天气预报15天

统计预报是运用概率论和数现统计方法分析预报对象(随机动态系统) 的统计规律以及预报量和预报因子之间的数量关系，通过统计模型来预测预报对象未来可能的变化。常用的统计预报模型衧时间序列模型、动态系统模塑、多元回归模型、变量场预测模纲等。近年出现的人工智能分支--神经网络方法也可用于预测。

　　农业气象灾害预报的对象(统计预报中的因变量)可以是符合农业气象灾害指标的气象要素本身或某一灾害性天气过程，例如表示受早的小于一定临界值的某时段降水量、达到干热风指标的天气过程;也可以是从农业气象 灾害指标推导出的物理丛或数学表达式，如土壤含水量、相对蒸散比、反映作物不同发脊阶段对三基点温度要求的热量措数等;还可以直接选择反映农业气象灾害损失或影响的数值，例如干旱强度、受灾面积等。

　　农业气象灾害统计预报的主要方法是在农业气象灾害指标基础上，应用常用的统计众法，建立相应的预报模型。

　　1、回归分析方法。回归分析方法是农业气象灾害预报中最常用的方法， 在分析农业气象灾害和预报因子统计关系的基础上建立预报方程。预报因子可以是地面常规气象要素，也可以选择大气环流特征量、海温等宏观因子，还有的用前期物候现象如树木物候、作物发育斯等预测未来的异常气候或农业气象灾害。建模方法包括多元回归、逐步回归等。吴洪颜等通过对太平洋海温与江苏省春季连阴雨的相关普查，挑选出敏感区域和关键月份作为预报因子，建立了江苏省各地区以海温作为预报因子的舂苧连阴雨回归预测模型。

　　除了多元回归外，聚类分析是多元分析的另一个分支。选择一个能反映对象之间亲疏关系的统计量，根据该统计量的大小形成分类系统。也有的预报采用判别分析，即根据事物和对象的性质或状态进行分类，对各类特征建立判别方程，确定判別阈值，以此对新的样本进行分辨，确定所属种类或级別。这些方法均对应用于农业气象灾害的发生与否、强度大小等的预报。例如东三省用5—9月≥10℃积温距平和作物产量年景指数判断划分低温冷害年型，采用回归分析、聚类分析、判別分析对冷害年的环流特征量进行分析， 建立以环流特征量为因子的低温冷害预测模型(周立宏等)。

　　农业气象预测大多是说期或超长期时效的预报，准确率的提高有相当难 度。原因之一是所采用的预报信息(因子〕范围窄，同时缺乏识别有效因子及综合运用的研究。针对这一问题，卢志光等建立了容纳大量、多 !种预报信息，具有快速处理因子与目标相关关系的能力的“多息农业气象预 测系统”。将地面气象、高空环流、多区海温信息、大文信息等多方位与气象 ;要素长期衍变有关的位息及农业气象指标形成序列，进行标准化处理。该方法还采用鉴别预报因子间独立性的“协击”运算方法，运用独立性强的预报因子建立模型，较好地克服了一般统计预报的弱点。该系统在提髙农业气象长期、超长期预报的准确率上有较大潜力。

　　随着灾害学理论和观点的发展，近年来有些农业气象灾害预报从农业气 象灾害的致灾因子、孕灾环境和承灾体等多穴而闽素建立预报模型。例如降水、气温，风速是形成青海高原牧区积雪的气象因子，但是由于承灾体(畜牧业生产)的脆弱性，不同地区作为孕灾环境的汽然、社会条件和人为活动的不同，会在一定程度上加剧或者减轻积弯的不利影响。因此，青海气象部门在开展青海髙原牧区穹灾预报时对穹灾形成的致灾因子、孕灾环境和承灾体等要素逐一分层分析，明确各个影响因子的作用及其相关系，建立起一个从降水、积雪、成灾到灾情评价的逐级判识模型，在地理信息背景数据库的支持下，从产生降水之后进行动态监测和动态预测，灾情评估。其中，第一级判识因子考虑积气面积、积气深度和积气日数三个因子;第二级判识因子选择积雪到雪灾过程中的孕灾环境因素，包括牧草产运、牧草髙度、畜群 结构、受灾面积人均受灾草场面积等;第三级判识因子采用模糊数学模型，在地面气象网络上报的损失因子基础上，做出灾情等级、受灾程度的综合评估(周秉荣等)

　　2、时间序列分析方法。除了寻找相关因子外，农业气象灾害预报逐可以利用时间序列分析方法研究其自掛随时间演变的规律，进行外推预报。通常采用线性回归模型来描述，如自回归模型、自回归滑动模型等。一般的线性回归模型只考虑历史资料平均情况，针对气象灾害的非线性和突变性特点， 可以使用非线性的门限回归模型，在四川低温冷害时间序列预测中使用了这种方法。为了减小优选最佳参数过程中的计箅量， 还采用了一种基于加速遗传算法的简便、通用的方案，保证了模铟预测性能 的稳定性，提高了预测精度。

　　马尔可夫链、方差分析、周期叠加也是这类时间序列模瑚。例如取山西省昌梁市1957 — 2000年44年的霜冻初、终日期随机时间序列，将初、终霜出现日期各划分为5种状态，分析各随机时间序列状态之间的转换概率，结合再序列的初始分布，即可建立昌梁市霜冻初、终日期预报预测模型(申建华等2006)。

　　值得一提的是目前气象统计预报研究中将冋归分析和时間序列分析巧妙结合，建立起用多元分析手段解决时间周期序列预测问题的均生函数模型 。一些地方的农业气象灾害预报也借用了这方法。例如那家风在贵州水稻扬花期低温预报中将低温指数的时间序列生成均生函数，按EOF展开，筛选出7个周期对应的均生函数，建立起以周期为向变量的回归预测模型。对春旱、夏旱、倒春寒等农业生产气象灾害的预报研究进一步将多个均生函数俏作为不同时间尺度的试验周期分量，利用逐步回归进一步筛选分量，建立起带周期分量的多元回归预测模型。

　　3、动态系统模型。灰色系统理论是系统论的一个分支，实质是对系统过去及目前表现出来的一些不完全的信息进行分析、处理，并建立预测模朋。 在气候突变预测、气象灾害顸测中也有一定效用。它通常不是去预测数据本身的变化，而是预测异常值出现的时刻。例如喻彦等利用灰色系统理论，结合勐海县冬季极端最低气温历史资料，建立的勐海县冬季发生极端最低气温低于-1.4℃霜冻的预测模型，预报冬季强低温霜冻出现的年份。又如王玮明(1998)以甘肃历年农业气象灾害的受灾面积数据为样本，取定适宜阈值，建立GM模型群，求出各模型的响应函数。预测俏取整得 到的对应年份即为未来的灾变趋势预测。

　　此外，人工神经网络娃一种某于生理学神经系统的理论抽象模型，其特点在于信息的分布式存储和并行协同处理，具有很强的自学习、自组织、自适应及容错性等特点。朱寿燕等应用人工神经网络的原理和方法， 选取与马尾松毛虫发生量相关密切的8个气象因子作为样本的输入特征，建立了马尾松毛虫有虫面积与气象因子的BP网络模型。由于神经网络方法能够充分利用应变量与预报因子间相互关系的信息，所建模型的拟合精度和预测精度都较令人满意，稳定性较好。