一、统计预报方法中若干技术问题的对比分析（论文文献综述）
肖捷夫[1]（2021）在《库水涨落和降雨条件下藕塘滑坡变形演化机制及其预测模型研究》文中研究表明水利工程建成运行后,库水位周期性涨落,扰动了库岸固有的地质环境,库岸滑坡水力边界改变,原有平衡被打破,大量古滑坡复活和新滑坡产生,对库区人民生命财产安全构成巨大威胁,科学有效地避免和减轻库岸滑坡的危害对保障库区社会经济的可持续发展十分关键。库区常见一些古滑坡经过多期次滑动,滑坡内具有多个滑体和滑带,变形同时受到多个滑体和滑带的控制,在库水位涨落和降雨影响下,不同区域呈现出差异化变形,此类滑坡在水库蓄水运行后的变形机制、破坏模式、稳定性及位移预测的研究是当前国内外学术界和工程界的前沿课题之一。针对此课题,本文选取三峡库区藕塘滑坡为研究对象,滑坡为巨型顺层基岩古滑坡,整个滑坡由斜坡岩土体经过三期次滑动后产生的三个滑坡体组成（第一期次滑坡、第二期次滑坡、第三期次滑坡）,第一期次滑坡临江,前缘被库水淹没,第二期次滑坡超覆在第一期次滑坡后缘上,第三期次滑坡超覆在第二期次滑坡后缘上。三峡水库蓄水后,藕塘滑坡出现明显的复活迹象。本文在全面收集和分析了藕塘滑坡勘察与监测资料的基础上,首先,开展大量野外工程地质调查,明确了滑坡地质结构特征与空间形态;进行现场取样,借助X射线衍射仪、X射线荧光光谱分析仪、扫描电镜等仪器设备,对滑带土矿物组成、化学成分、微观结构及滑坡区水化学成分进行了分析,进行物理力学试验获得了滑坡岩土体物理力学参数;然后,通过分析地表变形迹象和现场监测数据,研究了滑坡的变形特征,并运用灰色关联法定量研究了滑坡地表位移与库水位涨落-降雨的关联度;根据库水位涨落-降雨作用与滑坡变形的关联关系,开展大型物理模型试验,研究了库水位涨落和降雨作用下滑坡变形演化机制和失稳破坏模式;然后,建立藕塘滑坡数值模型,运用数值模拟和极限平衡法,分析了一个自然年里的库水位涨落和降雨作用下,滑坡渗流场和稳定性系数变化规律;并更进一步,基于正交设计法,研究了藕塘滑坡内各滑体对稳定性影响因子的敏感性;最后根据库水位涨落和降雨作用下藕塘滑坡变形特征、机理及稳定性变化特征的研究成果,基于自适应噪声完备集合经验模态分解（CEEMDAN）和门控循环单元神经网络（GRU）,提出了滑坡位移CEEMDAN-GRU耦合预测模型。相关主要研究成果与结论归纳如下:（1）滑带土矿物组成、化学成分、微观结构,滑坡区水化学分析,滑坡岩土体物理力学性质的研究。滑带土的物质组分中以石英、长石和黏土矿物为主,滑带土中黏土矿物占比高,亲水的黏土矿物遇水后产生吸水膨胀性、水致软化是滑坡稳定性下降的重要因素之一。滑带土电镜扫描试验表明,滑带土具有明显线性擦痕和黏土矿物的定向排列微结构特征,滑带土叠片状颗粒微结构致使其微观的力学特性呈现显着的方向选择性。滑坡区长江流水、雨水与滑坡体内地下水的化学成分组成差异性较大,雨水渗入滑体并与岩土体产生复杂的水离子化学反应,致使水质变化。对滑带土进行物理力学性质实验,得到了相关物理力学参数。（2）滑坡变形特征及其与库水位涨落-降雨关系研究。藕塘滑坡整体处于持续性蠕滑变形过程中,组成滑坡的各期次滑坡体主滑方向一致,但蠕滑产生的位移差异较大,第三期次滑坡位移>第二期次滑坡位移>第一期次滑坡位移。位移呈阶跃式增长,每年5到9月之间增长较快,位移快速增长时间段与库水位迅速下降、雨季的时间段较为吻合。第一期次滑坡变形对库水位下降的响应程度更大,第二、第三期次滑坡变形对降雨响应程度更大。（3）库水位涨落和降雨作用下滑坡变形演化机制和失稳破坏模式研究。（1）库水位涨落对第二、第三期次滑坡的应力场未造成明显影响,其影响范围主要在第一期次滑坡区域,第一期次滑坡的变形失稳会引起第二、第三期次滑坡稳定性变化,产生变形。库水位以1m/d、2m/d、3m/d三种速度上涨作用下滑坡皆不会产生大的变形,仅在坡脚产生微小裂缝,水位上升速度越快,浮托力增长越快,微小裂缝越明显。相比库水位上涨作用的影响,库水位下降作用对第一期次滑坡体稳定性影响更大,库水位下降速度越快,造成的滑坡变形越大,当库水位快速下降时,第一期次滑坡坡脚局部发生牵引式崩滑的风险大,藕塘滑坡为动水压力型滑坡。（2）藕塘滑坡受降雨作用时,普通降雨对滑坡稳定性影响不大,滑坡无明显变形产生。强降雨对第一期次滑坡坡脚和第三期次滑坡稳定性影响显着。水的软化作用、坡内雨水的外渗及雨水冲刷是造成第一期次滑坡坡脚失稳的主要原因;较陡的坡形,降雨导致的自重增加,水向下渗透产生的下滑力及岩土体的浸水软化是造成第三期次滑坡相较于滑坡整体沿滑带产生了更大蠕滑变形的主要原因。（3）库水位下降是第一期次滑坡变形的主要控制因素,库水位快速下降作用对第一期次滑坡的影响大于强降雨作用的影响大于库水位快速上涨作用的影响。降雨是第二、第三期次滑坡变形的主要控制因素。（4）库水位快速下降和强降雨联合作用的条件下,藕塘滑坡失稳模式为第一期次滑坡坡脚局部崩滑、第三期次滑坡体滑移,藕塘滑坡发生沿基岩面整体滑移破坏的可能性不大。（4）滑坡稳定性及其影响因子敏感性分析。库水位175m,无降雨时,滑带1控制的滑体稳定性>滑带2控制的滑体稳定性>滑带3控制的滑体稳定性。滑带1控制的滑体稳定性主要受库水涨落影响,库水位上涨,滑体稳定性上升,而库水位下降,滑体稳定性下降。滑带2和滑带3控制的滑体稳定性主要受降雨影响,其中滑带3控制的滑体稳定性受降雨影响下降更大。滑带1控制的滑体对稳定性影响因子敏感性顺序为:滑带内摩擦角>库水位变化速率>滑带黏聚力>滑体渗透系数>降雨量;滑带2控制的滑体对稳定性影响因子敏感性顺序为:滑带内摩擦角>滑带黏聚力>滑体渗透系数>降雨量>库水位变化速率;滑带3控制的滑体对稳定性影响因子敏感性顺序为:滑带内摩擦角>滑体渗透系数>降雨量>滑带黏聚力>库水位变化速率。各滑带控制的滑体稳定性系数变化率受内因（滑带内摩擦角、滑带黏聚力、滑体渗透系数）变化影响大,受外因的变化（库水变化和降雨）影响较小,但是如果外因作用下使得滑坡的内因发生改变,则外因会对滑坡稳定性产生明显的影响。（5）滑坡位移预测模型研究。针对滑坡演化的动态系统本质,提出了滑坡位移CEEMDAN-GRU耦合预测模型。模型首先利用CEEMDAN将滑坡总位移分解为趋势项和波动项,采用单变量GRU模型预测趋势项位移;基于库水位涨落和降雨诱发藕塘滑坡变形的特征和机理分析,选取合理的变形影响因素,采用多变量GRU模型预测波动项位移,并与多变量SVR和多变量BPNN模型对比。结果表明,考虑诱发因子的多变量GRU模型的预测精度优于SVR和BPNN等模型,且在预警关键的阶跃式变形期的预测优势尤为突出。其良好的预测能力归因于该模型实现了状态反馈,能更好地反映滑坡演化的动态系统本质,且该模型具有记忆功能,能够充分利用滑坡历史信息,从而有效提高位移预测精度;此外,模型独特的设计结构使其不依赖于训练数据时效性的分析。
夏鹏[2]（2020）在《秦皇岛市空气质量多模式预报方法研究》文中指出近年来,我国大气污染问题突出,对人们的生产、生活构成了严重威胁。随着人们对灰霾问题的关注及城市空气质量的预测需求,针对区域空气质量预报的研究也愈发迫切。本文在总结分析国内外空气质量预报研究动态和技术难点的基础上,以秦皇岛市为研究区域,分别开展了基于数值模式、神经网络方法的空气质量预报研究,并对比分析了不同数值模式和神经网络方法的预报性能。在此基础上,利用机器学习集成方法,以PM2.5浓度预报为研究重点,构建了秦皇岛市集合预报模型,并选取2020年7月3日到2020年7月20日进行多模式对比实验,综合分析了不同方法对PM2.5的预报效果。论文取得以下成果:（1）本文基于WRF-Chem、CMAQ和CAMx模式,建立了秦皇岛市多模式数值预报系统,并运用该系统模拟了2020年1月1日到2020年6月30日年秦皇岛市六大污染物浓度的时空变化情况,综合分析了不同模式对于各污染物的预报表现。结果表明,三种模式对于CO、PM2.5、O3预报效果较好,相关系数范围在0.26-0.70之间。其中,CAMx对于O3预报偏离水平大,对SO2、NO2预报效果具有优势;CMAQ对各污染物浓度预报整体较好,预报值与观测值较为接近,模型稳定;WRF-Chem与其他两个模式相比,对于PM2.5和O3预报效果较好,对于SO2的预报效果最差,并且存在预报值低估的问题。（2）此外,本文基于BP、GRNN和GA-BP神经网络方法,建立了秦皇岛市多模式统计预测模型,并对比分析了三种模型对于PM2.5浓度的预测结果。结果表明,在PM2.5的预测中,BP、GRNN神经网络预报和GA-BP神经网络三种模型预测的相关系数均值分别为0.80、0.86、0.81。通过模型准确率和一致性检验,可以得到GRNN更为准确,BP模型更为实用,GA-BP对PM2.5预测稳定性明显高于GRNN和BP神经网络预测模型。（3）最后,本文基于随机森林、梯度提升、背包三种机器学习集成方法,提出了一种数值-统计集合预报组合策略,通过结合WRF-Chem、CMAQ和CMAx数值模式与BP统计模型,构建了集合预报模型,并预报了2020年7月3日到2020年7月20日秦皇岛市PM2.5变化情况。结果表明,三种集合预报模型大大提高了预报精度,相较于集合前,在相关系数和均方根误差方面得到明显改善,其中最高相关系数达0.45,其中,与随机森林和梯度提升算法相比,自举集成模型的预报值和观测值的接近程度最高,其对于预报结果的提升也最为明显,未来可作为城市空气质量预报精度提升的有效方法。该论文有图31幅,表17个,参考文献96篇。
于晓东,纪欣彤,王闯[3]（2020）在《沈阳市环境空气质量统计预报应用及效果评估》文中提出基于沈阳市统计预报中逐步回归及简易逐步回归模型,利用2017年环境空气主要污染物自动监测实况数据,采用相关系数、标准化平均偏差等指标检验2种模型的预报效果。结果显示:逐步回归及简易逐步回归模式均能够较好的表征污染变化趋势,2种预报模式预报对AQI均表现出春夏季优于秋冬季特点。逐步回归、简易逐步回归模式24 h预报效果优于48和72 h。其中简易逐步回归模式24 h级别准确率达到67%。
张润宇[4]（2020）在《热带气旋多元回归与机器学习方法研究》文中提出热带气旋是影响我国的主要灾害性天气系统之一。提高热带气旋的研究和预报水平,对我国经济发展和国防建设具有重要意义。近些年,对于热带气旋路径的客观预报水平有了显着的提高,但其强度预报提升幅度较小。生成频数等长期变化预测不确定性依然很大,目前仍是学者们关注的重点。影响热带气旋生成频数的物理机制复杂,2018年8月共有9个热带气旋生成,相比气候态数量明显偏多。本文利用统计分析方法,对影响显着的物理因子进行分析,表明2018年8月相关区域850 h Pa相对涡度与多年平均值最大正距平达0.25×10-4/s,600 h Pa相对湿度高于多年平均值8%-10%,成为生成频数异常偏多的主要原因。这和西北太平洋副热带高压位置特征、北印度洋至我国南海大范围海域西风异常、南海海域经向风异常、水汽通量异常,以及季风槽的位置相关。本文通过对1979-2018年强度突变热带气旋统计分析,发现热带气旋最易发生快速增强的区域为15°-20°N、125°-135°E之间的菲律宾以东海域。在此区域中挑选出快速增强的热带气旋,首次利用逐小时分辨率海温数据,采用海温区域累积的方法,发现该海温数据在其对强度影响的研究时更具有优势,和强度的相关系数超过0.94。区域累计是研究海温和强度关系的工作中更合理的方法。区域累计海温值相比中心瞬时海温值和中心风速的相关关系更好,相关系数达到0.8以上,可应用到其他物理因子的分析中。基于美国NCEP/NR1再分析数据,提取热带气旋经过区域的大气因子、海洋因子、下垫面因子,以及气旋自身位置、移速等物理因子,并将上述因子的过去12小时变化量共同作为自变量,采用多元线性回归方法建立热带气旋强度统计预报模型,选择美国NECP/GEFS预报数据,对2016年所有热带气旋及强度较强气旋的强度及未来12小时中心最大风速变化值进行预报,并与GEFS预报结果对比。统计模型对热带气旋中心最大风速的预报效果优于GEFS结果,尤其对极值的预报更准确。相关系数超过0.5,均方根误差最大可减小7-8m/s。应用随机森林算法,用同样的数据资料对热带气旋强度预报进行学习,来考察该机器学习方法的适用性,尝试对数值预报结果进行改进。发现随机森林的机器学习方法对于热带气旋强度的预报能力较好,均较GEFS结果有所改善。随机森林机器学习方法对于热带气旋未来12小时变化预报的均方根误差大多保持在6-7m/s之间,相关系数达到0.6。对风速的预报结果相关系数为0.5-0.6,均方根误差最大可减小6-7m/s。为对比机器学习方法和统计方法的预报效果,选取2015-2016年热带气旋强度为样本数据,对2018年热带气旋24、48、72小时强度开展预报。结果显示统计模型和机器学习对2018年24小时、48小时及72小时风速变量的预报结果相对GEFS预报结果均有很好的改善,其中机器学习的效果优于统计模型回归拟合的效果,但最终的预报误差均为统计模型略偏小。将机器学习方法和统计模型相融合后,24小时及72小时预报效果改进更为明显。在风速变量24小时预报中,最优预报结果相比较GEFS预报结果提升44.6%;在风速变量48小时预报中,最优预报结果相比较GEFS预报结果提升31.9%;在风速变量72小时预报中,最优预报结果相比较GEFS预报结果提升26.9%。分析发现,半径、初始风速、500h Pa涡度、200h Pa散度、相对湿度以及与海温相关的因子为影响热带气旋强度最高的因子,这些因子通过影响积雨云的维持和热量的释放,影响气旋内部和外界的质量输送,从而影响水汽、热量的来源以及气旋暖心结构,最终影响热带气旋的强度。预报误差主要由热带气旋预报位置偏差、影响因子值大小和空间分布的预报偏差造成。
杜晖[5]（2020）在《河套周边地区云量精细化预报方法研究》文中研究表明云是一种常见的天气现象,云量的细微变化都有可能对天气系统的演变和发展产生较大的影响。云还直接影响航空航天活动,一直以来是空军和民航部门非常关注的天气现象之一。河套周边地区是我国重要的工业、军事区域,研究和掌握该地区云的变化特征和地方性规律,提供云量的精细化预报,提高云量的预报准确率,对该地区人们的日常生活、农业生产、以及军事活动等方面都有非常重要的现实意义。本文利用地面报文数据（MICAPS格式）、欧洲数值预报中心再分析资料（ERA-Interim）以及全球天气预报系统（GFS）预报场数据,统计分析了河套周边地区39个站点的云量在不同时间尺度上的变化特征,并从云量的生消机制角度出发构造了河套周边地区云量的5类预报因子,探究了影响总云量、低云量、对流云量的主要因子。在此基础上,利用多元逐步回归预报方法建立了总云量、低云量、对流云量的时间精细化预报模型,采用动态时变参数方法即自适应最小二乘回归以及自适应递推卡尔曼滤波方法对逐步回归方程建立了动态回归系数。本文还利用了反向传播（BP）神经网络预报算法、最小二乘支持向量机回归（LSSVM）预报算法以及Elman递归神经网络算法这三种机器学习和非线性预报模型对云量进行了预报研究。最后在几种预报模型的基础上,以总云量为例,采用简单集合平均（EMN）、消除偏差集合平均（BREM）、加权消除偏差集合（WBREM）、超级集合平均（SUP）等方法建立了集合预报模型,并利用独立样本检验模型效果。主要研究结果如下:（1）河套周边地区云量的年变化特征为:1979-2013年总云量、低云量观测值与ERA-Interim均呈南高北低分布。低云量观测值的分布特征与ERA-Interim更为一致,从西北到东南方向云量逐渐增多,ERA-Interim值低于观测值。1979-2018年之间的ERA-Interim云量Sen’s的趋势分布特征为:西部地区均有增多,尤其是西南地区,总云量和低云量Sen’s的趋势为10-1/10年（%）以上,且低云量增加趋势大于总云量;而东南部表现为总低云量减少趋势为-15×10-2/10年（%）,中东部地区的云量略减少。（2）影响云量的预报因子主要为水汽类预报因子、GFS模式直接输出的云类预报因子和大气不稳定度类因子,对流云量和预报因子的相关性弱于总云量和低云量。39个站点逐步回归预报模型中水汽类预报因子和GFS模式直接输出的云类预报因子引入频次也最高,整层相对湿度引入频数最多,超过200次。（3）通过对GFS预报场进行释用,逐步回归预报方法得到的总云量预报值比模式直接输出的预报准确率有明显的提高,低云量的改进效果最大,西北部地区的平均订正能力在20%以上。利用自适应线性LS预报方法对总云量、低云量、对流云的预报效果明显优于自适应递推Kalman滤波方法。（4）三种非线性预报方法经过主成分提取后进行回代,结果和预报相差较小,回代和预报的平均绝对误差均随预报时效逐渐增大,对流云平均回代误差和预报误差最小,基本在10%以下。LSSVM预报模型对云量的回代拟合优度略好于其它两种神经网络预报模型。三种非线性预报模型对对流云量预报的时空差异较大。三种非线性预报模型的预报值和实况值的相关性相较于多元逐步回归预报方法,总云量、低云量、对流云量的预报值和实况的相关性明显加强。（5）几种预报方法能够明显地提高少云和多云天空状况下预报值的击中率,自适应LS方法最优（少云击中率平均提高24%,多云击中率平均提高34%）。在阴天状况下自适应递推Kalman滤波方法具有最高的击中率。（6）对比线性预报方法、非线性预报方法以及四种集合预报方法的总云量预报结果,不同方法对总云量的预报能力有所不同。自适应线性LS回归方法具有较高的预报技巧,平均绝对误差在20%左右,自适应递推Kalman滤波方法表现最差,经过集合预报,四种集合预报模型较原来有明显提升,优于单个预报方法,且集合预报模型中超级集合预报SUP预报技巧最高。总之,本文探讨了河套周边地区的云量区域精细化预报,能够为从事数值预报产品精细化释用的人员提供借鉴,亦为从事气象服务的当地业务人员提供参考。
汪灵珊[6]（2020）在《基于情景特征的空气质量预报模型自适应选择方法研究》文中研究表明空气质量预报模型是进行空气污染预报和建立污染减排措施的重要方法。随着空气质量预报模型的发展,其类型和数量日益丰富,应用需求也越来越广泛。然而,不同模型在机理、适用区域等方面存在明显的差异性特征,实际建模应用中往往需要对不同模型的适用情景进行繁琐的考量和处理。这在增加模型使用者应用难度的同时,也在开展涉及到多专业、多领域模型的集成应用中增加了综合模拟结果的不确定性。当前,关于空气质量预报模型的评估策略和指标各自为营,难以支撑适应于多样化目标地理问题的模型选择,缺少对模型适用情景的体系性研究。因此,本文从空气质量预报模型的适用情景分析出发,以情景特征体系的构建为切入点,从模型特征和用户使用情景特征两个层面归纳形成情景特征体系;基于此情景特征体系,分别构建模型特征库和用户使用情景特征库。通过将模型特征库和用户使用情景特征库进行指标化关联,面向空气质量预报模型的合理应用需求,本文以匹配与推荐为引导,研究模型的自适应选择方法,实现基于情景特征的模型匹配,以及模型执行驱动的数据资源推荐。本文的主要研究内容和成果如下:（1）情景特征体系与特征库构建。面向模型适用情景的体系性研究需求,从模型特征及用户使用情景特征两个层面构建情景特征体系,形成模型特征子体系及用户使用情景特征子体系。以模型特征子体系为指导,分别从模型建模机理和适用区域两个角度构建模型特征库;以用户使用情景特征子体系为指导,分别从无限定条件和有限定条件两个角度构建用户使用情景特征库。通过情景特征体系与特征库的构建,为自适应选择方法中模型的匹配提供依据和支撑。（2）空气质量预报模型的自适应选择方法。面向空气质量预报模型合理应用的需求,以匹配与推荐为引导,提出模型的自适应选择方法,包括基于情景特征的模型匹配方法,以及模型执行驱动的数据资源推荐方法。针对模型匹配方法,以相似度计算方法为内核,基于构建的模型特征库和用户使用情景特征库,实现基于情景特征的模型匹配。针对数据资源推荐方法,构建数据资源库和数据处理工具资源库,并对其进行结构化表达,以资源关联方法为内核,通过情景特征库与结构化文档之间的绑定关联,实现模型执行驱动的数据资源推荐。（3）模型自适应选择原型系统构建。基于对情景特征体系及模型自适应选择方法的研究,设计并构建了模型自适应选择原型系统。面向用户在不同情景下的空气质量预报模型应用需求,开发前端页面支持用户在线定制情景。通过模型资源、数据资源及数据处理工具资源的开放式接入,帮助用户在开放式网络环境下,使用网络化资源进行模型的在线匹配与运行。基于构建的原型系统,针对两类用户使用情景,对提出的模型自适应选择方法进行实验与验证。本文通过情景特征体系与特征库的构建,以及模型自适应选择方法的研究,将空气质量预报模型与实际应用需求进行系统性的关联,使之不再局限于特定研究领域,具有更加开放的应用入口。本文研究的空气质量预报模型自适应选择方法,可以辅助不同情景下模型的合理应用,降低模型的使用难度,为进一步推广和应用空气质量预报模型提供很好的参考。
雷冠军[7]（2020）在《基于数据融合的丰满水库长期径流预报研究》文中研究说明我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:（1）运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。（2）基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。（3）运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。（4）采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。（5）绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。（6）将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
郝日栩,赵玉新,何忠杰,刘厂,李威,杨德全[8]（2019）在《基于EOF-NAR神经网络混合模型的海温预报方法研究》文中研究说明海温预报在海洋科学研究、环境监测和工程应用中发挥着至关重要的作用。海温所具备的非线性、非平稳和非连续等特征,导致海温预报的高复杂性。海温统计预报的研究多针对海温时间演变规律,鲜少有对海温的空间信息进行分析预报。本文针对海温预报中时间信息和空间信息结合的问题,提出基于改进经验正交函数和NAR神经网络方法的具有较强非线性和空间信息处理能力的海温统计预报模型（EOF-NAR模型）。该模型基于经验正交分解时间函数,结合三维海温场空间点变量的线性组合构造主要分量,引入高频海温空间信息,通过分析主要分量随时间变化的规律代替原始场的时空变化特征;利用NAR神经网络构建海温时间序列长期依赖模型进行低频海温信息处理。在南海海域海温的中长期时空预报实验中,EOF-NAR模型预报均方根误差较EOF模型降低16%,证明该模型在海温时空预报中的有效性并为海温预报提供了新思路。
单雨龙[9]（2019）在《北极海域自然环境要素反演、风险评估与应急救援研究》文中认为随着全球的持续变暖,北极海冰的融化速度不断加快,北极航道逐渐全面开通。在全球变暖的大背景下,占领经略北极的制高点,对解决我国的“马六甲”困局,顺利实施“21世纪海上丝绸之路”及“冰上丝绸之路”的发展战略具有重要意义。北极航行安全保障是我国顺利实施北极战略的基础性工作,通航环境风险评估及应急救援是北极航行安全保障的重要方面。同时,北极能见度数据短缺及预报精度不足、北极自然环境风险评估结果鲁棒性不足和北极应急救援基地布局不合理是北极通航环境风险评估及应急救援工作中的突出问题。针对目前北极航行安全保障工作中的不足,本文开展的主要工作及相关结论如下:（1）针对北极航道航行风险评估工作中存在的能见度数据缺失等问题,提出基于人工神经网络拟合加数值订正的大气能见度格点数据生成技术,并对该技术进行了试验验证。结果表明,基于该技术生成的格点化能见度数据的精度优于现有的数值天气预报模式计算所得的格点化能见度数据。（2）针对北极能见度时空分布特征认识不足的现状,基于生成的北极海域能见度数据分析了北极海域能见度的时空特征。结果表明,北极海域的能见度在7、8月份较低,3、5月份较高;同时北极80°N以南区域的能见度高于80°N以北,且北极海域的能见度年均情况总体较好。（3）针对现有数值天气预报模式预报所得北极能见度数据误差较大且能见度微物理参数化方案极为复杂等问题,提出基于动态贝叶斯网络技术的北极海域能见度统计预报模型,并进行3次预报试验对方法进行验证。结果表明,基于动态贝叶斯网络模型预报所得能见度的整体误差小于数值天气预报模式,但其预报结果有效时间仅为3天,且预报结果的准确性随着时间的增长而降低。（4）针对现有风险评估模型评估结果鲁棒性不高等问题,提出基于动态贝叶斯网络技术的北极航道自然环境风险评估及预测模型,并在北极东北航道展开实验验证。结果表明,动态贝叶斯网络技术具备信息的时间累积能力,能够很好地处理动态时序信息,降低误差数据对最终结果的影响度;同时其预测结果在短期内对判断航道的可通航性具有重要参考价值。（5）针对北极救援基地布局不够合理且现有选址模型对北极海上救援基地选址问题的适用度不够等问题,提出新的集合双覆盖中值模型用于解决北极救援基地选址问题,并给出模型求解算法。该模型确定的救援基地不仅使北极所有海域纳入可救援范围内,而且使各个待救援点到救援基地的总距离成本和救援基地的总建设成本最低,同时对于一些高危海域满足同时有两个救援基地候命。
陆冰鉴[10]（2019）在《基于机器学习的京津冀地区PM2.5浓度及能见度预报》文中指出近年来,随着经济的发展、人口的增长,我国的大气污染的问题越发的严重,很多区域都出现了重污染天气,且时间长、范围大,尤其是京津冀及周边地区的污染问题最为严重。因此,寻找并研究实时高效的空气质量预报方案非常重要,不仅能指导民众出行,还能为防治天气污染提供有效的技术支撑,具有重要的探索意义。空气污染预报模型是当前空气污染研究领域的一个热点,但由于体质及技术发展等原因,国内外数值预报及传统的统计预报模型难以满足我国的空气污染预报及预警的业务需要。针对以上情况,本文针对京津冀地区构建了基于分层稀疏表示的PM2.5浓度预报模型,并结合环境要素构建了基于分层稀疏表示的能见度预报模型。首先,选取京津冀地区内海拔高度均低于1km的气象及环境站点,对污染物PM2.5浓度的全年分布特征及能见度全年分布特征进行分析、同时对PM2.5浓度、能见度及气象因子进行了pearson相关系数分析。分析结果表明:京津冀城市污染状况相对而言比较严重,PM2.5的污染比例较大,主要集中在1月、2月、3月、11月和12月。其次,以北京等站点为例,并根据PM2.5的相关影响因子结合模糊C均值聚类（FCM）算法及稀疏表示算法,建立了PM2.5浓度的预报模型,对京津冀主要站点的PM2.5浓度进行了预报,与现有模式对比,并对预报结果进行了多方面的分析。结果表明,该模型能有效缩短预报时间,提高PM2.5浓度的预报准确率。最后,根据能见度的相关性分析,选取预报因子,根据模糊C均值聚类（FCM）算法及稀疏表示算法构建能见度预报模型,对冬季京津冀主要站点的能见度进行了预报,并与现有模式及BP神经网络法对比,对预报结果进行了多方面的分析。结果表明,预报因子结合了污染物浓度后能够有效提高低能见度天气的预报准确度。可见,以模糊C均值聚类（FCM）算法及分层稀疏表示算法建立的PM2.5浓度及能见度预报模型,能进行有效预报,验证了该方法在PM2.5浓度及能见度预报上的潜力。且以分层稀疏表示法建模简单易扩展,提高了PM2.5浓度及能见度预报的精度,便于应用于其他气象分析。
二、统计预报方法中若干技术问题的对比分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、统计预报方法中若干技术问题的对比分析（论文提纲范文）
（1）库水涨落和降雨条件下藕塘滑坡变形演化机制及其预测模型研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的来源、目的和意义 |
| 1.1.1 选题来源 |
| 1.1.2 选题的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 库岸滑坡变形破坏模式和机制 |
| 1.2.2 库岸滑坡稳定性研究 |
| 1.2.3 滑坡位移预测研究 |
| 1.2.4 存在的主要问题 |
| 1.3 研究内容、技术路线与创新点 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 创新点 |
| 第二章 滑坡工程地质条件与基本特征 |
| 2.1 滑坡工程地质条件 |
| 2.1.1 地理交通 |
| 2.1.2 气象水文 |
| 2.1.3 地形地貌 |
| 2.1.4 地层岩性 |
| 2.1.5 地质构造 |
| 2.1.6 水文地质条件 |
| 2.2 滑坡地质结构研究 |
| 2.2.1 滑坡空间形态及结构特征 |
| 2.2.2 滑坡物质组成 |
| 2.2.3 滑坡水文地质特征 |
| 2.3 滑坡岩土体物理力学性质试验 |
| 2.3.1 滑带土矿物组成与化学成分分析 |
| 2.3.2 滑带土微观结构特征 |
| 2.3.3 滑坡岩土体物理力学性质试验 |
| 2.3.4 滑坡区水化学分析 |
| 第三章 滑坡变形特征及其与库水涨落-降雨关联度分析 |
| 3.1 近年滑坡变形概况 |
| 3.2 滑坡宏观变形迹象及特征分析 |
| 3.2.1 滑坡各区域宏观变形迹象 |
| 3.2.2 滑坡宏观变形特征分析 |
| 3.3 滑坡现场监测数据与滑坡演化特征分析 |
| 3.3.1 地表位移演化特征 |
| 3.3.2 深部位移演化特征 |
| 3.3.3 滑坡位移演化特征分析 |
| 3.3.4 滑坡地下水位变化特征分析 |
| 3.4 滑坡位移演化特征与库水位涨落-降雨的关系研究 |
| 3.4.1 滑坡位移与库水位涨落-降雨关系研究 |
| 3.4.2 滑坡变形与库水位涨落-降雨关联度分析 |
| 3.5 小结 |
| 第四章 水位涨落和降雨作用下滑坡变形演化机制研究 |
| 4.1 滑坡模型试验设计 |
| 4.1.1 试验模型概化 |
| 4.1.2 滑坡模型试验系统 |
| 4.1.3 相似条件与模型材料 |
| 4.1.4 监测布置 |
| 4.1.5 模型成型 |
| 4.1.6 试验工况 |
| 4.2 库水位涨落作用工况模型试验结果分析 |
| 4.2.1 试验结果与现象分析 |
| 4.2.2 不同水位涨落速度下滑坡变形演化特征对比分析 |
| 4.2.3 库水位涨落作用下滑坡变形机制分析 |
| 4.3 降雨作用工况模型试验结果分析 |
| 4.3.1 试验结果与现象分析 |
| 4.3.2 不同降雨强度下滑坡变形演化特征对比分析 |
| 4.3.3 降雨作用下滑坡变形机制分析 |
| 4.4 库水位下降与降雨联合作用工况模型试验结果分析 |
| 4.4.1 试验结果与现象分析 |
| 4.4.2 库水位下降与降雨联合作用下滑坡变形机制分析 |
| 4.5 藕塘滑坡变形破坏模式 |
| 4.6 小结 |
| 第五章 滑坡稳定性及其影响因子敏感性分析 |
| 5.1 库水位涨落和降雨作用下滑坡稳定性分析 |
| 5.1.1 计算模型 |
| 5.1.2 渗流场分析 |
| 5.1.3 稳定性分析 |
| 5.2 基于正交设计法的滑坡稳定影响因子敏感性分析 |
| 5.2.1 模拟方案 |
| 5.2.2 滑坡稳定性影响因子敏感性分析 |
| 5.3 小结 |
| 第六章 滑坡位移预测模型研究 |
| 6.1 基于CEEMDAN-GRU的滑坡位移预测原理与方法 |
| 6.1.1 位移时间序列分析 |
| 6.1.2 CEEMDAN算法及参数选择 |
| 6.1.3 GRU预测模型 |
| 6.1.4 基于CEEMDAN-GRU的滑坡位移预测模型 |
| 6.2 研究区域与监测点选取 |
| 6.3 滑坡位移时间序列分解 |
| 6.4 滑坡位移预测 |
| 6.4.1 趋势项位移预测 |
| 6.4.2 波动项位移预测 |
| 6.4.3 总位移预测 |
| 6.5 模型分析与评价 |
| 6.6 小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（2）秦皇岛市空气质量多模式预报方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与技术路线 |
| 2 研究区概况与数据来源 |
| 2.1 研究区域 |
| 2.2 数据来源 |
| 3 基于数值模式的空气质量预报方法 |
| 3.1 数值预报方案设计 |
| 3.2 实验环境及数据介绍 |
| 3.3 初始及边界条件设置 |
| 3.4 基于WRF-Chem模式的秦皇岛空气质量预报模型 |
| 3.5 基于WRF-CMAQ模式的秦皇岛空气质量预报模型 |
| 3.6 基于WRF-CAMx模式的秦皇岛空气质量预报模型 |
| 3.7 单模式数值预报效果评价 |
| 3.8 多模式数值预报结果对比及评价 |
| 3.9 本章小结 |
| 4 基于神经网络的空气质量预报方法 |
| 4.1 神经网络模型构建方法 |
| 4.2 数据准备 |
| 4.3 数据预处理 |
| 4.4 秦皇岛市空气质量神经网络预报 |
| 4.5 本章小结 |
| 5 基于机器学习的多模式集合空气质量预报方法 |
| 5.1 模型框架 |
| 5.2 集成方法与输入数据 |
| 5.3 集合预报实验与结果分析 |
| 5.4 多模式实验结果分析与结论 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）热带气旋多元回归与机器学习方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 热带气旋生成的研究现状 |
| 1.2.2 热带气旋强度变化的影响因子研究现状 |
| 1.2.3 热带气旋强度预报方法研究现状 |
| 1.2.4 机器学习方法在气象领域应用的研究现状 |
| 1.3 研究内容及创新点 |
| 第二章 数据和方法介绍 |
| 2.1 数据介绍 |
| 2.2 R语言及回归方法介绍 |
| 2.3 随机森林机器学习方法介绍 |
| 第三章 2018年8月西北太平洋热带气旋频数异常的成因分析 |
| 3.1 引言 |
| 3.2 方法介绍 |
| 3.3 2018年8月热带气旋频数异常特征 |
| 3.4 影响热带气旋生成的各因子分析 |
| 3.4.1 整体因子分析 |
| 3.4.2 850hPa相对涡度分析 |
| 3.4.3 600hPa相对湿度分析 |
| 3.5 因子异常原因分析 |
| 3.5.1 850hPa相对涡度异常分析及对热带气旋频数影响的物理机制 |
| 3.5.2 600hPa相对湿度异常分析及对热带气旋频数影响的物理机制 |
| 3.6 结论 |
| 第四章 海温与强度的相关分析及强度预报统计模型的建立 |
| 4.1 引言 |
| 4.2 热带气旋强度快速增强的空间特征统计及海温与强度的关系研究 |
| 4.2.1 热带气旋强度快速增强的空间特征统计 |
| 4.2.2 33个快速增强热带气旋样本介绍 |
| 4.2.3 33个快速增强热带气旋强度和海温关系分析 |
| 4.3 强度预报统计模型的建立 |
| 4.3.1 强度预报因子的选择 |
| 4.3.2 强度预报统计模型的建立 |
| 4.4 与多模式集合平均强度预报结果对比检验 |
| 4.4.1 风速变率变量的预报检验对比 |
| 4.4.2 风速变量的预报检验对比 |
| 4.5 强度预报模型的进一步改进 |
| 4.6 改进后预报模型与多模式集合平均强度预报结果对比检验 |
| 4.6.1 风速变率变量的预报检验对比 |
| 4.6.2 风速变量的预报检验对比 |
| 4.7 结论 |
| 第五章 机器学习方法对强度预报的效果检验 |
| 5.1 引言 |
| 5.2 随机森林机器学习预报模型的建立 |
| 5.2.1 机器学习方法对几种不同数据风速变率变量的学习结果 |
| 5.2.2 机器学习方法对几种不同数据风速变量的学习结果 |
| 5.3 随机森林算法对不同变量的预报结果检验 |
| 5.3.1 随机森林算法对不同数据风速变率变量的预报结果检验 |
| 5.3.2 随机森林算法对不同数据风速变量的预报结果检验 |
| 5.4 结论 |
| 第六章 机器学习方法和统计方法的对比讨论 |
| 6.1 引言 |
| 6.2 随机森林机器学习和统计预报模型的建立及预报对比 |
| 6.2.1 热带气旋24小时强度预报的对比 |
| 6.2.2 热带气旋48小时强度预报的对比 |
| 6.2.3 热带气旋72小时强度预报的对比 |
| 6.3 不同预报时次的重要影响因子对比讨论 |
| 6.3.1 热带气旋24小时强度预报影响因子讨论 |
| 6.3.2 热带气旋48小时强度预报影响因子讨论 |
| 6.3.3 热带气旋72小时强度预报影响因子讨论 |
| 6.4 预报误差原因的讨论 |
| 6.5 结论 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
| 致谢 |
（5）河套周边地区云量精细化预报方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 研究现状 |
| 1.2.1 云的气候特征 |
| 1.2.2 云的预报现状及存在问题 |
| 1.2.3 集合预报研究现状 |
| 1.3 研究内容 |
| 第二章 数据与方法 |
| 2.1 研究区域 |
| 2.2 研究资料 |
| 2.2.1 MICAPS格式地面报文资料 |
| 2.2.2 地面气象资料 |
| 2.2.3 ERA-Interim再分析资料 |
| 2.2.4 GFS预报场资料 |
| 2.3 方法介绍 |
| 2.3.1 双线性插值 |
| 2.3.2 功率谱分析 |
| 2.3.3 归一化计算方法 |
| 2.3.4 PCA主分量提取 |
| 2.3.5 多元逐步回归预报方法 |
| 2.3.6 自适应线性最小二乘回归算法 |
| 2.3.7 自适应递推卡尔曼滤波算法 |
| 2.3.8 最小二乘支持向量机回归预报方法 |
| 2.3.9 BP神经网络预报方法 |
| 2.3.10 Elman神经网络预报方法 |
| 2.3.11 低云的对流云、非对流云分类方法 |
| 2.4 预报效果评估 |
| 第三章 河套地区云量特征分析 |
| 3.1 年际变化特征 |
| 3.2 年变化特征 |
| 3.3 日变化特征 |
| 3.4 云量垂直物理量诊断研究 |
| 3.5 本章小结 |
| 第四章 云量预报因子选取及相关性分析 |
| 4.1 预报因子的选取 |
| 4.2 GFS预报因子与云量的相关性分析 |
| 4.2.1 GFS预报因子与云量间的相关性分析 |
| 4.2.2 GFS预报因子间的相关性分析 |
| 4.3 本章小结 |
| 第五章 基于线性统计释用方法对云量预报及效果分析 |
| 5.1 多元逐步回归预报建立 |
| 5.1.1 预报因子被引入频数 |
| 5.1.2 云量预报方程 |
| 5.1.3 云量预报方程预报效果评估 |
| 5.1.4 云量预报试预报 |
| 5.2 动态时参预报模型 |
| 5.2.1 自适应线性最小二乘回归算法 |
| 5.2.2 自适应递推卡尔曼滤波算法 |
| 5.3 本章小结 |
| 第六章 基于机器学习和非线性模型对云量预报及效果分析 |
| 6.1 预报因子主成分提取 |
| 6.2 三种非线性预报模型参数设置 |
| 6.2.1 最小二乘支持向量机LSSVM预报模型 |
| 6.2.2 BP神经网络预报模型 |
| 6.2.3 Elman神经网络预报模型 |
| 6.3 三种预报模型比较 |
| 6.4 线性预报模型和非线性预报模型对比 |
| 6.5 本章小结 |
| 第七章 总云量集合预报研究及效果检验 |
| 7.1 多模式集成集合预报的建立 |
| 7.1.1 加权集合平均(EMN) |
| 7.1.2 消除偏差集合平均(BREM) |
| 7.1.3 加权消除偏差集合(WBREM) |
| 7.1.4 超级集合预报(SUP) |
| 7.2 多种集合预报集成的效果判定 |
| 7.3 几种模型预报效果对比 |
| 7.3.1 39个站点试预报平均预报效果对比 |
| 7.3.2 单个站点2017年总云量试预报效果对比 |
| 7.4 本章小结 |
| 第八章 总结与讨论 |
| 8.1 全文总结 |
| 8.2 本文特色与创新点 |
| 8.3 存在问题及下一步研究计划 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（6）基于情景特征的空气质量预报模型自适应选择方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空气质量预报模型特征研究现状 |
| 1.2.2 空气质量预报模型应用研究现状 |
| 1.2.3 模型自适应选择方法研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究方法和技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 论文组织 |
| 第2章 空气质量预报模型特征分析 |
| 2.1 统计预报模型特征分析 |
| 2.1.1 回归模型 |
| 2.1.2 聚类分析 |
| 2.1.3 时间序列分析 |
| 2.1.4 人工神经网络 |
| 2.1.5 统计预报模型特征总结 |
| 2.2 数值预报模型特征分析 |
| 2.2.1 中小尺度模型 |
| 2.2.2 综合区域尺度模型 |
| 2.2.3 全球性大尺度模型 |
| 2.2.4 数值预报模型特征总结 |
| 2.3 本章总结 |
| 第3章 空气质量预报模型的情景特征体系与特征库构建方法 |
| 3.1 模型特征子体系构建 |
| 3.1.1 模型机理特征因子选取 |
| 3.1.2 模型区域特征因子选取 |
| 3.2 空气质量预报模型的特征库构建 |
| 3.2.1 模型机理特征库构建 |
| 3.2.2 模型区域特征库构建 |
| 3.3 用户使用情景特征子体系与特征库构建 |
| 3.3.1 无限定条件使用情景特征子体系与特征库构建 |
| 3.3.2 有限定条件使用情景特征子体系与特征库构建 |
| 3.4 本章小结 |
| 第4章 空气质量预报模型的自适应选择方法 |
| 4.1 匹配与推荐引导的模型自适应选择 |
| 4.1.1 面向模型应用的自适应选择 |
| 4.1.2 基于匹配与推荐的模型自适应选择流程 |
| 4.1.3 匹配依赖的相似度计算方法 |
| 4.1.4 推荐依赖的资源关联方法 |
| 4.2 基于情景特征的模型匹配方法 |
| 4.2.1 模型特征集合形成 |
| 4.2.2 用户使用情景特征集合形成 |
| 4.2.3 无限定条件使用情景模型匹配方法 |
| 4.2.4 有限定条件使用情景模型匹配方法 |
| 4.3 模型执行驱动的数据资源推荐方法 |
| 4.3.1 数据资源库构建 |
| 4.3.2 数据处理工具资源库构建 |
| 4.3.3 数据资源与处理工具推荐方法 |
| 4.4 本章总结 |
| 第5章 原型系统设计与实验验证 |
| 5.1 自适应选择原型系统构建 |
| 5.1.1 系统架构设计 |
| 5.1.2 系统功能设计 |
| 5.2 实验验证 |
| 5.2.1 无限定条件使用情景实验验证 |
| 5.2.2 有限定条件使用情景实验验证 |
| 5.3 本章总结 |
| 第6章 总结与展望 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 附录 A 文献整理表格 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（7）基于数据融合的丰满水库长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目标 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.2 国内外研究进展 |
| 1.2.1 三大尺度因子径流预报研究 |
| 1.2.2 因子相关性分析 |
| 1.2.3 传统统计预报模型 |
| 1.2.4 现代水文预报模型 |
| 1.2.5 研究进展的总结 |
| 1.3 本文研究介绍 |
| 1.3.1 研究问题 |
| 1.3.2 研究方法 |
| 1.3.3 研究内容 |
| 1.3.4 技术路线图 |
| 第二章 径流预报技术的系统分析 |
| 2.1 来水丰枯的影响机理 |
| 2.1.1 热量与引力作用 |
| 2.1.2 地形和海陆分布作用 |
| 2.2 来水预报基于的基本特性 |
| 2.2.1 周期性 |
| 2.2.2 有序性 |
| 2.2.3 遥相关性 |
| 2.2.4 结构特性 |
| 2.3 来水与极端来水预报的思路 |
| 2.3.1 预报因子基于空间尺度的分类 |
| 2.3.2 预报因子基于时间尺度的分类 |
| 2.3.3 预报值基于预报特征的分类 |
| 2.3.4 基于信息融合的流域来水预报 |
| 2.4 研究流域分析 |
| 2.4.1 流域介绍 |
| 2.4.2 流域丰枯机理 |
| 2.5 小结 |
| 第三章 三大尺度因子与径流的统计分析 |
| 3.1 天文尺度因子相位与流域来水规律分析 |
| 3.1.1 太阳黑子相对数 |
| 3.1.2 月球赤纬角 |
| 3.1.3 24节气阴历日期 |
| 3.2 全球尺度因子相位与流域来水规律分析 |
| 3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
| 3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
| 3.3 流域尺度因子相位与流域来水规律分析 |
| 3.3.1 谚语机理分析 |
| 3.3.2 气象因子与来水属性级别统计分析 |
| 3.4 因子数值与流域来水统计分析方法 |
| 3.4.1 基础数据处理 |
| 3.4.2 相关性分析的方法 |
| 3.5 因子相关性分析结果 |
| 3.5.1 天文因子相关性分析 |
| 3.5.2 气象因子相关性分析 |
| 3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
| 3.6 结果分析 |
| 3.6.1 因子相位与流域来水规律 |
| 3.6.2 因子数值与流域来水相关性 |
| 3.7 小结 |
| 第四章 基于智能学习的预报因子融合的径流预报 |
| 4.1 预报方法 |
| 4.1.1 神经网络 |
| 4.1.2 决策树和随机森林 |
| 4.1.3 支持向量机 |
| 4.2 数据处理的方法 |
| 4.2.1 预报因子的处理 |
| 4.2.2 预报值的处理 |
| 4.2.3 预报值的评判指标 |
| 4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
| 4.3 建模预报 |
| 4.4 结果统计分析 |
| 4.4.1 流域水量回归预报结果分析 |
| 4.4.2 流域来水量7级分类预报结果分析 |
| 4.4.3 流域来水量3级分类预报结果分析 |
| 4.4.4 33个因子方案分析 |
| 4.4.5 预报结果的最优方案 |
| 4.4.6 最优方案的预报结果分析 |
| 4.5 小结 |
| 第五章 基于相似性分析的预报因子融合的径流预报 |
| 5.1 相位对比法 |
| 5.1.1 基本原理 |
| 5.1.2 预报结果分析 |
| 5.2 相似模糊推理法 |
| 5.2.1 模糊推理法的基本原理 |
| 5.2.2 相似度的计算方法 |
| 5.2.3 主成分分析法计算权重 |
| 5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
| 5.2.5 预报模型的建立 |
| 5.3 模糊推理法预报 |
| 5.3.1 因子组合分析 |
| 5.3.2 误差评定与优选判别 |
| 5.4 模糊推理法因子二次筛选 |
| 5.4.1 因子进出法寻优 |
| 5.4.2 因子进出法实例分析 |
| 5.5 模糊推理法预报结果 |
| 5.6 结果分析 |
| 5.7 小结 |
| 第六章 基于天文因子对比法的预报结果融合的径流预报 |
| 6.1 天文因子对比法机理分析 |
| 6.2 预报方法1-单一天文因子对比法 |
| 6.2.1 24节气阴历日期对比法 |
| 6.2.2 太阳黑子相对数对比法 |
| 6.2.3 月球赤纬角对比法 |
| 6.3 预报方法2-天文因子对比法预报结果的融合 |
| 6.3.1 天文因子预报结果的线性融合 |
| 6.3.2 天文因子融合法-主次因子对比法 |
| 6.3.3 天文因子融合法的修正 |
| 6.3.4 天文因子融合法定量预报 |
| 6.4 小结 |
| 第七章 基于点聚图法的预报结果融合的径流预报 |
| 7.1 点聚图法 |
| 7.1.1 点聚图的制作 |
| 7.1.2 预报方案 |
| 7.2 24节气阴历日期点聚图预报 |
| 7.2.1 极端来水年24节气阴历日期的聚类特性 |
| 7.2.2 24节气阴历日期聚类预报方法 |
| 7.2.3 24节气阴历日期聚类分析建模 |
| 7.2.4 基于聚类分析的来水预报 |
| 7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
| 7.3.1 月球赤纬角聚类预报方法 |
| 7.3.2 太阳黑子相对数聚类预报方法 |
| 7.4 海洋大气因子与流域气象因子点聚图预报 |
| 7.5 多尺度因子点聚图预报结果融合 |
| 7.6 小结 |
| 第八章 基于来水结构融合的极端径流预报 |
| 8.1 基本定义 |
| 8.2 预报方法 |
| 8.2.1 一般来水结构预报-多方法预报结果融合 |
| 8.2.2 极端来水结构预报 |
| 8.2.3 基于改进可公度网络结构的极值点结构预报 |
| 8.2.4 极端来水年预报 |
| 8.3 实例应用 |
| 8.3.1 一般来水结构分析 |
| 8.3.2 极端来水结构分析 |
| 8.3.3 极值点结构的确定及极端来水年预报分析 |
| 8.3.4 连续极端来水年预报分析 |
| 8.4 讨论 |
| 8.5 小结 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 9.3 创新性 |
| 附表 |
| 参考文献 |
| 科研及发表论文情况 |
| 致谢 |
（9）北极海域自然环境要素反演、风险评估与应急救援研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 能见度反演与预报 |
| 1.2.2 北极自然环境风险评估 |
| 1.2.3 应急救援基地选址 |
| 1.2.4 问题与不足 |
| 1.3 研究内容和论文结构 |
| 第二章 北极海域能见度反演及其时空特征分析 |
| 2.1 引言 |
| 2.2 技术途径 |
| 2.2.1 能见度反演技术流程 |
| 2.2.2 神经网络方法 |
| 2.3 研究数据 |
| 2.3.1 能见度影响因子 |
| 2.3.2 数据来源 |
| 2.4 模型反演与结果分析 |
| 2.4.1 最优R值估计 |
| 2.4.2 神经网络拟合分析 |
| 2.4.3 数值订正与反演结果分析 |
| 2.4.4 基于热带气旋移动轨迹的能见度反演产品准确性检验 |
| 2.4.5 基于黄勃海海雾实例的能见度反演产品准确性检验 |
| 2.5 北极海域能见度时空特征分析 |
| 2.5.1 北极海域能见度日变化特征 |
| 2.5.2 北极海域能见度月变化特征 |
| 2.5.3 北极海域能见度空间分布特征 |
| 2.6 本章小结 |
| 第三章 北极海域能见度统计预报模型 |
| 3.1 引言 |
| 3.2 技术途径 |
| 3.3 研究数据 |
| 3.3.1 指标选取 |
| 3.3.2 数据来源 |
| 3.4 模型构建 |
| 3.4.1 动态贝叶斯网络建模 |
| 3.4.2 动态贝叶斯网络学习 |
| 3.5 北极海域能见度预报试验 |
| 3.5.1 10 天数据输入条件下北极部分海域6 天预报 |
| 3.5.2 21 天数据输入条件下北极部分海域5 天预报 |
| 3.5.3 21 天数据输入条件下全北极海域5 天预报 |
| 3.5.4 三次预报试验准确性分析 |
| 3.6 本章小结 |
| 第四章 北极东北航道自然环境风险评估与情景推演 |
| 4.1 引言 |
| 4.2 技术途径 |
| 4.3 研究数据 |
| 4.3.1 东北航道关键海区定位 |
| 4.3.2 评价指标选取 |
| 4.3.3 样本数据集生成 |
| 4.4 模型构建 |
| 4.4.1 动态贝叶斯网络结构构建 |
| 4.4.2 动态贝叶斯网络参数学习 |
| 4.5 基于想定情景的风险评估与推演 |
| 4.5.1 北极关键海域自然环境风险评估 |
| 4.5.2 动态贝叶斯推理结果稳定性检验 |
| 4.6 本章小结 |
| 第五章 北极应急救援基地选址 |
| 5.1 引言 |
| 5.2 方法途径 |
| 5.2.1 技术途径 |
| 5.2.2 模型构建及求解 |
| 5.3 北极海域航行安全风险区划 |
| 5.3.1 北极海域航行事故统计 |
| 5.3.2 风险区划数据 |
| 5.3.3 北极海域航行风险区划 |
| 5.4 候选救援基地确定及其建设成本估算 |
| 5.4.1 候选救援基地选址 |
| 5.4.2 候选救援基地建设成本估算 |
| 5.5 实验结果与分析 |
| 5.5.1 贪婪算法优化 |
| 5.5.2 应急救援基地最优布局规划 |
| 5.6 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A 各要素等级划分规则 |
| 附录 B 北极事故高危海域救援分配方案 |
（10）基于机器学习的京津冀地区PM2.5浓度及能见度预报（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 空气污染的研究现状 |
| 1.2.1 空气污染预报的定义 |
| 1.2.2 现有空气质量预报的方法 |
| 1.3 能见度研究现状 |
| 1.3.1 能见度定义 |
| 1.3.2 现有能见度预报方法 |
| 1.4 稀疏表示算法的研究现状 |
| 1.5 本文的主要工作 |
| 1.5.1 研究内容 |
| 1.5.2 本文结构 |
| 第二章 空气质量特征、能见度特征及其相关因子研究 |
| 2.1 研究区域概况 |
| 2.2 空气污染及能见度相关影响研究 |
| 2.3 空气污染及能见度特征分析 |
| 2.3.1 京津冀城市空气污染首要污染物PM_(2.5) 时间分布特征 |
| 2.3.2 京津冀城市能见度时间分布特征 |
| 2.4 PM_(2.5) 与气象因子的相关性分析 |
| 2.5 能见度与气象因子的相关性分析 |
| 2.6 本章小结 |
| 第三章 基于分层稀疏表示的PM_(2.5) 浓度预报 |
| 3.1 FCM算法 |
| 3.1.1 FCM算法概述 |
| 3.1.2 FCM算法基本原理 |
| 3.1.3 FCM算法流程 |
| 3.1.4 FCM在稀疏表示算法中的应用 |
| 3.2 稀疏表示算法 |
| 3.2.1 稀疏表示概述 |
| 3.2.2 稀疏表示原理 |
| 3.3 基于分层稀疏表示的PM_(2.5) 浓度预报模型的建立 |
| 3.3.1 研究数据来源 |
| 3.3.2 预报模型因子选取 |
| 3.3.3 预报模型结构 |
| 3.3.4 历史数据库的构建 |
| 3.3.5 分层稀疏表示的分类与回归 |
| 3.3.6 方法流程 |
| 3.4 预报结果实例分析 |
| 3.4.1 不同历史数据库的结果对比 |
| 3.4.2 实况测试的结果对比 |
| 3.4.3 不同预报方法的结果对比 |
| 3.5 本章小结 |
| 第四章 基于分层稀疏表示的能见度预报 |
| 4.1 研究数据来源 |
| 4.2 预报模型因子选取 |
| 4.3 基于分层稀疏表示的能见度预报模型建立 |
| 4.3.1 基于分层稀疏表示的能见度预报模型的结构 |
| 4.3.2 历史数据库的选取 |
| 4.3.3 分层稀疏表示预报 |
| 4.3.4 能见度预报算法流程 |
| 4.4 预报结果实例分析 |
| 4.4.1 不同历史数据库的结果对比 |
| 4.4.2 不同预报方法的结果对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、统计预报方法中若干技术问题的对比分析（论文参考文献）
- [1]库水涨落和降雨条件下藕塘滑坡变形演化机制及其预测模型研究[D]. 肖捷夫. 中国地质大学, 2021(02)
- [2]秦皇岛市空气质量多模式预报方法研究[D]. 夏鹏. 中国矿业大学, 2020(07)
- [3]沈阳市环境空气质量统计预报应用及效果评估[J]. 于晓东,纪欣彤,王闯. 环境保护科学, 2020(04)
- [4]热带气旋多元回归与机器学习方法研究[D]. 张润宇. 国家海洋环境预报中心, 2020(03)
- [5]河套周边地区云量精细化预报方法研究[D]. 杜晖. 兰州大学, 2020(01)
- [6]基于情景特征的空气质量预报模型自适应选择方法研究[D]. 汪灵珊. 南京师范大学, 2020
- [7]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [8]基于EOF-NAR神经网络混合模型的海温预报方法研究[A]. 郝日栩,赵玉新,何忠杰,刘厂,李威,杨德全. 中国海洋学会2019海洋学术（国际）双年会论文集, 2019
- [9]北极海域自然环境要素反演、风险评估与应急救援研究[D]. 单雨龙. 国防科技大学, 2019(02)
- [10]基于机器学习的京津冀地区PM2.5浓度及能见度预报[D]. 陆冰鉴. 南京信息工程大学, 2019(04)