几种自适应统计天气预报建模方法的比较研究.pdfVIP

第六部分 综合技术方法 几种自适应统计天气预报建模方法的比较 肖仁春赵瑞星 (总参气象中，0，北京100081) 提要 本文采用二三种自适应自学习方法．对1992年4～9月份欧洲格点报8：jOhPa72小时温度场资 料做地面温度预报试验，并和传统的线性回归方法的预报结果进行比较。结果表明：自适应自学习 方法的预报效果明显优于传统的线性回归方法，并具有建模样本少，预搬效果稳定的特点。 关键词：自适应自学习卡尔曼滤波多层递阶 传统的统计天气预报方法，如线性回归和判别分析等，大多数都是从拟合最好的角度一次性用 全部样本建立模型的，这并不能说明加入新的样本后预报模型的预报效果仍然很好。实际应j{；；『中人 们发现同归方法和判别方法有时会出现预报效果不稳定的现象，这时就需要考虑重新建立模型。 随着计算机技术的发展，数值天气两报技术飞速发展，其预报模型的不断更新，更新的周 期不断缩短。数值天气预报产品的统计解释应用是数值天气预报技术的重要组成部分．勾取得 稳定的预报效累，产品解释应用中所建的统计天气预报模型要和不断更新的数值天气预报模 型相适应。为适应这种需要，近年来开展了自适应自学习统计建模方法研究，通过调整预报模 型的系数，适应薪的数值天气预报模型输出的样本资料，改进预报效果。本文时论的二三种统计 天气预报建模方法，线性回归自适应自学习方法、卡尔曼滤波方法、多层递阶方法，就是属于这 种自适应自学习统计建模方法。通过模型系数的自适应自学习算法，能够不断引入新的资料， 吸收新信息，从而不断更新模型系数．达到模型系数跟踪最新资料变化的目的。 下面通过具体的预报试验说明自适应自学习统计建模方法明显优‘j一传统的回归建横方法。 2 基本理论 2．1线性回归自适应自学习方法+ 线性回归自适直自学习方法是…种在最小二乘意义下递推求解预报模型系数的动态建模 ·211· 方法。其主要思想是接最小二乘法首先估计模型系数，得到系数的估计值后，再由系数估计公 式求解递推估计公式，用此递推估计公式计算预报模型系数。 设m个因子的前一个观测样本组成的方阵为： z。一(z，，)，×一， i一1．…，”，一l，…， 回归系数为：且#(卢。，卢：，…，凤)7，弘一(一I，Y2，…，Y。)7为因变量，矗一(￡I，ez，…，e。)7为随机扰 动，则其线性回归方程具有如下形式： y。=X。口。+￡。 由最小二乘法求得的且的估计值为 阢一(xjx。)。Xb。 当增加第(n十1)组样本实测唐z。。，Y一后，不难导出回归系数的递推公式为： b。+l#bH+c。+lz。十L(弘{1一z：+lbn) 其中 ct“=c。一c。z。+1(1十z：¨c*z。¨)一1z。T十一。 f。一(《矿)。 22卡尔曼滤波方法 卡尔曼滤波方法是一种能够使预报模型系数随样本变化的动态建模方法。其主要思想是 把模型的系数也作为随机变量，首先估计模型系数，得到系数的估计值后，再由系数估计值和 蹦子值代入预报模蛩得到预报量的估计值。建模的准则是线形最小方差。 其动态模型为： 1) fB(女)=eo(k，k一1)B(^一1)+e(k { lz(女)=X(k)B(^)+e(々) 卡尔曼滤波器的一整套计算公式为： lk一1)x(^)7+R(^)]一’ F(k)一P(klk一1)x(女)1EX(k)P(k J P(^Ik一1)=