云是一種常見(jiàn)的天氣現(xiàn)象,云量的細(xì)微變化都有可能對(duì)天氣系統(tǒng)的演變和發(fā)展產(chǎn)生較大的影響。云還直接影響航空航天活動(dòng),一直以來(lái)是空軍和民航部門(mén)非常關(guān)注的天氣現(xiàn)象之一。河套周邊地區(qū)是我國(guó)重要的工業(yè)、軍事區(qū)域,研究和掌握該地區(qū)云的變化特征和地方性規(guī)律,提供云量的精細(xì)化預(yù)報(bào),提高云量的預(yù)報(bào)準(zhǔn)確率,對(duì)該地區(qū)人們的日常生活、農(nóng)業(yè)生產(chǎn)、以及軍事活動(dòng)等方面都有非常重要的現(xiàn)實(shí)意義。本文利用地面報(bào)文數(shù)據(jù)（MICAPS格式）、歐洲數(shù)值預(yù)報(bào)中心再分析資料（ERA-Interim）以及全球天氣預(yù)報(bào)系統(tǒng)（GFS）預(yù)報(bào)場(chǎng)數(shù)據(jù),統(tǒng)計(jì)分析了河套周邊地區(qū)39個(gè)站點(diǎn)的云量在不同時(shí)間尺度上的變化特征,并從云量的生消機(jī)制角度出發(fā)構(gòu)造了河套周邊地區(qū)云量的5類預(yù)報(bào)因子,探究了影響總云量、低云量、對(duì)流云量的主要因子。在此基礎(chǔ)上,利用多元逐步回歸預(yù)報(bào)方法建立了總云量、低云量、對(duì)流云量的時(shí)間精細(xì)化預(yù)報(bào)模型,采用動(dòng)態(tài)時(shí)變參數(shù)方法即自適應(yīng)最小二乘回歸以及自適應(yīng)遞推卡爾曼濾波方法對(duì)逐步回歸方程建立了動(dòng)態(tài)回歸系數(shù)。本文還利用了反向傳播（BP）神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)算法、最小二乘支持向量機(jī)回歸（LSSVM）預(yù)報(bào)算法以及Elman遞歸神經(jīng)網(wǎng)絡(luò)算法這三種機(jī)器學(xué)習(xí)和非... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：134 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

河套周邊地區(qū)39個(gè)站點(diǎn)的空間分布，星號(hào)代表國(guó)家基準(zhǔn)站，圓點(diǎn)代表國(guó)家基本站

蘭州大學(xué)碩士學(xué)位論文河套周邊地區(qū)云量精細(xì)化預(yù)報(bào)方法研究9雙線性插值方法具有計(jì)算量小，原理簡(jiǎn)單等優(yōu)點(diǎn)。本文使用雙線性插值方法將站點(diǎn)觀測(cè)值插值為格點(diǎn)值，繪制空間分布圖。同樣使用雙線性插值方法將GFS預(yù)報(bào)場(chǎng)資料的格點(diǎn)值插值為站點(diǎn)值，與觀測(cè)云量進(jìn)行分析。雙線性插值是在X、Y方向上分別進(jìn)行一次線性插值，如圖2-2所示，先在X方向上進(jìn)行一次線性插值：)()()(21121111221QfxxxxQfxxxxRf（2-1）)()()(22121121222QfxxxxQfxxxxRf（2-2）圖2-2雙線性插值示意圖然后在Y方向上進(jìn)行一次線性插值：21122121()()()yyyyfPfRfRyyyy（2-3）2.3.2功率譜分析任何一個(gè)氣象要素的時(shí)間變化曲線，都可以看成是不同頻率的規(guī)則波動(dòng)疊加而成，如果我們?cè)陬l率域上比較不同頻率波動(dòng)的方差貢獻(xiàn)，就有可能分析出序列中的主要波動(dòng)及其頻率或周期。這種從頻率域上對(duì)氣象要素時(shí)間序列進(jìn)行分析的方法就稱為譜分析。

liiiifabyx Kx1),()( （2-60）2.3.9 BP 神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)方法BP 神經(jīng)網(wǎng)絡(luò)（Back-ProPagation Network）又稱反向傳播神經(jīng)網(wǎng)絡(luò)， 通過(guò)樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)沿負(fù)梯度方向下降，逼近期望輸出。多用于函數(shù)逼近、模型識(shí)別分類、數(shù)據(jù)壓縮和時(shí)間序列預(yù)測(cè)等，近幾年成為預(yù)報(bào)研究和模擬的有效方法，具有解決非線性問(wèn)題的能力。它的網(wǎng)絡(luò)結(jié)構(gòu)至少包括三層：輸入層、輸出層和隱藏層，隱藏層可以有多層，結(jié)構(gòu)如圖 2-4 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于卡爾曼濾波的中國(guó)區(qū)域氣溫和降水的多模式集成預(yù)報(bào)[J]. 智協(xié)飛,黃聞.  大氣科學(xué)學(xué)報(bào). 2019(02)
[2]1960～2012年中國(guó)地區(qū)總云量時(shí)空變化及其與氣溫和水汽的關(guān)系[J]. 符傳博,丹利,馮錦明,彭靜,營(yíng)娜.  大氣科學(xué). 2019(01)
[3]基于CERES衛(wèi)星資料分析中國(guó)近15 a云量變化[J]. 馬茜蓉,游慶龍,蔡淼,周毓荃,劉菊菊.  干旱氣象. 2018(06)
[4]相似預(yù)報(bào)方法在山西省云量預(yù)報(bào)中的應(yīng)用[J]. 黃海亮,靳雙龍,王式功,陳錄元,董春卿.  干旱氣象. 2018(05)
[5]溫度集合預(yù)報(bào)的類卡爾曼濾波自適應(yīng)訂正方法在海南省東北部的應(yīng)用[J]. 吳嬋,吳林訓(xùn),黃明旺,馮志挺.  廣東氣象. 2018(04)
[6]基于多模式的新疆最高(低)氣溫預(yù)報(bào)誤差訂正及集成方法研究[J]. 賈麗紅,張?jiān)苹?何耀龍,牟歡.  干旱氣象. 2018(02)
[7]FY-2G云量產(chǎn)品與地面觀測(cè)云量對(duì)比分析[J]. 李婭,郭建俠,曹云昌,周粲,陳一枝.  高原氣象. 2018(02)
[8]多元逐步回歸與卡爾曼濾波法在霾預(yù)報(bào)中應(yīng)用[J]. 咸云浩,張恒德,謝永華,楊樂(lè).  系統(tǒng)仿真學(xué)報(bào). 2018(04)
[9]基于時(shí)間序列分析和卡爾曼濾波的霾預(yù)報(bào)技術(shù)[J]. 張恒德,咸云浩,謝永華,楊樂(lè),張?zhí)旌?  計(jì)算機(jī)應(yīng)用. 2017(11)
[10]基于WRF-CMAQ模式的非線性預(yù)報(bào)模型研究[J]. 鈐偉妙,陳靜,韓軍彩,程興宏,王曉敏.  環(huán)境科學(xué)與技術(shù). 2017(08)

碩士論文
[1]葫蘆島代表站云量的精細(xì)化預(yù)報(bào)研究[D]. 趙文婧.蘭州大學(xué) 2016



本文編號(hào)：3341728