|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 机器学习在强对流监测预报中的应用进展显示文摘近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用。各类机器学习算法,包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征,为强对流监测提供更全面、更强大的自动识别和追踪能力;能够有效综合应用多源观测数据、分析数据和数值预报模式数据,为强对流临近预报预警提取更多有效信息;能够有效对数值模式预报进行释用和后处理,提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后,给出了目前机器学习方法应用中存在的问题和未来工作展望。 | 周康辉 郑永光 韩雷 董万胜 | 2021 | 气象2021，47，3： | 24 |
| 2 | 基于LightGBM算法的强对流天气分类识别研究显示文摘强对流天气将导致多种灾害性天气,但由于其突发性强且尺度较小,在气象业务工作中仍难以准确地预警和预报。本文基于LightGBM(Light Gradient Boosting Machine)算法,利用甘肃三个地区的C波段雷达回波产品以及地面观测数据,构建了LightGBM模型,并分类判识了三类主要的强对流天气[冰雹、雷暴大风、短时强降水(短强)]。结果表明,在2011-2017年训练集中,LightGBM模型表现较好,整体误判率仅为4.9%。在2018年的独立样本测试中,模型对三类强对流和非强对流天气的整体误判率为7.0%,对三类强对流天气的平均命中率(Probability of Detection,POD)为86.4%,平均临界成功指数(Critical Success Index,CSI)为64.3%,平均空报比率(False Alarm Ratio,FAR)为29.0%。其中,短强的误判率最低,POD和CSI最高,FAR也最小,而雷暴大风和冰雹的误判率和评分比较接近。因此,本文构建的LightGBM模型对强对流天气的分类识别较为理想,首次对三类主要的强对流天气实现了自动化预警,在未来的气象业务自动化工作中有广阔的应用前景。 | 刘新伟 黄武斌 蒋盈沙 郭润霞 黄玉霞 宋强 杨勇 | 2021 | 高原气象2021，40，4： | 19 |
| 3 | 基于探空数据集成学习的短时强降水预报试验显示文摘使用2015—2019年6—9月08:00(北京时)我国119个探空站的大气层结和对流参数作为特征参数,基于XGBoost集成学习方法,建立短时强降水事件预报模型。同时,提出一种面向高影响天气的模型优化思路,通过使用分段权重损失函数,进行模型调优,在空报率不超过一定阈值的情况下,可提升模型预报的命中率和TS评分。设计分段权重损失函数权重敏感性试验和损失函数对比试验,选取7个区域中心探空站对比分析模型优化方法的有效性和泛化性。利用2019年6—9月全国探空数据针对短时强降水预报开展批量独立检验和个例分析,结果表明:改进后的预报模型TS评分提高0.05~0.1,命中率提高0.15以上,空报率提高0.05~0.1,表现出明显的'宁空勿漏'预报倾向,模型预报能力得到明显提升;在全国短时强降水预报试验中,预报模型命中率为0.65,空报率为0.37,漏报率为0.34,TS评分为0.47,说明该模型对短时强降水天气具有一定预报能力。 | 韩丰 杨璐 周楚炫 吕终亮 | 2021 | 应用气象学报2021，32，2： | 19 |
| 4 | 基于卷积门控循环单元神经网络的临近预报方法研究显示文摘基于天气雷达资料的外推预报是灾害天气0~2 h临近预报基础,本文以业务应用为目标,应用广东省2015-2018年11部新一代多普勒雷达反射率拼图资料,研究了基于卷积门控循环单元神经网络ConvGRU的临近预报方法,采用多损失函数加权与分级加权的策略,基于ConvGRU框架建立三层自编码模型(Encoder-Decoder)的雷达回波临近预测模型,进行未来2 h逐6 min、连续20帧雷达回波图的预测,并与业务上已经应用的交叉相关法、光流法和粒子滤波法的临近预报结果对比,进行典型个例分析和长时间检验。结果表明,基于ConvGRU方法对强对流天气具有较好的预报效果,对雷达回波位置、强度和形状与实况更接近,表明深度学习方法通过对时间序列数据的学习,能较好地把握强回波区域的特征,在一定程度上能够相对比较准确地预报较强回波范围,但该方法预报雷达回波图像存在损失空间细节信息的局限,且对层状云降水的预报效果较差;ConvGRU方法的临界成功指数(CSI)和命中率(POD)评分高于传统的交叉相关法、光流法和粒子滤波法,且虚警率(FAR)评分为最小,在业务中具有广泛的应用前景。 | 陈训来 刘军 郑群峰 李旭涛 刘佳 姬喜洋 陈元昭 叶允明 | 2021 | 高原气象2021，40，2： | 15 |
| 5 | 数值天气预报多要素深度学习融合订正方法显示文摘数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免。文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析。以均方根误差(RMSE)和平均绝对误差(MAE)作为评分标准,通过与ECMWF原始预报结果、ANO方法订正结果以及CU-Net方法订正结果进行对比,证明Dense-CUnet模型可有效改进数值预报订正效果,融合多个要素的Fuse-CUnet模型能使订正效果有更大提升。 | 张延彪 陈明轩 韩雷 宋林烨 杨璐 | 2022 | 气象学报2022，80，1： | 15 |
| 6 | 基于卷积神经网络的逐时降水预报订正方法研究显示文摘应用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。 | 陈锦鹏 冯业荣 蒙伟光 文秋实 潘宁 戴光丰 | 2021 | 气象2021，47，1： | 14 |
| 7 | 基于深度学习的天气雷达回波序列外推及效果分析显示文摘天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元(Long Short-Term Memory,LSTM)和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值(structural similarity)均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。 | 黄兴友 马玉蓉 胡苏蔓 | 2021 | 气象学报2021，79，5： | 14 |
| 8 | 河南省分类强对流天气概率预报方法研究与应用显示文摘采用每日4次0.75°×0.75°的欧洲中心再分析资料和20062015年49月河南省117个国家自动站冰雹、雷暴大风和短时强降水3类强对流天气实况资料,基于“邻(临)近原则”构建了河南分类强对流天气的网格点历史个例库,计算了逐日分类强对流天气物理参数和其15 d滑动气候平均值。综合考虑环境物理参数相对稳定性及其与气候态的差异性这两类指标,采用模糊矩阵评价技术,遴选各月表征各类强对流天气的特征环境物理参数并计算权重系数,结合历史强对流发生时物理参数的频率分布特征,最终分别基于欧洲中心细网格和华东中尺度区域模式资料构建了河南分类强对流天气概率预报方法,自动客观输出物理参数、网格探空和分类概率预报等产品;同时在大量历史个例反算的基础上,得到确定性预报的阈值概率,生成基于优势概率的分类强对流概率预报产品。该方法目前已实现逐日自动化业务运行,并在近年来分类强对流预报中取得了较好的预报效果。2018年检验结果表明,河南分类概率预报产品能够对强对流天气的类型和落区有很好的反映,特别是对模式预报可以进行有效的订正,各类强对流天气的命中率均在70%以上,TS评分均不低于0.45,漏报率较小,但存在一定的空报,需今后改进与完善。 | 牛淑贞 张一平 王迪 曾明剑 袁小超 郝晓珍 | 2021 | 气象与环境科学2021，44，1： | 11 |
| 9 | 深度学习网络在降水相态判识和预报中的应用显示文摘利用1996—2015年中国的高空探测资料和地面观测数据,挑选发生降水的数十万个样本将其分为降雨和降雪两类事件,抽象为二分类问题,采用深度学习网络技术构建降水相态判识模型,并用2016—2017年的数据进行测试检验,针对2018年1月下旬中国一次大范围雨雪天气过程进行个例检验,在此基础上探讨了深度学习网络在降水相态判识和预报中的应用。主要结论如下:基于深度学习网络判识模型的判识准确率为98.2%,雨、雪的TS评分分别为97.4%和94.4%,相应空报率为1.7%和2.0%,漏报率为1.0%和3.7%,较传统指标阈值法的判识准确率有较大提高;个例检验显示,基于实况探空数据的模型判识结果与降水相态实况在全国基本保持一致,欧洲中期数值预报中心(ECMWF)的降水相态预报产品和模型的预报结果对全国的降水相态都表现出较好的预报能力,而对雨雪分界线的预报,模型的预报结果较ECMWF总体上更接近实况。测试结果表明,模型较好地提取了雨、雪降水相态的结构特征,深度学习网络在降水相态判识和预报中的应用具有可行性和一定的优势,可为降水相态的客观判识和预报提供重要技术支撑。 | 黄骄文 蔡荣辉 姚蓉 王胜春 滕志伟 | 2021 | 气象2021，47，3： | 9 |
| 10 | 西南涡引发的强对流天气特征显示文摘为提高对西南涡强对流天气特征的深入理解,更好地研究其临近预报与预警方法,利用2014-2017年西南低涡年鉴资料、全国2400余个国家级气象台站逐小时观测数据、国家地基闪电监测资料、危险天气报、欧洲中心ERA-Interim再分析资料,统计分析了西南涡发生发展过程中引发的强对流天气特征和强降水天气形势,并定量诊断了不同移动路径的西南涡强降水在动力学和热力学条件方面的异同点。结果表明:(1)约四分之一西南涡会引发强对流天气,强对流落区主要位于西南涡东南象限,类型以短时强降水为主,强度集中分布在22~32 mm·h^(-1)。这是由于西南涡东南象限和西南气流耦合相互作用带来高温高湿平流,容易引发对流不稳定并产生对流性降水。(2)西南涡强降水集中在春、夏季,移出源地的西南涡(约五分之二)比准静止类(约五分之一)更容易引发强降水,其中春季几乎只有移出源地的西南涡会触发强降水,这与移出源地的西南涡暖湿气流和水汽输送更加旺盛有关。(3)准静止类西南涡比移动类西南涡雨强更强,这可能是因为移动类垂直风切变更强,不利于高效降水。 | 刘金卿 刘红武 徐靖宇 | 2021 | 高原气象2021，40，3： | 9 |
| 11 | 基于卷积神经网络的飑线识别算法显示文摘为了探究深度学习用于飑线识别的可行性,基于2008—2020年河南省郑州和驻马店雷达数据,采用卷积神经网络(convolutional neural network,CNN)算法构建飑线识别模型,引用临界成功指数、公平风险评分、命中率和误判率定量评价模型的识别效果,对比不同样本组成比例和网络结构对飑线识别效果的影响。结果表明:建模所用的样本组成比例对飑线识别有一定影响,通过改变采样方式和优化网络结构均能够改善样本比例不平衡的问题,提高飑线识别效果,且后者提升的幅度更大,而两种方法的结合无明显提升。测试结果表明:该模型临界成功指数为0.66,公平风险评分为0.58,命中率为0.86,误判率为0.24。研究揭示了卷积神经网络能够提取并学习飑线和非飑线回波的图像特征,对飑线有一定识别能力。 | 金子琪 王新敏 鲍艳松 栗晗 魏鸣 路明月 | 2021 | 应用气象学报2021，32，5： | 8 |
| 12 | 人工智能技术能否提高地面气温预报的精度——记AI Challenger 2018全球天气预报挑战赛显示文摘2018年8月,北京城市气象研究院与创新工场等公司联合举办了“天气预报”竞赛(WFC)——这是一项面向全球的人工智能(AI)挑战赛,旨在通过发挥AI技术的优势提高天气预报水平。全球有超过1000支队伍参加本次WFC竞赛,约250支队伍完成了实时天气预报赛程。最终,决赛排名前5的队伍获得了奖励。竞赛结果表明:多AI模型集合方法显著提高了2 m气温、2 m相对湿度和10 m风速的预报水平。与北京城市气象研究院在业务中应用的相似集合预报方法相比,基于时间序列分析、梯度提升树、深度概率预测等AI模型构建的集合预报方法,显著提升了2 m气温预报的准确率,前2名队伍在决赛期间的预报准确率分别提升24.2%和17.0%。同时,合理的数据处理技术和AI模型集合框架对预报效果的提升具有重要的作用。 | 嵇磊 王在文 陈敏 范水勇 王迎春 沈志远 | 2019 | 气象学报2019，77，5： | 7 |
| 13 | Machine Learning−based Weather Support for the 2022 Winter Olympics显示文摘1.A key support for the 2022 Winter Olympics The XXIV Olympic Winter Games are scheduled to take place from 4 to 22 February 2022,followed by the Paralympic Games from 4 to 13 March,in Beijing and towns in the neighboring Hebei Province,China.Weather plays an extremely important role in the outcome of the games(Chen et al.,2018).It can not only cause a difference between a medal or not,but affect the safety of athletes.Success of the Winter Olympics will greatly depend on weather conditions at the outdoor competition venues,dealing with many weather elements including the snow surface temperature,apparent temperature,gust wind speed,snow,visibility,etc.To ensure that the scheduled games go smoothly,it is imperative to have hourly or even every 10-minutely forecasts as well as updated weather-related risk assessments at the venues for the next 240 hours.So far,the Beijing/Hebei Meteorological Observatory has already started intelligent weather forecasting at 3-km resolution based on the results of numerical weather prediction(NWP)models.However,these experiments have suggested that the current forecasting techniques are incapable of capturing the complex mountain weather variations around some venues.The forecasting capability of NWP is constrained partly by limited knowledge of the local weather mechanisms. | Jiangjiang XIA Haochen LI Yanyan KANG Chen YU Lei JI Lve WU Xiao LOU Guangxiang ZHU Zaiwen Wang Zhongwei YAN Lizhi WANG Jiang ZHU Pingwen ZHANG Min CHEN Yingxin ZHANG Lihao GAO Jiarui HAN | 2020 | Advances in Atmospheric Sciences2020，37，9： | 6 |
| 14 | 利用深度学习填补双偏振雷达回波遮挡显示文摘广州S波段双偏振天气雷达低仰角多方位存在遮挡,高仰角也存在部分遮挡。基于卷积神经网络等深度学习方法,构建垂直填补(vertical echo-filling,VEF)和水平填补(horizontal echo-filling,HEF)网络架构,基于两种架构,利用无遮挡区的反射率因子Z_(H)、差分反射率Z_(DR),差传播相移率K_(DP)构建训练集,填补遮挡区的Z_(H)和Z_(DR)。针对仅0.5°仰角存在遮挡的区域,基于VEF架构,利用上层多个仰角、径向、距离库的三维数据,分距离段训练垂直填补模型。针对遮挡仰角较高的区域,则基于HEF架构,利用同一仰角左右相邻的多个径向、距离库的数据,分遮挡径向训练水平填补模型。根据解释方差、平均绝对偏差和相关系数3个指标和3个个例,对模型效果进行评估。结果表明:Z_(H)填补模型的解释方差最大为0.92,平均绝对偏差最小为1.69 dB,相关系数最高为0.96;Z_(DR)填补模型的解释方差最大为0.92,平均绝对偏差最小为0.12 dB,相关系数最高为0.96。利用该研究构建的深度学习填补架构,可有效填补偏振雷达遮挡区域回波,提高雷达数据质量。 | 尹晓燕 胡志群 郑佳锋 左园园 皇甫江 朱永杰 | 2022 | 应用气象学报2022，33，5： | 6 |
| 15 | 基于ConvGRU深度学习网络模型的海表面温度预测显示文摘为解决传统时间序列网络模型的时间性与空间性结合不足和批量处理海洋环境要素大数据能力不足的问题,采用循环神经网络(RNN)扩展算法和卷积神经网络(CNN)相结合的ConvGRU深度学习神经网络模型以有效体现时空特征,利用样本生成器处理数据以有效处理时间序列遥感数据的批量性问题,并使用1999—2019年海表面温度网格数据(OISST产品),对2020年西北太平洋部分海域进行了海表面温度预测分析。结果表明:ConvGRU模型训练集的均方根误差和准确率分别为0.0449℃和99.69%,验证集的均方根误差和准确率分别为0.0452℃和99.64%;使用建立的ConvGRU模型对2020年海表面温度数据进行了预测,测试集的均方根误差和准确率分别为0.0478℃和99.60%,海表面温度预测值的平均绝对误差和预测精度的平均值分别为0.3793、97.31%。研究表明,本文中建立的ConvGRU模型可以较好地预测海表面温度的变化趋势,这为海表面温度神经网络预测模型提供了一种可行性方法。 | 张雪薇 韩震 | 2022 | 大连海洋大学学报2022，37，3： | 6 |
| 16 | 基于深度学习的京津冀地区精细尺度降水临近预报研究显示文摘精细尺度降水的临近预报对于提升现代城市内涝和山洪地质灾害预警能力具有重要意义。深度学习作为一种新兴方法,在挖掘数据内部特征及物理规律方面更具优势,近年来在天气雷达图像领域的应用已初见成效。为进一步提升精细尺度降水的临近预报能力,基于深度学习网络模型RainNet,研究建立了两种滚动预报方式,开展了京津冀地区1 km分辨率精细尺度降水滚动式临近预报试验和对比分析。试验结果表明:与传统基于交叉相关的外推预报相比,深度学习网络模型RainNet总体可以明显改进降水1 h临近预报的绝对误差和相关系数;两个RainNet相结合的滚动预报方式对1.04 mm/(10 min)及以下阈值降水,在10—50 min预报性能一致优于传统的交叉相关外推预报。深度学习模型对降水消亡过程的时、空演变趋势刻画更好,尤其更适用于降水消亡过程的临近预报。采用两个RainNet模型相结合的滚动式预报方式优于单一模型滚动预报方式。 | 曹伟华 南刚强 陈明轩 程丛兰 杨璐 吴剑坤 宋林烨 刘瑞婷 | 2022 | 气象学报2022，80，4： | 5 |
| 17 | 基于梯度提升树的大气分层透过率快速计算方法显示文摘大气透过率的计算是红外辐射传输计算的核心,RTTOV(Radiative Transfer for TOVS)通过建立大气廓线中温度、水汽、臭氧和其他气体浓度等参数与卫星通道透过率的统计关系,可实现卫星通道透过率和大气顶辐射率的快速准确计算。但在一些复杂吸收波段,如水汽波段,RTTOV的计算误差较大。为提高RTTOV在水汽敏感波段的计算精度,利用机器学习中的梯度提升树(Gradient Boosting Tree,GBT)方法,选取从ECMWF(European Centre for Medium-Range Weather Forecasts)的IFS-137(The Integrated Forecast System,137-level-profile)廓线集中挑选的1406条廓线和由此计算的透过率真值作为样本,选取风云三号气象卫星上搭载的红外分光计(Infra Red Atmospheric Sounder,IRAS)通道12(7.33μm)进行个例研究,分别建立陆地和海洋晴空大气等压面至大气层顶透过率的快速计算模型(GBT模型)。通过和透过率、亮温真值的比较,验证了GBT模型。比较结果显示,GBT模型预测的透过率平均绝对误差(Mean Absolute Error, MAE)为:陆地0.0012,海洋0.0009;均方对数误差(Mean Squared Logarithmic Error,MSLE)为:陆地0.0215,海洋0.0095,均小于RTTOV直接计算的透过率的误差(陆地、海洋的MAE分别比RTTOV小0.0008和0.0010,MSLE分别比RTTOV小0.0135和0.0227);由GBT模型计算的亮温MAE分别为:陆地0.0949 K,海洋0.0634 K,均方根误差(Root Mean Square Error,RMSE)分别为:陆地0.1352 K,海洋0.0831 K,也都小于RTTOV直接模拟的晴空亮温误差(陆地、海洋的MAE分别比RTTOV小0.1685 K和0.1466 K,RMSE分别比RTTOV小0.1794 K和0.1685 K)。本研究的结果表明,在IRAS红外水汽波段,GBT预测的透过率和亮温误差比RTTOV小。机器学习有提高水汽波段正演精度的潜力,或可为辐射传输的快速计算提供可行的替代方法。 | 梁红丽 张鹏 陈林 马刚 白文广 漆成莉 | 2020 | 气象学报2020，78，5： | 3 |
| 18 | 利用深度学习开展偏振雷达定量降水估测研究显示文摘利用2018—2020年经偏振升级改造后的广州S波段双偏振雷达(CINRAD/SAD)82892个体扫的0.5°仰角数据,以及雷达100 km探测范围内1109个雨量站共计538560个分钟雨量数据,分别构建了单参量、三参量雷达定量降水估测(QPE)深度学习网络架构(Z-Rnet、K_(DP)-Rnet、Pol-Rnet),并以K_(DP)=0.5°/km为阈值分别训练得到大雨、小雨、总体等9个定量降水估测模型。在常用的均方误差作为损失函数的基础上,对不同降水强度采用不同权重提出了自定义损失函数,并利用比率偏差、相对偏差、均方差、平均绝对误差和平均相对误差作为评价指标对模型进行评估。通过对以积层混合云为主、以对流云为主和以层状云为主的3次降水过程的模型验证结果表明,利用深度学习训练的模型有较好的定量降水估测效果,区分雨强的小雨、大雨模型比不区分雨强的总体模型的效果要好。采用自定义损失函数模型效果更好,其均方差、平均绝对误差和平均相对误差分别较采用传统均方误差损失函数提升了8.62%、12.52%、16.34%。自定义损失函数中,采用Z_(H)-Z_(DR)-K_(DP)三参量网络架构训练得到的定量降水估测模型效果最好,其均方差、平均绝对误差和平均相对误差分别较采用Z_(H)的单参量Z-Rnet架构提升6.82%、8.43%、7.22%;较采用K_(DP)的单参量K_(DP)-Rnet架构提升12.33%、17.61%、17.26%。 | 皇甫江 胡志群 郑佳锋 朱永杰 尹晓燕 左园园 | 2022 | 气象学报2022，80，4： | 3 |
| 19 | 反弹效应下低压线损预测的深度学习算法显示文摘线损对输电线路稳定运行具有重要作用,采用传统预测方法受到反弹效应影响,导致预测精准度较低。针对该问题,提出了反弹效应下低压线损预测的深度学习算法。根据深度学习模型,训练输入数据。计算电力公司线损电量,使用改进多层网络结构,并输出每层训练后的数据。通过输入层和隐藏层之间权值矩阵,构建线损预测模型,并进行数据预处理。根据处理结果,采用深度学习单元训练输入点、输出点、遗忘点和节点,并记录当前训练状态。计算节点输出值,充分考虑外界因素,将数据进行分组处理,并训练模型,分析误差原因,设计预测流程,由此完成低压线损预测。由实验结果可知,该算法预测精准度最高可达到98%,为输电线路稳定运行奠定基础。 | 任盛 周志飞 卜龙敏 王艺錂 刘文婕 | 2020 | 电子设计工程2020，28，22： | 2 |
| 20 | 基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究显示文摘采用傅里叶-梅林变换、多尺度光流法及威布尔分布,对湖北省2020年6—7月4次降水过程雷达回波进行多尺度预报试验及其相位和强度校正。在此基础上,利用双曲正切函数对校正后的模式降水回波预报和雷达回波外推临近预报进行融合。最后,基于预报技巧评分和平均绝对误差及命中率等指标对不同时效、尺度及回波阈值的预报结果进行定量分析。结果表明:(1)融合后的0~3 h降水回波预报在范围和位置上均较模式预报和雷达外推预报改进明显,尤其对强回波预报有明显优势,对对流预报有积极作用;0.01°×0.01°尺度的0~1 h预报效果明显好于其他尺度及预报时效。(2)武汉RUC模式预报效果最差,平均绝对误差(mean absolute error,MAE)最大为6.1~8.2 dBZ,而融合预报效果最好,MAE最小为4.7~6.5 dBZ。0.01°×0.01°尺度下融合预报的命中率(probability of detection,POD)随回波阈值和预报时效增加而降低,而其他尺度下20 dBZ回波阈值的平均POD最大、MAE最小,平均POD(MAE)均高于(低于)其他2种预报。总体来看,融合预报明显优于单一预报,对改进0~3 h定量降水预报有一定参考。 | 王俊超 王志斌 赖安伟 肖艳姣 王珏 | 2022 | 干旱气象2022，40，3： | 2 |
您所在的机构暂未开通此部分的功能，请联系管理员