逐日降水的数值预报产品人工神经网络释用预报研究

论文摘要

本文利用2002、 2003年5、 6月中国气象局的T213模式和日本细网格降水模式的48小时预报场等数值预报产品资料,采用人工神经网络方法进行新的数值预报产品释用预报方法研究。首先根据1951-2000年5、 6月广西89站逐日降水资料,通过聚类分析方法按相似程度把广西分成3个区,并以3个分区为基本预报区域。为探索数值预报产品释用的新途径,设计了3种不同的方案对2004年5、 6月进行实际业务预报试验:方案（1） :按业务规定对3个基本预报区的逐日平均降水量分成5级（无雨、小雨、中雨、大雨、暴雨）,以24小时平均降水量级为预报对象,对T213和日本模式的数值预报产品场进行相关普查,初步筛选预报因子。对初选的数值预报因子进行主分量分析,提取相关程度高的主分量作为神经网络的输入矩阵,建立网络结构规模较小的神经网络降水量级定性预报模型,并进行实际业务预报试验。分析预报模型的性能,对神经网络模型的输入矩阵构成提出改进方法。方案（2） :同样以3个区域24小时平均降水量级为预报对象,根据方案（1） 提出的改进方法,进行新的试验。为突出日本模式降水预报因子的作用,仅对数量众多的T213预报因子进行主分量分析,提取相关好的主分量,并和没有参与主分量分析的日本模式降水预报因子一起组成新的神经网络模型的输入矩阵。试验结果表明,这种保留优秀预报因子信息的方法是有效的。所建立的广西省3个预报区域的人工神经网络预报模型对中雨以上降水量级预报的TS评分分别为0. 55、 0. 5和0. 26,比目前业务预报中参考使用的T213和日本数值预报产品降水预报具有更好的预报效果。方案（3） :在定性降水量级预报试验成功的基础上,进一步进行定量降水预报试验。以3个区域24小时平均降水量为预报对象,运用已经试验成功的方案（2） 的方法,建立神经网络平均降水量预报模型进行实际业务预报试验。统计试验结果表明,建立的神经网络模型逐日预报的平均绝对误差、最大预报误差以及可信预报的百分率均明显优于同期的T213数值预报模式的降水预报精度,神经网络模型的中雨以上降水过程预报能力同样也优于T213,显示了很好的应用前景。综合分析以上3种方案的试验结果,本文提出的保留优秀预报因子的预报信息,对数量众多的其它预报因子进行主分量分析以获得网络结构规模较小、预报信息丰富全面的神经网络模型的方法具有更好的预报能力,是数值预报产品释用预报的新尝试,为充分利用数值预报产品,提高业务预报水平,提供了新的思路和有效方法。

论文目录

• 中文摘要
• 英文摘要
• 第一章绪论
• 1. 1引言
• 1. 2国内外研究动态
• 1. 3本文的主要研究工作简述
• 第二章人工神经网络的原理和方法
• 2. 1人工神经网络方法概述
• 2. 2人工神经网络的发展史
• 2. 3BP网络基本原理
• 2. 3. 1BP网络介绍
• 2. 3. 2BP算法的数学原理
• 2. 3. 3BP算法实现的步骤
• 2. 4运用BP网络建模需注意的问题
• 第三章广西逐日降水数值预报产品释用预报
• 3. 1预报对象的处理
• 3. 2预报因子处理
• 第四章三种方案的数值预报产品释用预报方法
• 4. 1预报模型输入矩阵的处理方法
• 4. 2降水量级神经网络预报模型试验方案一
• 4. 3降水量级神经网络预报模型试验方案二
• 4. 4降水量神经网络预报模型试验方案三
• 第五章小结与讨论
• 参考文献
• 论文附图及附表
• 致谢