论文部分内容阅读
在科学技术突飞猛进的时代,人们对气象预测精确性的要求越来越高。这不仅仅关系到农业的发展,还关系到人们的衣食出行以及政府提前做好对恶劣天气的防控措施等。与人类生存息息相关的气候环境总是在不停地变化,有时甚至发生极其显著的异常情况,给人类社会发展和生存带来极大的影响和威胁。因此,人们对气象学的研究从未间断,并且通过经验总结以及大量的科学研究获取了很多关于气象预测方面的知识。
本文以长江中下游地区的铜陵市、池州市为研究区域,利用该地区气象站得到的气象数据为研究对象,主要做了以下几方面的工作:(1)统计分析铜陵市1960-2008年的月度气温时间序列数据,建立一种季节性的ARIMA模型;(2)统计分析池州市1959-2009年的月度气温数据和月度降水量数据,针对数据的季节效应,分别建立了季节乘积模型,预测了2010年的各月度数据;(3)在时间序列统计分析的基础上,利用神经网络的原理,结合时序的季节效应和径向基(RadialBasisFunction,RBF)神经网络方法,分别对池州市2010年度1月-12月的气温值和降水量进行了预测。
根据以上工作方法,本文的主要研究结论如下:
1.铜陵市1960~2007年的气温序列分析及2008年温度的预测情况:
铜陵市1960~2007年的年均温度为16.4℃,近几十年的温度变化表现为先略微下降,到90年代后又开始微微上升。趋势性较弱,周期性较强,蕴含着以年为固定周期的周期性。经过季节差分,平稳化,参数估计,模型定阶,确定模型口径并预测2008年的各月的温度值。预测结果表明:该模型是有效的,预测值的平均绝对误差为0.875,各月预测值与实际值的趋势一致且基本吻合。
2.池州市1959~2009年的气象数据分析及2010年的数据预测情况:
(1)基于时间序列模型的分析及预测:
池州市1959~2009年的平均温度为16.1℃,年均降水量为1457.9mm,气候温暖湿润,四季分明。历年来各月温度基本在一个区间内随机波动,近几十年的温度表现为先略微下降,80年代后又微微上升的变化特征。趋势性较弱,周期性较强,其月均温度时间序列蕴含着以年为固定周期的周期性。降水量的高值数据呈现出较强的波动性,而降水量的低值数据则基本呈现出平稳性。春冬季节降水量偏少,夏秋季节的降水量偏多,即降水时间序列数据呈现出明显的季节变化,其中最高降水量为6月的247.7mm。
分析预测得到的2010年各月温度预测值的平均绝对误差为1.5,平均相对误差为13.3%;2010年的降水量预测值的平均绝对误差为7.15,平均相对误差为6.97%。各月预测值与实际值的趋势一致且基本吻合,但1月和12月的相对误差较大。
(2)基于RBF神经网络模型的分析及预测:
根据RBF神经网络的原理,结合时间序列的周期性,经过训练和测试,建立一种三层前向的RBF神经网络的预测模型,通过该模型预测得到2010年各月的温度值和降水量。其结果表明:2010年温度预测值的平均绝对误差为1.13,平均相对误差为7.72%;2010年的降水量预测值的平均绝对误差为6.74,平均相对误差为5.8%。
本文为动态数据的建模预测,以及时间序列的预测技术研究提供了方法。