降水预测

摘要： 在综合分析降水统计预测模型特点的基础上,提出一种基于Attention机制、卷积神经网络(CNN)和BP神经网络的CNN-Attention-BP组合模型,并对1961—2020年不同气候类型的长春站、白城站、延吉站夏季降水进行实证分析.首先,运用卷积神经网络对6—8月20—次日20时降水量、平均气压、平均风速、平均气温和平均相对湿度进行特征学习,利用Attention机制来确定气象影响因素对降水预测的权重;然后,使用BP神经网络进行降水发生预测,选用准确率、交叉熵损失函数和F1-score来综合评价CNN-Attention-BP组合模型的性能.最后,将单一的支持向量机、多层感知机和卷积神经网络模型与组合模型进行比较分析.结果表明,CNN-Attention-BP组合模型具有自主学习和关注更重要信息的特征,能够有效提高吉林省夏季降水发生模型的预测能力,在样本越均衡、降水频率越接近于0.5的站点,预测精度越高,准确率最高可达88.4%.CNN-Attention-BP组合模型的准确率相较于其他单一模型最高可以提高近17个百分点.

摘要： 降水作为全球水循环的重要组成,与人们的生产生活密切相关.有效的降水预测对于防灾减灾,以及经济的可持续发展至关重要.然而,由于影响降水过程的复杂性,当前降水预测还存在诸多挑战.针对我国东部夏季降水,我们提出年际增量结合经验正交分解的新统计预测方法.首先计算降水年际增量的主模态,然后针对主模态时间序列构建预测模型,用预测的时间序列叠加观测空间场得到重构的降水年际增量,最后将预测的降水年际增量加上前一年的观测降水,得到最终预测的东部降水.针对1990-2020年的东部夏季降水,该方法在每年三月构建的预测模型预测效果稳定,对于2021的实时预测亦展现了可观的预测水平。

摘要： 黑龙江省的齐齐哈尔市水资源严重短缺,大气降水对水资源量影响极大,因此本文分析了齐齐哈尔市的降雨特征及趋势并且对未来降雨量进行了预测,为该地区预防旱情和抵抗干旱灾害方面提供了坚实的理论基础。本文采用了齐齐哈尔市4个气象站1960-2015年的降雨资料,它们分别是齐齐哈尔市克山站、龙江站、齐齐哈尔站和富裕站,对其年际降雨特征和BP神经网络降水量预测等进行研究,表明齐齐哈尔市56 a内降水量呈现缓慢上升趋势,且基于EMD的BP神经网络预测模型所分析出来的相对误差全部在10%以下,说明该模型适用于齐齐哈尔市降水分析。

摘要： 以黄委青铜峡水文站年降水数据为例,选取Kolmogorov-Smirnov分布检验对现有青铜峡水文站年降水数据进行降水分布显著性检验,判断历史资料的分布模型。采用基于皮尔逊层次聚类法进行状态划分,建立最优预测模型,并根据已确定的降水分布,通过K-S检验对该地区未来降水预测的准确性进行检验。结果表明,青铜峡水文站降水分布为皮尔逊三型分布;马尔可夫模型能够适用于青铜峡地区降水预测。

摘要： 为了掌握未来降雨量的变化趋势,利用2010—2019年江西省主要的16个气象站点逐月降雨量数据进行降水空间特征分析,并基于ARIMA预测模型对江西省2020—2021年的逐月累计降雨量进行预测.根据拟合度结果得出具有模型预测准确度较高,说明该模型预测结果可以科学有效地提升水资源管理、规划及保护等各方面的能力,同时也证明了降水预测模型在现实使用中是可靠的.

摘要： 短时强降水天气对飞行安全影响极大,为提高航空安全系数,有必要对其进行准确的预测.考虑现阶段研究对短时强降水预测精度的不足,选取影响降水量的多种参数并对其进行重新组合.实验根据3个降雨的形成条件通过格点化处理选取6种影响降水量的参数,对影响降水量的参数进行多种组合,依据划分降水量等级,通过概率神经网络(PNN)与广义回归神经网络(GRNN)对短时强降水进行预测.结果显示选择6项物理量参数建立的PNN神经网络模型对未来24 h降水量预测精度最高.

摘要： 为探明景电灌区近年来气候变化规律,深化对灌区气候变化的认识和理解,以甘肃省景泰县1983—2017年的降水及气温日数据为基础,运用线性倾向分析、Mann-Kendall趋势检验及小波分析等方法,研究了景电灌区降水与气温不同时间尺度的变化,并预测了灌区降水的发展趋势,结果表明:近35 a景电灌区降水量呈缓慢上升趋势,气候倾向率为0.38 mm/a,冬灌降水呈显著上升趋势,其余灌季均呈下降趋势;灌区年降水量变化存在7 a和11 a这2个主要的周期尺度;灌区近35 a平均气温和极高气温均呈显著上升趋势,气候倾向率分别为0.056,0.050°C/a,而极低气温上升趋势不明显;灌区各灌季平均气温均呈上升趋势.由此看出,景电灌区气候变化整体呈暖湿化趋势,灌季尺度上,仅冬灌期间呈现明显的暖湿化趋势,其余灌季呈暖干化趋势.

摘要： 针对中长期降水预测精度低的问题,基于马尔科夫原理,应用K-means算法对降水序列进行聚类,引入权重和模糊理论,建立K-means的模糊马尔科夫链模型,并对结果进行分析.采用南京地区1951—2014年的降水序列作为样本进行模型训练,对包括南京市在内的9个地区的2015—2017年的降水进行预测,结果表明,7个年平均降水量低于1000 mm的地区中有6个地区的平均误差低于10％,另外27个预测样本中有14个误差低于10％,精度较高,可以将模型应用于降水量低于1000 mm地区的降水预测,为当地水资源的合理使用提供依据.

摘要： 水汽和气象要素是影响降水的主要因素,文中融合多种观测资料开展降水预测研究.首先针对区域GNSS观测资料反演高精度GNSS水汽序列;其次开展降水的影响因素分析;再次利用快速傅里叶变换方法提取降水主要影响因素的公共周期;然后开展水汽时间序列的变化分析,进行降水过程判别分析;最后采用RBF-BP神经网络技术,构建降水预测模型,模型预测与实际降水结果比较,评价模型预测效果.模型对降水时间的预测准确度为75％,对降水量的预测准确度可达70％.

摘要： 基于国家气候中心(NCC_CSM11)、美国国家环境预报中心(NCEP_CFS2)和欧洲中期天气预报中心(ECMWF_SYS-TEM4)三种模式产品资料,以及美国国家环境预报中心(NCEP)的大气环流再分析资料和云南、贵州及四川三省359个站点月降水资料,搜寻模式"有预测技巧的高影响关键区",使用逐步回归方法建立预测释用模型,比较采用原始资料和年际增量两种资料序列的释用结果与模式结果的预测性能.结果表明:原始资料释用结果月均PC评分与模式结果相近,PS和ACC评分则有所提高;增量资料释用结果对月降水预测性能的改进优于原始资料释用结果;进一步采用超级集合平均方法对各月三种模式增量资料释用结果进行集成,预测评分在绝大多数情形下超过参与集成的各成员评分最高值,集成结果对ACC提升最明显,其次为PC评分,对PS评分改进不明显.

摘要： 我国的短期气候预测业务经历了简单的经验统计分析、数理统计、动力模式和动力统计相结合几个发展阶段,目前我国已经建立了一套较为完备的延伸期—月—季节—年度短期气候预测业务系统.国家重点技术攻关项目动力与统计集成的季节气候预测系统(FODAS)吸收了动力学和统计学方法的优点而形成的针对提高短期气候预测准确率的一种新思路,是目前短期气候预测公认的可行之路.FODAS这一业务系统已经在2009～2014年的汛期降水预测中实现业务应用,连续6年准确把握了中国夏季的主雨带位置,6年降水预测综合Ps评分每年都在70分以上,显示了相关技术具有较高的预报技巧.

摘要： 本文将年际增量预测思路应用到陕西夏季降水预测,取得很好效果.年际增量定义当年气候变量的观测值(Yn)与其前一年变量值(Yn-1)的差值,简称"增量"ΔY=Yn-Yn-1.增量能够准确反映气候变量的准两年变化特征,可有效利用前一年的观测信息,使得气候变量年际和年代际变化信息均可以被较好地反映.增量反映气象变量动态变化规律,具有更加敏感的特点,更能准确表达气候变量的变化趋势.

摘要： 针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题,提出改进Adaboost算法集成反向传播(BP)神经网络组合分类模型.该模型通过构造多个神经网络弱分类器,赋予弱分类器权值,将其线性组合为强分类器.改进后的Adaboost算法以最优化归一化因子为目标,在提升过程中调整样本权值更新策略,以此达到最小化归一化因子的目的,从而确保增加弱分类器个数的同时降低误差上界估计,通过最终集成的强分类器来提高模型的泛化能力和分类精度.选取江苏境内6个站点的逐日气象资料作为实验数据,建立7个降水等级的预报模型,从对降雨量有影响的众多因素中,选取12个与降水相关性较大的属性作为预报因子.通过多次实验统计,结果表明基于改进的Adaboost-BP组合模型具有较好的性能,尤其对58259站点的适应性较好,总体分类精度达到81％,在7个等级中,对0级降雨的预测精度最好,对其他等级的降雨预测有不同程度的精度提升,理论推导及实验结果证明该种改进可以提高预测精度.

摘要： 本文利用完全集合经验模态分解(CEEMDAN)方法,对海河流域汛期(6-9月)降水进行多尺度分析,并识别其演变模式,获得各本征模函数(IMF),然后结合利用最近邻抽样回归模型(NNBR)、自回归模型(AR)、神经网络模型等多种方法对分解的各模态进行建模,选出最佳模型进行预测.经过对比分析,各模态最佳模型分别为神经网络模型与AR模型.因此本文采用CEEMDAN与神经网络及AR模型相结合的方法对海河流域汛期降水进行预测,并且同回归模型及单一的NNBR模型的预测值作比较研究.结果表明本文采用的模型稳定性好,能合理地预测海河流域汛期降水演变趋势,提高中长期汛期降水预测精度,具有一定的应用价值.

摘要： 建立基于物理过程的华南汛期降水的短期气候集合预测模型:以TBO和ENSO影响华南汛期降水的主要过程为因子，分别建立线性回归集合预测模型，之后将TBO和ENSO因子的预测模型组合得到最终的预测模型。其中集合过程成员8个，数据格点成员597个。1981-2010年用于建模的资料都是经过滤波处理的，将建好的模型用一般资料(没有经过滤波的)进行1981-2010年的回报试验，回报试验的PS评分在80分上下，评分标准差除4月外，全部在10以下，表明模型预测结果稳定，可用于业务预测。2011-2015年独立样本的预测结果评分同样是4月较差，汛期其他月份显示出较好地预测水平和稳定的预测结果。可见独立样本预测的结果与回报试验结果基本相同。集合物理统计预测模型可用于华南汛期(5-9月)降水预测，对整个南海和周边地区的降水预测也有参考价值。

摘要： 依据本溪市1953-2010年夏季降水量资料,采用均值标准差分级法,对夏季降水量进行涝、偏涝、正常、偏旱、旱5个状态分级.采用统计方法,建立转移概率矩阵;以规范化的各阶自相关系数为权重,运用加权马尔可夫链模型和模糊集理论中的级别特征值预测2011-2014年的夏季降水量状态和降水量,结果令人比较满意;为长期降水预测提供一条值得探索的途径.

摘要： 基于国家气候中心海气耦合模式(CGCM/NCC)预测产品和山西省50站夏季降水资料,利用典型因子回归的方法(CCA),建立了山西省夏季降水的统计降尺度预测模型.该预测模型选取了CGCM/NCC模式夏季500hPa高度场和海平面气压作为预测因子,分别选取了长江中下游地区和热带中东太平洋作为预报关键区.统计降尺度模型对2007～2014年山西省夏季降水的回算较模式原始结果有显著提高,除2008年外,空间距平相似系数(ACC)均通过了0.01的置信度检验,时间相关系数(TCC)在山西省大部分地区都有显著提高,最大可达0.6,PS评分在70分以上.检验结果显示,基于CCA降尺度方法建立的预测模型对山西省夏季降水模态预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果.

摘要： 基于国家气候中心海气耦合模式(CGCM/NCC)预测产品和山西省50站夏季降水资料,利用典型因子回归的方法(CCA),建立了山西省夏季降水的统计降尺度预测模型.该预测模型选取了CGCM/NCC模式夏季500hPa高度场和海平面气压作为预测因子,分别选取了长江中下游地区和热带中东太平洋作为预报关键区.统计降尺度模型对2007～2014年山西省夏季降水的回算较模式原始结果有显著提高,除2008年外,空间距平相似系数(ACC)均通过了0.01的置信度检验,时间相关系数(TCC)在山西省大部分地区都有显著提高,最大可达0.6,PS评分在70分以上.检验结果显示,基于CCA降尺度方法建立的预测模型对山西省夏季降水模态预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果.

摘要： 基于国家气候中心海气耦合模式(CGCM/NCC)预测产品和山西省50站夏季降水资料,利用典型因子回归的方法(CCA),建立了山西省夏季降水的统计降尺度预测模型.该预测模型选取了CGCM/NCC模式夏季500hPa高度场和海平面气压作为预测因子,分别选取了长江中下游地区和热带中东太平洋作为预报关键区.统计降尺度模型对2007～2014年山西省夏季降水的回算较模式原始结果有显著提高,除2008年外,空间距平相似系数(ACC)均通过了0.01的置信度检验,时间相关系数(TCC)在山西省大部分地区都有显著提高,最大可达0.6,PS评分在70分以上.检验结果显示,基于CCA降尺度方法建立的预测模型对山西省夏季降水模态预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果.

摘要： 基于国家气候中心海气耦合模式(CGCM/NCC)预测产品和山西省50站夏季降水资料,利用典型因子回归的方法(CCA),建立了山西省夏季降水的统计降尺度预测模型.该预测模型选取了CGCM/NCC模式夏季500hPa高度场和海平面气压作为预测因子,分别选取了长江中下游地区和热带中东太平洋作为预报关键区.统计降尺度模型对2007～2014年山西省夏季降水的回算较模式原始结果有显著提高,除2008年外,空间距平相似系数(ACC)均通过了0.01的置信度检验,时间相关系数(TCC)在山西省大部分地区都有显著提高,最大可达0.6,PS评分在70分以上.检验结果显示,基于CCA降尺度方法建立的预测模型对山西省夏季降水模态预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果.

摘要： 本发明公开了基于XGBoost的序列预测模型构建、降水趋势预测方法及装置，利用石笋的值预估降水量的方法，石笋同位素能够模拟降水量的变化，同时过去几十万年石笋同位素数据也都可以采集到，大量的数据更方便数据的预测研究。

摘要： 本发明公开了一种基于多尺度时空融合的降水临近预测模型，属于气象预测技术领域，包括多尺度特征提取模块、多尺度空间预测模块、递归式跳跃链接模块以及多尺度预测特征融合模块，所述递归式跳跃链接模块，用于将编码器的输出与解码器对应的输出特征进行合并、相加以及融合操作；所述多尺度预测特征融合模块，用于通过反卷积神经网络不断交融合并，得到预测的雷达图。该基于多尺度时空融合的降水临近预测模型，通过在多个尺度空间进行序列的预测，既避免了从图片到特征图之间信息的丢失，又降低了雷达图片预测的难度，既有特征空间预测的准确性，又有像素空间带来的完整的图片信息，这种全面的信息通过融合达到了较好的预测效果。

摘要： 本发明公开了一种基于Transformer注意力机制的日降水量预测方法。本发明首先构造输入序列；其次通过Word2vec算法获取输入序列的每一日降水量的嵌入向量，通过向量转化公式计算出每一日降水量时间排列位置的嵌入向量，由此得到向量表示矩阵。然后将向量表示矩阵传入编码器中，输出编码信息矩阵C，最后将编码器输出的编码信息矩阵C传递到解码器中得到当前日降水量的预测值。本发明采用了transformer注意力机制模型可以较好的进行并行训练，另外本发明采用了多头注意力机制结构，可以捕获日降水量数据序列各个数据之间多种维度上的相关注意力分数。

摘要： 本申请公开了一种降水时空预测方法及电子设备。该方法包括：获取降水观测数据、获取降水空间预报因子、获取时空变异参数的先验分布；根据降水观测数据和降水空间预报因子，建立广义线性回归模型；构建高斯过程模型；根据广义线性回归模型、高斯过程模型以及时空变异参数的先验分布，构建贝叶斯层次模型，确定空间点降水量在观测条件下的后验概率分布形式；根据后验概率分布形式，确定空间点降水量预测结果。本申请通过将能反映空间变化的降水空间预报因子和时空变异参数融入广义线性回归模型中，并利用离散的降水观测站点的降水观测数据，构建贝叶斯层次模型，能够有效表征降水时间动态变化，反映降水相关参数空间变异过程。

摘要： 本发明公开了一种长期降水预测模型构建方法、长期降水预测方法及装置，该构建方法包括：获取样本集；基于多重假设检验的错误发现率控制方法以及随机森林模型对样本集中的解释变量进行筛选，得到影响次年相应月份降水量的预测因子；根据影响次年相应月份降水量的预测因子和次年相应月份降水量进行随机森林建模，训练得到相应月份降水量的长期降水预测模型。本发明提供的长期降水预测模型构建方法、长期降水预测方法及装置，可以将变量筛选由经验依赖的方法优化为数据依赖的方法，改善随机森林方法在经验性筛选变量时的假阳性错误率问题，可以有效提升模型预测的准确性和可靠性。

摘要： 本发明公开了一种长期降水预测模型构建方法、长期降水预测方法及装置，该构建方法包括：获取样本集；基于多重假设检验的错误发现率控制方法以及随机森林模型对样本集中的解释变量进行筛选，得到影响次年相应月份降水量的预测因子；根据影响次年相应月份降水量的预测因子和次年相应月份降水量进行随机森林建模，训练得到相应月份降水量的长期降水预测模型。本发明提供的长期降水预测模型构建方法、长期降水预测方法及装置，可以将变量筛选由经验依赖的方法优化为数据依赖的方法，改善随机森林方法在经验性筛选变量时的假阳性错误率问题，可以有效提升模型预测的准确性和可靠性。

摘要： 本发明的基于多编码器融合雷达和降水信息的降水预测方法及系统利用降水预测模型中的雷达信息编码器对历史雷达回波格点数据进行编码得到雷达编码隐藏状态信息；利用降水预测模型中的降水信息编码器对历史降水格点数据进行编码得到降水编码隐藏状态信息，获取更为精准的时空序列特征，将雷达编码隐藏状态信息和降水编码隐藏状态信息拼接并进行层归一化为一个新的隐藏状态，作为降水预测模型中的解码器的新初始状态，解码器的初始输入为降水信息编码器的输出，编码器输出得到降水预测结果，本发明同时结合历史雷达和降水信息，快速且准确地得到降水预测结果，在短时临近天气预报及强对流天气的预报预警中具有重要的作用。

摘要： 本发明公开一种基于集成学习的年极端降水预测系统及其预测方法，包括数据输入模块、模型构建模块、训练及调试模块、集成模块和数据输出模块。数据输入模块包含从数据库文件中读入水文测站站点原数据和气象基本数据并进行数据预处理；模型构建模块包括获得训练数据集即并构建多维SVM年极端降水预测模型；训练及调试模块确定训练数据及检验数据，对多维SVM模型进行训练及调试，确定各模型的参数；集成模块计算各个模型的预测值的平均相对误差确定权重，进行基于D‑S证据理论的集成；数据输出模块将来年极端降水预测值存储在数据库或文件中，提供查询和分析服务。

摘要： 本发明公开了一种基于神经网络的降水预测方法，该方法包括：获取降水数据集；基于逻辑回归假设函数，构建逻辑回归降水发生模型；并根据逻辑回归降水发生模型，将降水数据集分为无降水日数据和有降水日数据；同时对于无降水日数据，输出预测无降水量；基于径向基神经网络，构建径向基神经网络降水量预测模型；并将有降水日数据输入径向基神经网络降水量预测模型中，输出预测降水量。本发明将logistic回归和径向基神经网络相结合，logistic回归和RBF神经网络承接判断提高了预测的稳定性和准确性。

摘要： 本发明提供了一种短临降水预测方法，基于ConvLSTM网络和SENet注意力机制模块而实现，该方法包括对气象卫星数据进行预处理；用雷达反演降水；构建融合了SENet注意力模块的ConvLSTM网络；将经过预处理的雷达回波图像导入到网络中进行训练，得到网络训练模型；使用训练完毕的模型去生成预测降水图像。本发明输入和输出的数据均为雷达回波图像，结果表达更直观，最后的结果准确性更高。此外，本发明充分的利用了全局特征，使学习到的全局信息更合理。再有，通过加入SENet注意力模块，使网络模型的效果产生显著提升。最后，本发明在训练过程中没有改变图像的尺寸，完美的保留了图像的细节和边缘信息。