论文部分内容阅读
通过对60年(1950-2009年)北半球夏秋季节(6-10月)西北太平洋(WNP)热带气旋(TC)频数与春季(3-5月)大尺度环境变量的相关分析,挑选出8个相关性较高的前期预报因子建立人工神经网络(ANN)模型,对2010-2017年8年夏秋季TC频数进行回报,并将回报结果与传统多元线性回归(MLR)方法所得结果进行对比分析。结果表明,ANN模型对60年历史数据的拟合精度高,相关系数高达0.99,平均绝对误差(MAE)低至0.77。在8年回报中,ANN模型相关系数为0.8,MAE值为1.97;而MLR模型相关系数仅为0.46,MAE值为3.3。关于夏秋季WNP TC 24h和48h的生成概率预报,将WNP(0°-30°N,100°E-180°)均匀切割为5°×5°的子区域,根据TC生成前24h和48h的环境变量和对流参数特征分析,首先剔除最不利于TC生成的样本,再通过2000-2009年的历史数据建立ANN和MLR模型,对2010-2017年夏秋季各子区域的TC生成概率进行回报。对比两个模型结果,发现ANN模型对10年历史数据的拟合精度较高,在24h拟合中,当报中40个TC生成样本时保持误警量为0,而此时MLR模型误警量高达3830,在8年回报中,ANN模型精度虽不及训练集,但仍大幅领先MLR模型,并在个例及2011年所有TC生成样本的预报展示中拥有更高的报中率。可见ANN模型在季节性TC频数预测以及TC的24h和48h生成概率预测中的表现均优于MLR模型,未来可考虑将ANN模型应用于实际的业务预测中。