凤阳一次大风过程多风速对比分析及EC集合预报检验

该文选取安徽凤阳2017年3月1日一次冷空气影响的大风天气过程,对自动气象站采集的2min平均风速、10min平均风速、瞬时风速、最大风速、极大风速观测值进行对比分析,对EC集合预报效果进行检验。结果表明,不同风速展现的风力变化趋势基本一致;随着滑动平均时段的延长,其平均风速逐渐减小;极大风速变幅最大,10min平均风速变幅最小。当EC集合预报的10min平均风速分别≥6.1m/s、≥7.2m/s、≥8.5m/s时,极大风速可能分别超6级、7级、8级。     

不同天气类型下大棚葡萄温湿度预报模型

为了预先掌握葡萄各生育期棚内温湿度环境,从而让农户有充足时间调整大棚管理措施,降低气象灾害风险,利用2018年11月—2019年6月大棚内外观测资料,分析了不同天气类型下棚内温湿度与棚外气象要素的相关性,并通过逐步回归方法建立了棚内逐小时温湿度预报模型。结果表明：棚内温湿度与棚外气温、空气相对湿度、风速、日照时长有不同程度的相关性,晴天和多云大棚内外要素之间相关系数大多在0.3以上,棚内气温与棚外要素的相关性更高且最大相关系数超过0.9,阴天相关性较低;棚内逐小时气温、空气相对湿度模型的R²多在0.5以上,气温模型预报值与实测值的均方根误差(RSME)≤3.7℃、平均绝对误差(MAE)≤2.9℃,空气相对湿度模型预报值与实测值的均方根误差≤13.3%、平均绝对误差≤10.6%。所得模型填补了该地区大棚葡萄各生育期温湿度预报的空白,为田间管理提供了参考依据。     

消除偏差集合平均在黄海渤海大风预报中的应用

基于日本气象厅预报模式（JMA）、美国国家环境预报中心预报模式（NCEP GFS）及美国海军全球大气预报谱模式（NOGAPS）3个模式2009年6月28日~8月10日每日20：00预报的海面风场预报资料,利用消除偏差集合平均对海面风场进行预报试验,并采用均方根误差对预报结果进行检验评估。结果表明,对于24、48 h海面风场预报,消除偏差集合平均有效地减小了预报的均方根误差,预报效果优于单个模式的预报;其中,渤海中部偏南地区及黄海中部误差减小最为明显。此外,消除偏差集合平均预报明显改善了2009年7月13~14日和8月7日大风过程的预报效果,提高了风速值和大风区位置的预报准确率。     

基于深度GRU神经网络的逐小时气温预报模型

基于深度门控循环(GRU)神经网络,利用地面气象要素小时资料(气温、气压、露点温度、相对湿度和水汽压)建立湖南石门未来24 h逐小时气温预报模型,并对模型精度进行分析。结果表明,深度GRU逐小时气温模型预报精度随预报时次的增加逐步下降,决定系数(R~2)为0.996～0.906、平均绝对误差(MAE)为0.359～1.974和均方根误差(RMSE)为0.510～2.562℃,24 h气温预报准确率为62.529%,优于滑动平均自回归(ARIMA)气温预报模型,且能较好体现气温转折性变化。利用深度GRU模型对2019年4月至7月湖南省石门县逐小时气温进行预报,与欧洲中心和日本数值预报产品进行对比发现,其3、6和9 h的预报精度均优于数值预报,可为12 h内气温短临预报技术提供一种有效的补充。     

智能网格24h精细预报汛期应用样例分析

基于安徽省凤阳县2020年汛期智能网格24h精细预报资料,选取7月22日至8月12日每日预报产品预报值及对应时次(7月22日09时至8月13日08时共528个时次)实况资料,分别按上午、下午、夜间时段统计气温、降水、风速、相对湿度预报准确度和0.1mm以上降水空漏报情况,分析绝对误差、相对误差分布规律和统计学订正效果.结果表明:智能网格要素预报与实况的线性相关系数自大到小依次为气温、相对湿度、降水量、风速,前2项要素预报的绝对误差与相对误差相对较小,后2项要素预报的各项误差相对较大;气温预报平均绝对误差绝对值不超1.04℃,上午时段预报值较实况偏高占71.97％;相对湿度预报平均绝对误差绝对值不超7.43％,上午时段预报误差较夜间、下午大;风速预报虽然平均绝对误差绝对值不超1.02m/s,但平均相对误差绝对值均超64％;降水预报漏报率均不超6.06％,空报率在4.55％～19.32％,平均绝对误差绝对值不超2.93mm;经线性回归方程订正,大多能减小智能网格预报的系统性误差.     

基于SPEI的六安市干旱特征及其成因分析

利用2015年6月1日至8月31日ECMWF集合预报系统(EPS)51个成员的降水预报结果,基于安徽省大别山区12个代表站点1-3天的逐12h降水观测资料,采用TS评分、箱须图、泰勒图等方法,研究ECMWF集合预报降水结果在安徽省大别山区降水分级预报中的应用效果。主要结论如下：ECMWF集合降水预报中,08时起报的24h降水量和20时起报的48h降水量可参考性较大；降水分级检验中,晴雨预报正确率在70%以上,小雨和中雨的空报率较高,对大雨以上量级的预报能力相对较差；大型降水过程中,暴雨以上量级的预报需关注不同预报时效下降水量预报的变化趋势,个别成员对极端降水的表现也值得关注。     

基于BP神经网络的河北中南部空气质量预报研究

详细阐述了基于相关性较好的初始样本的BP神经网络空气质量预报模型的建立过程。以石家庄和邢台为例,将相邻两日污染物浓度差值作为预报量,利用前一日污染物浓度和当日气象要素日均值为预报因子,两者结合起来进行空气质量预报,并以冬季空气质量模型为例,对空气质量等级预报准确率进行检验。结果表明,石家庄和邢台SO_2和O_3的等级预报准确率为90%以上,PM_(2.5)、PM_(10)的等级预报准确率均为80%以上,首要污染物预报准确率均为80%以上。总体上,石家庄的空气质量等级预报准确率好于邢台。     

基于BP神经网络的河北中南部空气质量预报研究

详细阐述了基于相关性较好的初始样本的BP神经网络空气质量预报模型的建立过程。以石家庄和邢台为例,将相邻两日污染物浓度差值作为预报量,利用前一日污染物浓度和当日气象要素日均值为预报因子,两者结合起来进行空气质量预报,并以冬季空气质量模型为例,对空气质量等级预报准确率进行检验。结果表明,石家庄和邢台SO_2和O_3的等级预报准确率为90%以上,PM_(2.5)、PM_(10)的等级预报准确率均为80%以上,首要污染物预报准确率均为80%以上。总体上,石家庄的空气质量等级预报准确率好于邢台。     

变权组合预测模型在洪水预报中的应用

【目的】研究洪水预报的多模型组合预报模式,丰富洪水预报的方式方法。【方法】将最优非负可变加权系数的组合预测方法应用于洪水预报中,分别建立最优加权组合预测模型和最优非负可变加权系数组合预测模型,以新安江模型、萨克拉门托模型、水箱模型和陕北模型为例进行组合预报,并用东洋河1982年8月的一场洪水实测流量值对2种组合模型进行了实例验证和比较。【结果】最优非负可变加权系数组合预测模型的3种误差指标均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为18.394 0,51.317 2和0.131 4,明显小于最优加权组合预测模型的28.110 7,108.816 7和0.268 9,且前者的确定性系数(DC)为0.961 3,明显大于后者的0.909 5,表明应用最优非负可变加权系数组合预测模型的预测结果优于定权重的最优加权组合预测模型的预测结果。【结论】考虑变权重的最优组合预测能进一步提高洪水预测的精度。     

宁波市海曙区早稻产量预报模型及影响因子分析

运用SPSS19.0软件曲线估计法将宁波海曙区1993—2019年早稻气象产量进行分离,并将其与早稻全生育期气温、日照、降水等气象因子进行逐步线性回归,得出2种最优产量预报方程,通过最小二乘法对2种方程进行拟合,建立海曙区早稻产量预报模型。验证结果表明,早稻产量预报拟合准确率较高,除2003年准确率略高于92.34%外,其余年份均在95%以上;虽然2020年受长期阴雨(梅雨)天气影响,但模型预报准确率仍达91.48%,证明该预报模型可作为海曙区早稻产量预报有效依据。早稻产量受多种气象因子共同影响,其中,4月上旬平均最低和最高气温、5月平均最低气温、4—5月的平均气温与产量呈正相关;全生育期降水,尤其是6月降水不均,会影响早稻产量。     

一种基于改进时间卷积网络的生猪价格预测方法

针对传统的生猪价格预测方法存在预测精度不够高，容易陷入局部最小值等问题，为更加精准地预测生猪价格，采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法，以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本，对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606，平均绝对误差(MAE)为0.288 424，决定系数(R²)为0.995 683，均优于其他3种机器学习模型；与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较，3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。     

基于混合效应模型的大兴安岭地被可燃物含水率模型

基于黑龙江省大兴安岭林区南瓮河生态站的落叶松(Larix gmelinii)林、蒙古栎(Quercus mongolica)林、落叶松白桦(Betula platyphylla)混交林3种典型林分的288组可燃物含水率数据,选择基于平衡含水率的可燃物含水率实时变化模型为基础模型,采用非线性混合效应(NLME)模型方法,以林分因子作为随机效应,建立具有混合效应的可燃物含水率的实时变化预测模型,并通过给残差方差增加权重的方法解决异方差性问题。结果表明:考虑随机效应和异方差结构的可燃物含水率实时变化NLME预测模型的拟合效果(M_(AE)=0.716 7,M_(RE)=0.026 6)优于不含随机效应的可燃物含水率实时变化预测模型(M_(AE)=0.815 6,M_(RE)=0.031 2);其中以常数加幂函数作为异方差结构的模型精度最高(AIC=547.72,BIC=581.29,-2LL=527.72)且明显优于未给残差方差增加权重的可燃物含水率实时变化NLME预测模型(AIC=961.65,BIC=988.50,-2LL=945.65)。利用独立样本数据对模型进行检验,检验结果表明,对于可燃物含水率实时变化的预测,考虑随机效应和异方差结构的NLME模型的检验精度(M_(AE)=0.495 8,M_(RE)=0.034 2)比利用最小二乘法拟合的多元非线性回归模型(M_(AE)=0.588 5,M_(RE)=0.588 5)有所提高,说明基于混合效应模型的可燃物含水率实时变化模型可以很好地描述区域尺度上不同林分类型的可燃物含水率实时变化规律。     

Simple model based on artificial neural network for early prediction and simulation winter rapeseed yield

The aim of the research was to create a prediction model for winter rapeseed yield.The constructed model enabled to perform simulation on 30 June,in the current year,immediately before harvesting.An artificial neural network with multilayer perceptron(MLP) topology was used to build the predictive model.The model was created on the basis of meteorological data(air temperature and atmospheric precipitation) and mineral fertilization data.The data were collected in the period 2008–2017 from 291 productive fields located in Poland,in the southern part of the Opole region.The assessment of the forecast quality created on the basis of the neural model has been verified by defining forecast errors using relative approximation error(RAE),root mean square error(RMS),mean absolute error(MAE),and mean absolute percentage error(MAPE) metrics.An important feature of the created predictive model is the ability to forecast the current agrotechnical year based on current weather and fertilizing data.The lowest value of the MAPE error was obtained for a neural network model based on the MLP network of 21:21-13-6-1:1 structure,which was 9.43%.The performed sensitivity analysis of the network examined the factors that have the greatest impact on the yield of winter rape.The highest rank 1 was obtained by an independent variable with the average air temperature from 1 January to 15 April of 2017(designation by the T1-4_CY model).     

江西省双季晚稻寒露风影响评估

为定量评价寒露风对江西省双季晚稻的影响,依据1981—2013年江西省81个常规气象观测站9月1日—10月10日逐日平均气温、最低气温资料和1991—2012年江西省14个农业气象观测站双季晚稻灾害调查资料,研究江西省双季晚稻寒露风影响评估模型和等级划分标准,并利用江西省农业气象试验站2010—2013年晚稻分期播种试验资料进行验证。结果表明,在晚稻寒露风发生期间,降温幅度、过程平均气温、极端最低温度和低温持续时间对水稻冷害具有同等重要的作用,4个因子同时出现或部分出现异常均可以造成不同程度的冷害。在综合考虑了上述4个因子的基础上,结合主成分分析法构建寒露风影响评估模型和等级划分标准,其分期播种试验检验评估等级与实际等级完全一致的占80%;运用模型对江西省2006、2011年2次明显寒露风天气过程进行评估,评估准确率较高,达87.5%;表明所建立的模型可以用来定量评价江西省各市(县)晚稻寒露风发生程度。据此确定的寒露风评价指标为:寒露风指数(CDWI)≥0.70时为重度寒露风,晚稻减产15%;CDWI在0.50~0.70时,发生中度寒露风,晚稻减产10%~15%;CDWI在0.30~0.50时,发生轻度寒露风,晚稻减产5%~10%。     

自建模型间外推对森林可燃物含水率预测精度的影响

通过对2010年春、秋季大兴安岭地区盘古林场樟子松林、兴安落叶松林、白桦林林下细小可燃物含水率的连续观测并构建外推模型。结果表明:春季模型的外推效果好于秋季,模型的平均绝对误差降低了6.6%,平均相对误差降低了62.46%,白桦林的外推精度最高,破坏性取样的外推效果最好(平均相对误差349.83%);秋季樟子松林的外推精度最高,非破坏林荫下的外推精度最好(平均绝对误差较非破坏林空和破坏分别降低了13.7%和47.44%,平均相对误差分别降低了34.86%和83.30%)。模型外推虽不能减少误差,但有助于提高利用少量或仅有的几套含水率模型进行更大地区模型预测精度的工作加强关于模型参数和方程类型等的研究,以提高外推预测可燃物含水率的准确性。     

径向基函数人工神经网络在棉花耗水量预测中的应用

采用径向基函数人工神经网络的方法,利用MATLAB工具箱,以气象资料中的平均气温、日照时数、平均风速作为输入变量,建立了预测新疆石河子地区棉花耗水量的RBF神经网络预测系统,并通过实测数据的检验得出此预测系统网络模型的绝对误差最大为0．0962mm／d,最小为0．0008mm／d,平均为0．0519mm／d;相对误差最大为1．7995％,最小为0．0165％,平均为0．9664％,可见网络模型预测的准确度较高,较以往的线性模型更合理,并且此网络训练花费的时间短,仅需0．0780s。     

黄芪水提液分子量分布特征——基于微波辅助法和超声波提取法的对比

对比微波辅助法和超声波提取法对黄芪水提液分子量分布特征的影响。结果表明:对于分子量为2 000～50 000的较大物质,微波辅助提取10 min的浸出量是超声辅助提取30 min的14.53倍;对于分子量大于50 000的物质,微波辅助提取10 min的浸出量仅占总浸出物的1.947%,而超声辅助提取50 min为14.933%。因此,微波辅助工艺在较大分子量有效成分的快速浸出和避免无效物质的浸出方面显著优于超声波辅助工艺。     

高寒地区大豆产量动态预报研究

研究旨在实现逐旬省级和市级的大豆产量预报。利用黑龙江省大豆产量资料分析其时空分布特征;结合各时段气象数据构建温度、降水、日照及综合气候适宜度模型,分析与相对气象产量相关性;构建基于气候适宜度指数的逐旬产量动态预报模型,对黑龙江省大豆产量进行动态预报。结果表明：（1）大豆年均单产空间上从南至北逐级递减,时间上呈年代际变化,各市县年均总产量差距显著,嫩江市大豆产量最高;（2）1995—2015年黑龙江省和嫩江市气候适宜度指数与其对应的大豆相对气象产量显著相关,构建的气候适宜度模型可以客观反映大豆各生长时段内气象条件情况;（3）1995—2015年模型回代检验平均准确率在80%以上,各时段趋势准确年份在12年以上,2017—2019年模型外推预报准确性均超过了85%。建立的产量预报模型可为黑龙江省大豆产量预报提供参考依据。     

基于辅助变量和回归径向基函数神经网络(R-RBFNN)的土壤有机质空间分布模拟

为快速准确地获取土壤有机质的空间分布状况,以江西省万年县齐埠镇为例,运用四方位搜索法、地统计学和遥感影像分析技术提取环境因子和邻近信息,构建基于环境因子和邻近信息的回归克里金法(RK)和回归径向基函数神经网络法(R-RBFNN),对齐埠镇耕地表层(0~20 cm)土壤有机质空间分布进行模拟,并与普通克里金法(OK)相比较。结果显示:齐埠镇耕地表层土壤有机质含量在17.30~53.58 g·kg^-1,平均值为35.03 g·kg^-1,变异系数为23.61%,呈中等变异性。半变异函数分析显示,土壤有机质的块金效应值为0.59,表现为中等空间相关性,自相关范围较大。利用62个采样点进行建模、16个采样点进行独立验证,误差分析表明,应用环境因子和邻近信息作为辅助变量的RK和R-RBFNN预测结果的均方根误差、平均绝对误差、平均相对误均差较OK降低,测试集中的相对提高度分别为66.67%和71.79%,显示出较高精度。但R-RBFNN无须计算半方差函数,使用简单,因此更具优势。