本文選題：大氣環(huán)流因子 + 線性回歸模型�。� 參考：《東北師范大學(xué)》2017年碩士論文

【摘要】：本文是一篇注重探索性和過程性的文章,立足于多元統(tǒng)計(jì)分析、Lasso變量選擇、均生函數(shù)、人工神經(jīng)網(wǎng)絡(luò)等多種統(tǒng)計(jì)學(xué)研究思想和建模方法,結(jié)合地理學(xué)、氣候?qū)W、大氣物理學(xué)等多學(xué)科理論知識(shí),著眼于探索和建立吉林省夏季降水量的短期氣候預(yù)報(bào)模型。經(jīng)過不斷的嘗試比較和大量的實(shí)驗(yàn)分析,文章給出了一種新的建模方案,即利用Lasso變量選擇技術(shù),篩選出影響夏季降水量的主要大氣環(huán)流特征量等物理因子和代表降水量主要周期振蕩特性的均生函數(shù)函數(shù)延拓序列,并采用人工神經(jīng)網(wǎng)絡(luò)方法建立了雙重因子的非線性混合預(yù)報(bào)模型。分別以吉林省西北部地區(qū)、中南部地區(qū)和東部地區(qū)三個(gè)氣候區(qū)夏季6～8月降水總量作為預(yù)報(bào)對(duì)象進(jìn)行建模預(yù)報(bào)試驗(yàn)。結(jié)果表明:基于雙重因子的神經(jīng)網(wǎng)絡(luò)混合預(yù)報(bào)模型,比大氣環(huán)流、ENSO等氣象指數(shù)作為預(yù)報(bào)因子的回歸預(yù)報(bào)模型和均生函數(shù)回歸預(yù)報(bào)模型兩種單因子線性預(yù)報(bào)模型,以及基于環(huán)流因子和均生函數(shù)延拓序列的混合因子雙重線性預(yù)報(bào)模型,要具有更好的物理基礎(chǔ)和預(yù)報(bào)能力。
[Abstract]:This paper is an article focusing on exploration and process, based on the multivariate statistical analysis of Lasso variable selection, average generating function, artificial neural network and other statistical research ideas and modeling methods, combined with geography, climatology, etc. This paper focuses on the exploration and establishment of short-term climate forecast model of summer precipitation in Jilin Province. After continuous trial and comparison and a lot of experimental analysis, this paper presents a new modeling scheme, which is to use Lasso variable selection technology. The physical factors, such as the main atmospheric circulation characteristics, which affect the summer precipitation, and the equal-generating function continuation series, which represent the main oscillation characteristics of the precipitation, are screened out. The nonlinear mixed prediction model with double factors is established by artificial neural network method. The total precipitation in three climatic regions of northwestern Jilin Province, central southern region and eastern part of Jilin Province in June to August was used as the forecast object for modeling and forecasting. The results show that there are two kinds of single factor linear forecasting models based on the neural network mixed forecasting model based on double factors, the regression forecasting model based on the weather index such as ENSO and the average generating function regression forecast model. The double linear prediction model of mixed factors based on circulation factor and extension sequence of mean generating function should have better physical basis and prediction ability.
【學(xué)位授予單位】：東北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：C815

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 杜彥璞;蘇雷;;基于lasso方法在變量選擇中的應(yīng)用研究[J];城市地理;2016年12期

2 蔡仁;李如琦;唐冶;瓦哈提;;基于人工神經(jīng)網(wǎng)絡(luò)算法的新疆百里風(fēng)區(qū)風(fēng)速預(yù)報(bào)方法研究[J];干旱區(qū)資源與環(huán)境;2014年08期

3 王攀;付光輝;戴琳;;偏最小二乘回歸法在商品房銷售價(jià)格分析中的應(yīng)用[J];統(tǒng)計(jì)與決策;2014年07期

4 張靖;胡學(xué)鋼;李培培;張玉紅;;基于迭代Lasso的腫瘤分類信息基因選擇方法研究[J];模式識(shí)別與人工智能;2014年01期

5 張秀秀;王慧;田雙雙;喬楠;閆麗娜;王彤;;高維數(shù)據(jù)回歸分析中基于LASSO的自變量選擇[J];中國衛(wèi)生統(tǒng)計(jì);2013年06期

6 趙華生;金龍;;基于偏最小二乘法的前汛期月降水量預(yù)測方法[J];氣象科技;2013年04期

7 常蕊;朱蓉;柳艷香;何曉鳳;;基于均生函數(shù)的風(fēng)電場風(fēng)速短臨預(yù)報(bào)模型[J];氣象;2013年02期

8 鐘金花;;基于Lasso方法的上海經(jīng)濟(jì)增長影響因素實(shí)證研究[J];統(tǒng)計(jì)與決策;2013年01期

9 董偉;劉玉芬;朱丹;朱玉祥;;吉林省夏季降水時(shí)空變化特征研究[J];氣象科學(xué);2013年02期

10 鄭祖國;鄭曉燕;;影響浙江降水的大氣環(huán)流主要因子篩選研究[J];新疆農(nóng)業(yè)大學(xué)學(xué)報(bào);2012年03期

相關(guān)碩士學(xué)位論文 前4條

1 畢伯竹;高維多重共線性數(shù)據(jù)的變量選擇問題[D];山東大學(xué);2011年

2 柯鄭林;Lasso及其相關(guān)方法在多元線性回歸模型中的應(yīng)用[D];北京交通大學(xué);2011年

3 孫吉輝;基于人工神經(jīng)網(wǎng)絡(luò)模型的降水量預(yù)測研究[D];中國海洋大學(xué);2008年

4 武玉梁;基于MATLAB人工神經(jīng)網(wǎng)絡(luò)預(yù)測預(yù)報(bào)沖擊地壓的研究[D];山東科技大學(xué);2005年

，

本文編號(hào)：2002331