论文部分内容阅读
天气预报是人们安排出行计划的重要参考依据,也是城市以及乡镇针对恶劣性气候进行防灾减灾的重要保障。随着现代气象科学技术的进步,气象预报在准确性和高效性方面着更为严格的要求,其中集成天气预报技术成为现代天气预报技术研究的重点和热点问题。集成预报是一种用数学模型将多种相互独立的单模式预报产品进行整合与分析,最终得到更为理想、统一的预报结论的技术。目前,关于中短期集成预报的研究还不是很多。本课题的研究目的在于,建立基于人工神经网络的集成预报模型,以此为基础开发多站点精细化天气预报业务软件,提供定点、定时、定量集成预报数据,减小数值模式和预报员主观决策所带来的预报误差。目前,基于人工神经网络的集成预报大多采用BP网络,这种方法存在学习速度较慢、训练过程容易陷于局部最小的问题。所以选取学习速度快、收敛性好、实时性强的径向基神经网络处理集成预报问题作为有着很大的优势。本文采用新的集成预报路线,将低级单模式数值预报作为网络输入层,经过训练的网络输出统一高级集成预报结果,以此为目标来设计集成预报模型。本文主要工作有:首先针对天津观测站点的数值模式预报数据特点,筛选出可靠的集成预报成员,创建精细化气温订正方法来处理错误数据;然后在径向基神经网络的基础上建立了新型气温集成预报模型;同时开发多模式气温集成预报系统,实现天津的232个城市以及乡镇站点的逐六小时、最高温和最低温的客观集成预报业务。系统实现了模式数据的自动集成、手动集成和分类查询等功能。从预报的结果的分析中可以看出,基于径向基神经网络的集成预报方法在预报误差和站点预报准确率上,均好于每个参与集成的单模式预报成员;在算法的执行时间的比较中,神经网络的执行时间比粒子群算法以及遗传算法要快许多。因此,该系统是一款在稳定性、准确率和时间效率上都具备一定的优势的集成预报软件,在气象业务中具有好的应用前景。