论文部分内容阅读
随着天气预报技术的发展,数值预报产品日益丰富,预报方法多种多样。在实际应用中,对每个具体的问题,各种预报方法得出的结果通常是不一致的,因而不知道如何将它们统一起来。因此需要采用一种较好的处理方法,把不同预报方法对同一要素的多种预报结果综合在一起,从而得出一个优于单一预报方法的预报结论,这就是预报方法的集成问题。本文分析了传统的基于加权的集成预报方法及其在气象预测应用中存在的问题,在此基础上提出了一种新的基于数据挖掘的集成预报方法,该方法选用BP人工神经网络建立集成预报分类器,对文中BP人工神经网络、多元回归、均生函数、最优气候均态模型四种子预报方法的预报结果进行集成和综合。基于数据挖掘的集成预报方法利用从子预报方法中筛选的训练集进行训练,得到集成预报分类器;该集成预报分类器可以根据环流因子的输入,直接得到一种最优子预报方法,然后利用得到的最优子预报方法去预测,将最优子预报方法的预报结果作为集成预报的预报结果。结果对比显示,本文提出的基于数据挖掘的集成预报模型预测的可靠性和准确性不但高于集成之前的各种子预报方法,而且高于其它集成预报方法,解决了传统的基于加权的集成预报等方法在对不同对象进行预报时不能动态改变权值的问题。本文的主要内容和取得的成果如下:①对气象预报较常用的几种子预报方法:BP人工神经网络、多元回归、均生函数、最优气候均态模型进行了研究,并做了大量的对比实验。②从理论上分析了传统的基于加权的集成预报方法及其在气象预测应用中存在的问题,引入数据挖掘的方法,提出一种新的基于数据挖掘的集成预报方法,给出了算法的设计,并用BP人工神经网络实现了该算法;通过大量的实验,与文中的各种气象子预报方法和其它集成预报方法相比,在实验中证明了本文算法在可靠性和准确性有很大的提高。