成都市秋桂开花期气象指标及预测

为开展成都市秋桂花期精细化气象服务,建立秋桂花期气象预测模式,本研究基于成都市2004—2016年桂花物候观测与气象资料,运用数理统计法开展成都市秋桂花前、花期与气象因子的关系研究,结合桂树生育特性建立秋桂始花期预测模型。结果表明：花前降雨充沛,5日滑动平均气温稳定通过23℃后,秋桂3~6天进入始花期;秋桂花期喜雨晴相间,花期日平均气温20~24℃,雨日、降水量、日照是影响花期长短的主要气象因子;秋桂始花早晚与2月下旬旬最高气温、旬日照时数和7月下旬雨日呈正相关;与10月下旬雨量、5月下旬雨日呈负相关。研究建立的成都市秋桂始花期预测模型经回代验证历史拟合率较高,具有较好的预报效果,能提前20天预测,可用于秋桂初花期中长期预报,为成都市桂花观赏提供精准化的气象服务。     

贵德县梨树始花期与气象因子的相关分析及预报模型

为准确预报贵德地区梨树的始花期提供方法支持。笔者利用2007—2014 年青海省贵德县气象局观测的梨树始花期资料和地面气象观测资料,对影响梨树始花期的气象因子进行分析。结果表明：影响梨树始花期的主要气象因子是气温稳定通过5.0℃到3 月底的积温值。利用逐步回归分析方法建立了基于主要气象因子的梨树始花期预报模型,用所建立的预测模型对2007—2014 年梨花始花期进行回测,准确率较高。对2015 年梨树始花期日期进行预测,预测值与实际观测值之间相差1 天,预报值基本吻合。所建立的预测模型能准确预测贵德县梨树始花期的预报。     

石河子棉花生长关键期与产量动态预报研究

棉花是新疆地区主要经济作物之一,开展棉花产量动态预报对生产安全具有重要意义。利用1968—2020年新疆石河子地区4个地面气象基准站逐日气象资料和棉花产量资料,基于积分回归法在棉花全生育期内以旬为时间尺度,分析了影响棉花生产的温光水主要气象要素和关键期,分别建立了石河子地区7月中旬、8月中旬和9月中旬棉花气象产量动态预报模型。结果表明：气温对新疆石河子棉花产量的影响最大,苗期、开花期和吐絮始期为棉花生长的温度关键期,苗期和吐絮始期为正效应显著,开花期为负效应显著;开花期是棉花生长的光照关键期,对棉花产量呈正效应;石河子地区属于灌溉农业区,自然降水量虽呈正效应,但降水量对棉花产量的影响较小。利用积分回归法建立的动态预报模型对2018—2020年石河子地区棉花产量试报,7月中旬、8月中旬及9月中旬的平均准确率分别为85.1%、91.4%和94.3%。基于积分回归法建立的棉花气象产量动态预报模型越接近成熟期准确率越高。利用积分回归原理对棉花产量进行动态预测是可行的,可以应用于棉花产量预测业务,为地方产量预测提供参考。     

油用牡丹花期预报

根据菏泽市2008—2019年油用牡丹花期观测资料及相应气象要素,利用滑动平均、相关分析及逐步回归等数理统计方法,分析了影响菏泽市油用牡丹始花期早晚的主要气象因子。结果表明：温度条件是影响油用牡丹始花期主要的气象因子之一,并与花期呈显著负相关;日照、降水及日较差等气象条件与油用牡丹始花期相关均不显著。选取2008—2018年对牡丹花期影响较大的气象因子,采用逐步回归方法,建立了油用牡丹始花期预报模型,可分别于3月21日、4月1日发布花期预报。模型历史回代（允许误差均在±1天）,并对2019、2020年进行试报,准确率均为100%,拟合程度较为理想,试报效果较好,满足气象服务需求。     

化橘红始花期与气象因子的相关分析及预报模型

为研究化橘红开花规律,预测化橘红开花时间,为化州市开展化橘红观赏旅游活动提供技术支持,本文利用2012—2018年化州市化橘红物候观测资料,与同期气象观测数据,对化橘红始花期与气象因子进行相关分析,并建立化橘红始花期预报模型。结果表明,化橘红始花期与部分月份的温度、日照、雨日、最高温度等相关度较高,其中1月地面平均温度(X1)对化州市化橘红始花期的影响最大,其次是上年10月日照时数(X2)和1月下旬平均最低气温(X3)。采用逐步回归方法,得到化州市化橘红始花期的预报模型Y=122.0427-2.9445X1-0.1341X2-0.7358X3。利用该模型对化橘红始花期进行回测,误差在0~1天,准确率较高。对2018年化橘红始花期日期进行预测,预测值与实际观测值之间相差1天,预报值基本吻合。建立的预测模型能准确预测化州市化橘红始花期。     

安徽省油菜主要发育期预报业务化模型研究

为了满足现代农业气象业务服务的需求,为各级政府决策部门和农业生产者及时、合理地开展田间管理和农业生产提供科学依据,在江苏省农科院研发的油菜发育期预报模型的基础上,利用安徽省1982~2005年甘蓝型油菜发育期资料和相对应的气象资料,运用数理统计方法,建立了安徽省油菜主要发育期区域预报模型;并依据天气预报,预测油菜开花期和成熟期。经模拟回代、试报和业务应用,结果显示：油菜开花期和成熟收获期实际观测值与模拟值的相关系数在0.8~0.9,平均绝对误差在2~3天;2006-2009年试报结果与实际值的绝对误差平均在3天左右。本研究对预测安徽省油菜的生育期进程提供了理论支持,并在2011年业务应用中效果较好,完全可以满足业务需求。     

安塞山地苹果初花期预报研究

安塞山地苹果初花期霜冻灾害多发,开展苹果初花期预测,以期为农业生产提供指导,减少灾害损失。采用直线回归方程求导法,对安塞山地苹果的生物学零度、花期活动积温、花期有效积温进行分析,对初花前50天各旬气温积算值与初花期的相关性进行分析。用相关显著的气温积算值回归方程式,对初花日进行检验和预测。结果表明：苹果初花期前4旬旬平均气温积算值和旬最高气温积算值与初花日相关显著,旬平均气温生物学零度值为2.9℃。通过检验,2006—2015年苹果初花日的预报准确率较高。通过预报,2018年苹果初花日预报值与实际观测值吻合。初花期前4旬旬平均气温和旬最高气温积算值回归方程式可应用到后期苹果初花期预报中,为苹果花期防御气象灾害和科学管理提供依据。     

高寒草原针茅牧草花期物候变化特征及其影响因子分析

利用三江源区兴海县气象局观测的1999—2021年高寒草原西北针茅牧草开花期物候资料及同期气象资料,对牧草开花期变化趋势进行分析,寻找出影响花期的主要气象因子,并构建花期预测模型。结果表明：（1）1999—2021年三江源区兴海县高寒草原西北针茅牧草开花期的平均气温较平稳,而降水量呈显著增多趋势。（2）1999—2021年三江源区兴海县高寒草原西北针茅开花期呈不显著推迟趋势。牧草开花期年际变化较大,最早与最晚相差26天。（3）相关分析表明,4月上旬和下旬的平均气温、平均最高气温与牧草开花期呈显著负相关;5月上旬平均最高气温、日照时数与牧草开花期呈显著正相关;4月下旬的平均最低气温与牧草开花期呈极显著负相关。（4）回归方程显示,4月下旬平均最低气温每升高（或降低）1.0℃,牧草开花期则相应提前（或推迟）2.1天。     

柴达木地区枸杞产量与气象条件关系模型构建

在柴杞主产区内选取格尔木市台、诺木洪站2个站点的枸杞发育期及相对应的气温、降水及日照等观测资料,应用逐步回归、概率统计等方法对柴达木地区不同发育时段气象因子对产量的影响进行统计分析,结果表明：（1）枸杞产量与老眼枝开花期间日平均气温,春梢生长期间日最高气温及积温,老眼枝果实成熟期间日最低气温,夏果形成及成熟期间气温日较差,春梢生长及秋梢开花期间的日照总时数达到较高正相关。（2）枸杞产量与老眼枝开花期、老眼枝果实形成期、春梢生长期、夏果成熟期、秋梢开花期及秋果成熟期间的降水达到较高负相关。（3）将影响枸杞产量的关键气象因素与产量进行回归分析,得出柴达木地区枸杞产量与气象条件的关系方程,方程的复相关系数为0.9705,根据构建模型,回代历年产量和2019年实际预报应用,绝对误差和相对误差均较小,预报精度较高,充分说明,选取的5个气象要素能够准确预报该地区的枸杞产量,可以在实际预报业务中应用。     

水稻两迁害虫影响气象条件等级预报研究

对水稻两迁害虫气象条件等级预报的研究,为水稻生产防虫减灾提供气象依据;通过对水稻两迁害虫发生资料与气象资料进行对比分析,考虑前期气象条件和虫源数,利用统计回归法建立预报模型。对水稻两迁害虫的气象条件等级预报进行研究,分长期和短期预报,将各因子和预报对象都划分为5级,用当地气象台发布的月、季度及一周的天气预报结论,综合分析前期虫源数是否有利,对未来月、季度和未来1~7天逐日影响水稻两迁害虫迁飞的气象条件等级进行预报。预报方法实用性强,逐日预报准确率达到了70%以上。水稻两迁害虫受气象条件的影响很大,通过对气象条件的等级预报进行研究,建立两迁害虫气象条件等级预报模型,在水稻生产中发挥了积极的作用。     

银杏最佳观赏期气象条件分析及预测

为了更准确地预测银杏最佳观赏期并提供相关气象服务,笔者利用2000—2015年湖州银杏物候观测资料及相应气象资料,分析银杏叶秋季物候期特征、最佳观赏期与气象条件的关系,并建立预报模型。结果表明,最佳观赏期与各气温要素存在显著负相关,即气温越高,最佳观赏期越早;最佳观赏期前有一定的气温阀值条件;根据最佳观赏期前冷空气特点将其分为3种类型,即回暖型、降温型、波动型;利用SPSS软件建立最佳观赏期短期气候预测模型,并根据气象条件阀值及冷空气特点进行中期预报订正,通过对2015年的预报检验,效果较理想,可用于业务试用。     

国内外气候模式对黑龙江省汛期降水预测分析

为了评估季节气候模式及多模式集合对黑龙江省汛期降水的跨季节预测能力,最终提高黑龙江省汛期气候预测准确率。基于1983—2017年中、美、欧三种季节气候模式的资料,将多模式集合预报技术应用于黑龙江省汛期降水预测,采用距平相关系数(ACC)、趋势异常综合检验(Ps)评估、分级评分(Pg)评估和距平符号一致率(Pc)4种定量评估方法全面评估了上述3种季节气候模式及多模式集合对黑龙江省汛期降水的跨季节预测能力,并最终给出适合于黑龙江省汛期降水的客观预测方法。结果表明：各家模式对黑龙江省汛期降水有一定的跨季节预报能力,但对于降水趋势的异常量级预测能力相对较差。各家模式预测评分比较来看,EC模式预测评分相对更好,在预测业务中可以重点考虑；多模式超级集合预测评分高于日常业务质量评分和多模式等权集合平均的预测评分,可以在汛期气候预测中参考。     

基于数值预报产品的地表温度预报方法研究

为了开展地表温度预报业务,提高逐日地表温度预报准确率,利用2007—2012年的ECMWF和T213数值预报产品资料及抚顺市的逐日地表温度资料,采用逐步回归分析方法和BP神经网络模型分别构建抚顺市地表温度预报模型,并对模型的精度进行检验。结果表明,地表温度与ECMWF的高度场、海平面气压场、温度场和T213的散度场、高度场、海平面气压场、地面气压场、海平面K指数、水汽通量、相对湿度、温度场、地面气温和场涡度场均呈显著相关。对预报模型进行精度检验显示,地表平均温度和地表最低温度的预报效果较好,≤3℃预报准确率均达到79%以上。2种模型对比显示,BP神经网络预报模型总体上优于逐步回归预报模型;逐步回归预报模型较BP神经网络预报模型稳定。     

黑龙江省三种水稻热量指数预测方法的对比研究

旨在选出一套适合黑龙江不同区域水稻低温冷害预测方法,为相关部门制定粮食生产和调整农作物种植结构提供科学依据。选择黑龙江省11个水稻农气观测站为研究对象,利用1971—2016年的气温资料、74类大气环流资料、水稻发育期数据,将黑龙江省划分为东、西、南3个区域,分别建立逐步回归预测模型、GM(1,1)灰色预测模型和均生函数预测模型,预测黑龙江水稻生育期总热量指数并进行对比分析。结果表明:建立的3种预测模型通过了残差检验,1971—2010年拟合平均准确率均在95%以上,结果差异不大;2011—2016年的试报准确率为85%～99%,其中GM(1,1)灰色预测模型准确率(97%～99%)高于逐步回归预测模型(91%～97%)和均生函数预测模型(85%～95%)。通过3种预测方法对比结果显示,GM(1,1)灰色预测模型模拟效果最好。     

Cellular automata spatial temporal data model and forecasting approach

The standard cellular automata(CA) model is expanded to meet requests of space time dynamic simulation and forecast under the platform of geographic information system(GIS). Taking power load forecasting of the electric power industry as the specific application, the relations between dynamic model of the land use and power load space are established. The data and attribute data interactive discrete in spatial temporal data management have been solved. The CA theory is practically used to simulate the process of urban land use dynamic development, to forecast future land use types of each small area, to establish spatial load forecasting model. It breaks through the localization of all kinds of forecasting methods of traditional space time separation power prediction. The effectiveness of the prediction method is verified by example.     

Cost forecast model for power engineering based on based on back propagation neural networks

A novel power engineering cost forecast model was proposed by combining feature extraction and small sample learning. The initial data was preprocessed with principal component analysis to remove the correlation among the original indexes and get the potential independent indexes. The new indexes acted as the input set to build a new forecast model based on least squares support vector machines. The results of this model were compared with the forecast results getting from artificial neural network. By comparing the forecast results with different principal components number, the optimal number was determined to achieve the desired forecast effect. The prediction results indicate that the method can extract the feature of initial data effectively and is good at small sample learning . The expected forecasting results can be reached.