《表1 人工智能集合预报模型（PNN-LLE）与气候持续法预报模型（CLIPER）对台风强度独立预报样本的误差统计及比较（见文献[20])》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《人工智能技术的热带气旋预报综述（之二）——流形学习、智能计算及深度学习的热带气旋预报方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于流形学习算法具有较深的数学理论基础，以及多学科交叉等特点，也被成功地应用于TC强度预报[16-18]。金龙等[19]为探索台风预报的新方法，对台风强度预报因子的高维数据，采用流形学习的ISOMAP特征提取算法进行降维计算处理，并利用模糊神经网络（Fuzzy Neural Network，FNN）方法对12～72hTC强度预报模型进行了研究。采用新模型对2001—2010年10a的西太平洋TC强度进行了5—10月的分月预报，建立了36个预报时效间隔为12h的TC强度预报模型。通过对预报模型独立样本的预测实验结果表明，在相同样本情况下，基于ISOMAP的FNN模型优于气候持续法（CLIPER）模型，预报精度达到实际应用的要求。黄颖等[20]采用局部线性嵌入的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术，以粒子群-神经网络方法，建立了一种新的非线性人工智能集合预报模型，进行了分月TC强度预报模型的建模研究。在建模样本、独立预报样本相同的情况下，分别采用人工智能集合预报方法和气候持续法进行预报试验。试验对比结果表明，前者较后者在6—9月24h台风强度预报中，4个月的平均绝对误差下降了23.10%；48hTC强度预报中，4个月的平均绝对误差下降了25.54%（见表1）。进一步研究发现，在变动局部线性嵌入算法k近邻个数的情况下，建立的TC强度集合预报模型，其预报结果稳定可靠，相对于气候持续法均为正的预报技巧水平（见表2），为台风强度客观预报提供了新的预报工具和预报建模方法。