合神经网络的多元水质指标预测模型

长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络（recurrent neural network,RNN）中的门控循环单元（gate recurrent unit,GRU）模型与全连接神经网络（fully connected neural network,FCNN）,提出了改进的多元水质指标预测（MWQPP）模型,并用其预测长江流域水体的pH、溶解氧（DO）、高锰酸盐指数（CODMn）、氨氮（NH₃-N）。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%