基于TRMM降水产品计算月降水量距平百分率

尝试了使用遥感数据估算传统的干旱监测指标——月降水量距平百分率。首先利用TRMM（Tropical Rainfall Measuring Mission）月降水速率产品求取1998年~2008年7月份和8月份的降水总量,进而利用月降水总量数据计算2006年7月、8月和2007年7月、8月的月降水量距平百分率。将TRMM数据计算的月降水量距平百分率与中国气象局提供的地面站点观测数据进行比较。比较结果表明,由TRMM数据计算的月降水量距平百分率总体上与站点观测数据没有显著差异。由TRMM数据计算月降水量距平百分率可作为旱情监测的有效手段。     

一种基于深度网络的多环境因素降水量预报模型

为了更好地反映区域降水的变化趋势,开展区域降水量预报显得尤为重要。在流域信息时代存在丰富大数据的情况下,提出一种基于DBN(Deep Belief Nets)深度网络降水量预报模型的新方案。该方案通过模拟大脑神经元的多层结构,并使用反向传播网络对整个网络进行微调。模型使用了与每日降水量息息相关的七种环境因素作为输入向量,未来24小时降水作为输出向量,通过在贵州遵义地区的实验证明了模型的有效性,并与现有方法进行了对比实验,结果表明模型具有更好的预测效果。     

使用MODIS近红外图像直接计算地表水汽压的研究—以贵州省为例

为提高地形复杂区域地表水汽压的计算精度,同时避免间接法计算需要大气可降水量中间数据,以贵州省为例,研究使用MODIS近红外数据直接估算晴空地表水汽压。构建了指数、多项式、通道值线性组合、集成形式4种直接法模型,并分吸收通道、分遥感值(反射率与辐亮度)建立了24个回归公式,根据计算站的拟合结果筛选了最优的直接法模型,最后对比了直接法和间接法的计算精度。研究结果表明:采用集成第17通道与第2通道反射率比值和高程信息的直接法模型拟合精度最高,决定系数R~2为0.741,剩余标准差(RSE)为1.098 hpa;该直接法的绝对误差、相对误差的均值分别为1.234 hpa和8.2%,均低于间接法的1.806 hpa和12%。     

土壤CaCO3淀积对降水量及环境变化的指示

测定了三工河流域土壤的pH值和CaCO3含量,分析了二者的变化趋势。结合土壤CaCO3的淀积深度,根据年降水量与碳酸钙淀积深度之间的定量关系模型(y=305x 168.5)估算了全新世以来的气候变化。得出在该区域曾有过一段降水较为丰沛的时期。并依据土壤CaCO3含量在垂直剖面上的变化预测了该区域的气候条件是向暖湿、不利于碳酸盐保存的气候环境变化的。这与近期的研究资料得出的结论相一致。本文的结论可作为研究该地区气候变化的参考依据。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数(RBF)神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLAB R2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

影响第2代玉米螟种群数量变动的因素

运用通径分析法探讨了影响第２代玉米螟种群动态的影响因素,结果证明,影响第２代玉米螟幼虫发生量的关键因素首先是７月２６日至３１日的降水日数,降水日数长短与第２代玉米螟幼虫发生为害程度呈负相关;其次为卵期赤眼峰的寄生率,该因素是控制第２代玉米螟种群数量的关键因素之一。８日降水日数多有利于第２代玉米螟幼虫的发生。     

基于改进粒子群算法的BP神经网络及其应用

目前BP神经网络是一种有效的预测方法,但在实际应用当中存在着一些自身的缺点,为此提出了一种基于改进粒子群算法的BP神经网络。通过动态调整粒子群算法中的惯性因子ω,有效地增强了算法对非线性问题的处理能力,同时提高了算法的收敛速度和搜索全局最优值的能力。建立改进后的BP网络模型,通过该模型和逐步回归方法对某市降水量进行实例分析。分析结果表明,改进后的BP网络模型具有较高的准备预报能力和稳定性。     

权马尔可夫链在降水量预测中的应用

选取1976—2017年曲靖市年降水量资料,采用均值-标准差分级法对其进行分级,以规范化的各阶自相关系数为权重,应用权马尔可夫链模型并结合模糊集理论中的级别特征值,分析预测2016—2018年的年降水量,并对模型进行验证。研究结果表明:预测值与实测值的相对误差为3.54%～8.38%,符合《水文情报预报规范》规定的误差值要求,将该方法应用于降水预测是可行、有效的。