水汽是大气中重要的组成部分,虽然大气中水汽的含量少,但变化速度很快,许多自然灾害和极端天气的形成与水汽含量的变化有着密不可分的关系,如降水、暴雪等中小尺度灾害性天气。利用地基GPS对流层延迟反演大气可降水量,为GPS可降水量的获取提供了新的方法。然而,在水汽预报方面,国内研究成果不多。同时,GPS大气可降水量时间序列具有非线性、非平稳性的特征,GPS可降水量的预报一般选用半小时或一小时,精度也是毫米级。但是水汽具有快速变化的特征,若能及时掌握GPS可降水量的变化规律,改善和提高降水的预报精度,对于短期天气或气候预报具有重要的意义。为了提高短时高分辨率GPS可降水量预报的有效性,本文对GPS可降水量预报方法进行了比较深入的研究,主要工作有:(1)本文首先介绍了反演GPS可降水量的原理,并通过高精度数据处理软件GAMIT计算出对流层天顶延迟,然后结合地面测站的气象数据和可降水量转化模型解算出5 min间隔的GPS可降水量时间序列,为本文实验提供了前提条件。(2)由于小波神经网络拓扑结构采取的是BP神经网络的结构,因此不可避免地存在BP神经网络的一些缺陷,如常常有过拟合、收敛速度较慢、易陷入局部极值等。针对以上问题,本文利用遗传算法对小波神经网络的初始权值、阈值等参数进行编码,然后通过选择交叉变异等操作确定最优参数,作为小波神经网络的初始输入参数,以克服小波神经网络初始权值阈值选取时的盲目性与随机性,改善易陷于局部极值和引起振荡效应等缺陷。实验结果表明,遗传小波神经网络预报方法的均方根误差为0.124 mm,平均绝对百分误差为0.167%,其精度相比BP神经网络和小波神经网络方法均有明显提高,能更好地反映可降水量的变化特征。(3)建立了基于遗传算法、小波分解和最小二乘支持向量机的预报模型。该方法首先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量;然后利用遗传算法优化LSSVM的参数,进而对各分量建立预报模型;最后,将各分量预报结果进行叠加重构得到最终的预报结果。实验结果表明,该组合模型具有良好的泛化能力,可有效解决神经网络易陷于局部极小的问题,提高了全局的预报精度。