气象资料是关系到国计民生的重要基础资源,社会经济发展、可持续发展等各个领域都需要气象工作提供可靠保障。随着气象现代化的进步和发展,气象行业积累了大量的数据,从海量的气象数据中挖掘出有用的信息,对于气象预测、预报和灾害预警都扮演着至关重要的作用。随着人们对气象预报精度要求的逐渐提高,提高预报准确率成为气象部门的工作重点,要提高数值天气预报准确率就必须解决计算量大和计算实时性问题,这就对气象部门的硬件设施和专业人才提出了很高的要求,同时带来了硬件成本的急剧增加。近年来,国内外大气科学领域学者基于数据挖掘方法的预报技术,即人工神经网络、遗传算法、支持向量机、贝叶斯、决策树和关联规则挖掘等方法开展了大量研究,并取得了显著成果,天气预报的准确率在不断提高,但是与人们的期望还有距离。因此,如何充分有效的发挥数据挖掘在天气预报中的重要作用,满足人们的需求至关重要。随着气象数据规模飞速增长,BP神经网络由于其强大的非线性系统拟合能力,在气象数据的分析和预测中得到广泛应用。因此,本研采用BP神经网络方法,以降水量和气温作为输入因子,建立天气预报模型。对降水天气的研究,本研究对所选的样本进行4种方式的组合训练,每种训练样本均采用一个隐层的两层BP网络,隐层和输出层函数都为logsig,对其分别采用3种训练函数(trainbp、trainbpx和trainlm),4种隐层结点数(4、6、8、10)共12种方式进行训练,基于此建立BP神经网络降水预报模型。对气温天气的研究,建立起适合于BP神经网络的输入样本模型,通过反复学习从温度时序中建立预测模型,将其用于未来24 h的精细化温度预报。同时,通过对预测挖掘系统的设计和在Matlab6.5仿真平台上的试验,建立了温度预报模型,以大连市观测站数据为时间序列研究对象,对温度预报进行了仿真实现。实验结果表明,BP神经网络方法具有预报较客观、准确率较高等特点,在目前长期天气预报理论和数值预报模式尚不能用于实际业务的情况下具有较大的应用价值。