简介:将BP(BackPropagation)神经网络方法引入到奥运空气质量预报工作中,利用MATLAB神经网络工具箱搭建运行平台,将高时效性的观测结果与多模式集成实时预报系统的模式输出结果相结合,做出BP神经网络拟合预报结果。在对北京大学医学部站点2008年7月7日到8月26日模式模拟结果、观测结果以及BP神经网络拟合结果的对比研究中发现:BP神经网络能大大提高模式预报效果,平均误差率减少34.7%,相关系数提高39%,特别是在模式模拟效果较差的情况下,对提高预报效果更明显。对BP神经网络样本问题进行敏感性实验结果表明,样本数目多少并不是决定拟合效果的决定性因素,应选取具有稳定映射关系的样本,才是提高拟合预报效果的关键。
简介:利用地表太阳总辐射和散射辐射对LongandAckerman(2000)的云检测算法进行了改进,提高了云判别的准确率。首先采用比值概率密度峰值法,初步选出晴天时刻。然后根据晴天时刻的地表太阳总辐射和太阳天顶角余弦值,拟合得到该日晴天总辐射近似表达式。在此基础上,计算各时刻实际观测值与用该拟合式估计的总辐射的比值,并再次利用比值概率密度峰值法,判断该时刻的天空状况。最后利用全天空成像仪观测资料和站点天气记录结果检验算法,结果表明,在天顶角小于75°条件下,本算法判断准确率平均达90.9%。改进的云检测算法减少了因水汽柱总量、气溶胶浓度和系统测量偏差的日变化及天顶角变化造成的误差。应用该检测算法,得到了香河和太湖两地云El发生频率并分析了云地表辐射强迫季节变化特征。两地云出现频率和云地表短波辐射强迫均夏季最大,春秋次之,冬季最小,太湖站云出现频率的季节变化幅度不及香河。香河云地表短波辐射强迫年平均为-39.5W·m-2,春夏秋冬季节平均分别为-25.9W·m-2、-70.9W·m、-51.1W·m-2、-10.8W·m-2。太湖云地表短波辐射强迫年平均为-66.2W·m-2,春夏秋冬季节平均分别为-84.6W·m-2、-89.1W·m-2、-50.2W·m-2、-44.1W·m-2。
简介:利用1961-2002年ERA-40逐日再分析资料和江淮流域56个台站逐日观测降水量资料,引入基于自组织映射神经网络(Self-OrganizingMaps,简称SOM)的统计降尺度方法,对江淮流域夏季(6-8月)逐日降水量进行统计建模与验证,以考察SOM对中国东部季风降水和极端降水的统计降尺度模拟能力。结果表明,SOM通过建立主要天气型与局地降水的条件转换关系,能够再现与观测一致的日降水量概率分布特征,所有台站基于概率分布函数的Brier评分(BrierScore)均近似为0,显著性评分(SignificanceScore)全部在0.8以上;模拟的多年平均降水日数、中雨日数、夏季总降水量、日降水强度、极端降水阈值和极端降水贡献率区域平均的偏差都低于11%;并且能够在一定程度上模拟出江淮流域夏季降水的时间变率。进一步将SOM降尺度模型应用到BCCCSM1.1(m)模式当前气候情景下,评估其对耦合模式模拟结果的改善能力。发现降尺度显著改善了模式对极端降水模拟偏弱的缺陷,对不同降水指数的模拟较BCC-CSM1.1(m)模式显著提高,降尺度后所有台站6个降水指数的相对误差百分率基本在20%以内,偏差比降尺度前减小了40%-60%;降尺度后6个降水指数气候场的空间相关系数提高到0.9,相对标准差均接近1.0,并且均方根误差在0.5以下。表明SOM降尺度方法显著提高日降水概率分布,特别是概率分布曲线尾部特征的模拟能力,极大改善了模式对极端降水场的模拟能力,为提高未来预估能力提供了基础。