一种多时间尺度SVM局部短时临近降雨预测方法
|
摘要
近年来支持向量机(support vector machine,SVM)在气象领域得到了广泛应用,在该类应用中单一建模是目前普遍采用的一种思路,单一建模方法寻找的是大而泛的预测模型,预测的目标以面降雨为主。本研究针对每个气象站点进行单独动态建模,建模方法为多时间尺度SVM,探索建立一种动态SVM短时临近降水预测模型,充分考虑不同站点、不同时刻的气象要素差异,初步解决了单一建模过于注重整体规律、建立固定的整体预测函数模型而忽略不同站点、不同时刻局部气象变化的不足,并尝试提高短时临近降水预报的准确率。初步实现了地理空间上更高密度、更精细化的降雨预测,时间分辨率为1 h,TS评分始终保持在较高的水平,对1 h预测的TS评分平均可达40%以上,部分站点接近50%,且模型预测准确率具有一定的稳定性和参考价值。
In recent years,SVM(support vector machine) has been widely used in meteorological field.Single modeling is the most common approach for this type of application which just looks for a large,generic prediction mode to forecast surface rainfall.In this study,individual meteorological stations were modeled dynamically through multi-time scale SVM.So we established a dynamic short-term rainfall forecasting model and fully considered the difference of meteorological elements at different time stamps of different sites,solving the problem that the single fixed global model is concerned with the whole law too much and neglects the difficiency of local meteorological changes at different sites and different times.Therefore,our method has the ability of improving the accuracy of short-term precipitation forecast.In our study,the prediction for higher density and finer rainfall in geographical space was basically achieved,the temporal resolution was 1 h,and the TS score was always kept at a high level.As a result,the average TS score of 1 h forecast is more than 40%,and for some sites,it is close to 50%.Thus,the prediction accuracy of the model has certain stability and reference value.
In recent years,SVM(support vector machine) has been widely used in meteorological field.Single modeling is the most common approach for this type of application which just looks for a large,generic prediction mode to forecast surface rainfall.In this study,individual meteorological stations were modeled dynamically through multi-time scale SVM.So we established a dynamic short-term rainfall forecasting model and fully considered the difference of meteorological elements at different time stamps of different sites,solving the problem that the single fixed global model is concerned with the whole law too much and neglects the difficiency of local meteorological changes at different sites and different times.Therefore,our method has the ability of improving the accuracy of short-term precipitation forecast.In our study,the prediction for higher density and finer rainfall in geographical space was basically achieved,the temporal resolution was 1 h,and the TS score was always kept at a high level.As a result,the average TS score of 1 h forecast is more than 40%,and for some sites,it is close to 50%.Thus,the prediction accuracy of the model has certain stability and reference value.
引文
陈明轩,高峰,孔荣,等,2010.自动临近预报系统及其在北京奥运期间的应用[J].应用气象学报,21(4):395-404.
陈永义,俞小鼎,高学浩,等,2004.处理非线性分类和回归问题的一种新方法(I)-—支持向量机方法简介[J].应用气象学报,15(3):345-354.
陈元昭,俞小鼎,陈训来,2016.珠江三角洲地区重大短时强降水的基本流型与环境参量特征[J].气象,42(2):144-155.
陈子燊,黄强,李鸿皓,等,2015.珠江三角洲城市短时强降水概率分布模型的对比分析[J].中山大学学报:自然科学版,8(2):127-132,140.
丁世飞,齐丙娟,谭红艳,2011.支持向量机理论与算法研究综述[J].电子科技大学学报,38(1):2-10.
段鹤,夏文梅,苏晓力,等,2014.短时强降水特征统计及临近预警[J].气象,40(10):1194-1206.
冯汉中,陈永义,2004.处理非线性分类和回归问题的一种新方法(Ⅱ)——支持向量机方法在天气预报中的应用[J].应用气象学报,15(3):355-365.
高郁东,万齐林,薛纪善,等,2015.同化雷达估算降水率对暴雨预报的影响[J].应用气象学报,26(1):45-56.
勾亚彬,刘黎平,杨杰,等,2014.基于雷达组网拼图的定量降水估测算法业务应用及效果评估[J].气象学报,72(4):731-748.
韩雷,王洪庆,谭晓光,等,2007.基于雷达数据的风暴体识别、追踪及预警的研究进展[J].气象,33(1):3-10.
何斌,范晓红,盛文斌,等,2015.“2013·7·21”杭州湾北岸短时大暴雨的中尺度分析[J].气象,41(7):842-851.
洪伟,任雪娟,杨修群,2015.华南持续性强降水期间低频非绝热加热对低频环流的影响[J].气象学报,73(2):276-290.
李冠林,严卫,王蕊,等,2016.基于A-Train综合资料的云顶高度反演研究[J].气象,42(8):97卜979.
李磊,张立杰,力梅,2015.深圳降水资料信息挖掘及在气候服务中的应用[J].广东气象,37(2):48-51.
林奕桐,叶骏菲,汪嘉杨,等,2015.基于亮温和SVM模型的干球温度推算方法[J].遥感学报,19(1):172-178.
刘娜,李双林,2015.基于时间尺度分离的中国东部夏季降水预测[J].应用气象学报,26(3);328-337.
龙清怡,刘海文,顾建峰,等,2014.雷达资料与中尺度数值预报的融合方法研究及其在临近预报中的应用[J].气象,40(10):1248-1258.
闵晶晶,2014.BJ-RUC系统模式地面气象要素预报效果评估[J].应用气象学报,25(3):265-273.
沈澄,孙燕,魏晓奕,等,2016.基于物理量参数的江苏短时强降水预报模型的研究[J].气象,42(5):557-566
孙继松,雷蕾,于波,等,2015.近10年北京地区极端暴雨事件的基本特征[J].气象学报,73(4):609-623.
田付友,郑永光,张涛,等,2015.短时强降水诊断物理量敏感性的点对面检验[J].应用气象学报,26(4):385-396.
汪春秀,2011.基于支持向量机的气象预报方法研究[D].南京:南京信息工程大学.
汪亚萍,崔晓鹏,任晨平,等,2015.“碧利斯”(0604)暴雨过程不同类型降水云微物理特征分析[J].大气科学,39(3):548-558.
王改利,刘黎平,阮征,2007.多普勒雷达资料在暴雨临近预报中的应用[J].应用气象学报,18(3):388-395,417.
王在文,郑祚芳,陈敏,等,2012.支持向量机非线性回归方法的气象要素预报[J].应用气象学报,23(5):562-570.
宇如聪,李建,陈昊明,等,2014.中国大陆降水日变化研究进展[J].气象学报,72(5):948-968.
曾明剑,王桂臣,吴海英,等,2015.基于中尺度数值模式的分类强对流天气预报方法研究[J].气象学报,73(5):868-882.
张乐坚,程明虎,田付友,2010.人工神经网络及支持向量机在降雨量预报中的应用[J].高原气象,29(4):982-991.
张蕾,王明洁,李辉,2015.短时强降水临近预报相对准确率的探讨[J].广东气象,37(2):1-6.
张庆云,郭恒,2014.夏季长江淮河流域异常降水事件环流差异及机理研究[J].大气科学,38(4):656-669.
张小玲,余蓉,杜牧云,2014.梅雨锋上短时强降水系统的发展模态[J].大气科学,38(4):770-781.
Vapnik V,1995.The Nature of Statistical Learning Theory[M].New York:Springer.
Vapnik V,Golowich S E,Smola A,1996.Support vector method for function approximation,regression estimation,and signal processing[G].Advances in neural information processing systems 9.
Vapnik V,Guyon I,Hastie T,1995.Support Vector Machines[M].New York:Springer.
陈永义,俞小鼎,高学浩,等,2004.处理非线性分类和回归问题的一种新方法(I)-—支持向量机方法简介[J].应用气象学报,15(3):345-354.
陈元昭,俞小鼎,陈训来,2016.珠江三角洲地区重大短时强降水的基本流型与环境参量特征[J].气象,42(2):144-155.
陈子燊,黄强,李鸿皓,等,2015.珠江三角洲城市短时强降水概率分布模型的对比分析[J].中山大学学报:自然科学版,8(2):127-132,140.
丁世飞,齐丙娟,谭红艳,2011.支持向量机理论与算法研究综述[J].电子科技大学学报,38(1):2-10.
段鹤,夏文梅,苏晓力,等,2014.短时强降水特征统计及临近预警[J].气象,40(10):1194-1206.
冯汉中,陈永义,2004.处理非线性分类和回归问题的一种新方法(Ⅱ)——支持向量机方法在天气预报中的应用[J].应用气象学报,15(3):355-365.
高郁东,万齐林,薛纪善,等,2015.同化雷达估算降水率对暴雨预报的影响[J].应用气象学报,26(1):45-56.
勾亚彬,刘黎平,杨杰,等,2014.基于雷达组网拼图的定量降水估测算法业务应用及效果评估[J].气象学报,72(4):731-748.
韩雷,王洪庆,谭晓光,等,2007.基于雷达数据的风暴体识别、追踪及预警的研究进展[J].气象,33(1):3-10.
何斌,范晓红,盛文斌,等,2015.“2013·7·21”杭州湾北岸短时大暴雨的中尺度分析[J].气象,41(7):842-851.
洪伟,任雪娟,杨修群,2015.华南持续性强降水期间低频非绝热加热对低频环流的影响[J].气象学报,73(2):276-290.
李冠林,严卫,王蕊,等,2016.基于A-Train综合资料的云顶高度反演研究[J].气象,42(8):97卜979.
李磊,张立杰,力梅,2015.深圳降水资料信息挖掘及在气候服务中的应用[J].广东气象,37(2):48-51.
林奕桐,叶骏菲,汪嘉杨,等,2015.基于亮温和SVM模型的干球温度推算方法[J].遥感学报,19(1):172-178.
刘娜,李双林,2015.基于时间尺度分离的中国东部夏季降水预测[J].应用气象学报,26(3);328-337.
龙清怡,刘海文,顾建峰,等,2014.雷达资料与中尺度数值预报的融合方法研究及其在临近预报中的应用[J].气象,40(10):1248-1258.
闵晶晶,2014.BJ-RUC系统模式地面气象要素预报效果评估[J].应用气象学报,25(3):265-273.
沈澄,孙燕,魏晓奕,等,2016.基于物理量参数的江苏短时强降水预报模型的研究[J].气象,42(5):557-566
孙继松,雷蕾,于波,等,2015.近10年北京地区极端暴雨事件的基本特征[J].气象学报,73(4):609-623.
田付友,郑永光,张涛,等,2015.短时强降水诊断物理量敏感性的点对面检验[J].应用气象学报,26(4):385-396.
汪春秀,2011.基于支持向量机的气象预报方法研究[D].南京:南京信息工程大学.
汪亚萍,崔晓鹏,任晨平,等,2015.“碧利斯”(0604)暴雨过程不同类型降水云微物理特征分析[J].大气科学,39(3):548-558.
王改利,刘黎平,阮征,2007.多普勒雷达资料在暴雨临近预报中的应用[J].应用气象学报,18(3):388-395,417.
王在文,郑祚芳,陈敏,等,2012.支持向量机非线性回归方法的气象要素预报[J].应用气象学报,23(5):562-570.
宇如聪,李建,陈昊明,等,2014.中国大陆降水日变化研究进展[J].气象学报,72(5):948-968.
曾明剑,王桂臣,吴海英,等,2015.基于中尺度数值模式的分类强对流天气预报方法研究[J].气象学报,73(5):868-882.
张乐坚,程明虎,田付友,2010.人工神经网络及支持向量机在降雨量预报中的应用[J].高原气象,29(4):982-991.
张蕾,王明洁,李辉,2015.短时强降水临近预报相对准确率的探讨[J].广东气象,37(2):1-6.
张庆云,郭恒,2014.夏季长江淮河流域异常降水事件环流差异及机理研究[J].大气科学,38(4):656-669.
张小玲,余蓉,杜牧云,2014.梅雨锋上短时强降水系统的发展模态[J].大气科学,38(4):770-781.
Vapnik V,1995.The Nature of Statistical Learning Theory[M].New York:Springer.
Vapnik V,Golowich S E,Smola A,1996.Support vector method for function approximation,regression estimation,and signal processing[G].Advances in neural information processing systems 9.
Vapnik V,Guyon I,Hastie T,1995.Support Vector Machines[M].New York:Springer.