基于SVM-BP神经网络的气象能见度数据缺失值预估

自动气象站能见度检测仪多采用光学装置采样,雨雪、粉尘等天气因素会对部分仪器镜头造成污染,导致能见度要素数据缺测.针对能见度数据缺失问题,本文选用安徽部分气象站的历年数据,首先运用灰色关联分析方法筛选出与能见度密切相关的其他气象要素,通过支持向量机和BP神经网络单一预估方法预估不同地形的能见度缺失值,然后采用最优权重组合将两种方法预估的能见度值进行组合,并与单一预估方法进行对比.结果表明组合方法的预估结果误差均值小、整体准确度高,可以保证台站观测资料的完备性,为短时天气预报、实况分析和气象公共服务工作提供有效依据.     

基于BP 神经网络的能见度估测研究

利用安徽省高速公路能见度观测站网的分钟能见度及温湿风资料, 在全面分析能见度与各个气象要素相关 性的基础上, 重点探讨了高速公路能见度的短时预测模型。应用 BP 神经网络, 以湿度、温度、平均风速、瞬时风速、 极大风速作为 BP 神经网络输入层, 输出层为能见度, 结果表明整体试验数据偏差在可接受范围内。采用顺序试验样 本时, 相对误差在 20% 以内的占总试验次数的 68.6%; 在随机样本各次试验中, BP 网络模拟输出与检验样本的相关性 较好, 相关系数在 0.6∼0.8 之间; 低能见度随机样本试验结果表明, 模型输出值与样本值均方根误差集中在 700∼850 m 之间, 变化幅度不大, 说明神经网络算法具有较高的稳定性。     

基于两种方法的小型蒸发器与E-601B蒸发器蒸发量折算研究

文章主要利用1997年07月~2001年12月安徽省16个站日观测资料,运用折算系数法和多元回归法对小型蒸发器蒸发量进行折算,进而对大型蒸发器蒸发量进行了研究。综合分析发现,折算系数和回归模型均能对小型蒸发器蒸发量进行较好的换算,为充分利用小型蒸发器观测资料,延长大型蒸发器观测资料序列提供了科学依据。