论文部分内容阅读
摘 要：天气预报是监测天气变化的主要手段，能够较好的预测出天气变化、气候变化和气候灾害。对社会的发展具有重要的作用。而数据挖掘技术是影响天气预报的主要方法，合理的运用数据挖掘技术可以有效的提高天气预报的准确性，合理的运用数据在天气预报服务中也有着举足轻重的作用。本文介绍了数据挖掘技术在天气预报研究中的应用，并对数据挖掘技术在天气预测中的应用进行分析。希望气象研究人员能够合理的运用数据挖掘技术，提高天气预报的准确性，也希望在天气预报节目中能有一些应用。
关键词：数据挖掘技术；气象预报；气象数据；
中图分类号：X16 文献标识码：A 文章编号：1674-3520（2015）-04-00-01
前言
天气预报是运用天气学、统计学和气象学等多门原理，依据气象观测资料，对某一区域天气状况作出预测。目前影响天气预报准确性的因素众多，导致天气预报的准确性难以预测，数据间的隐含信息更是难以分析，针对这种形式，气象研究部门可以引进数据挖掘技术，对历史数据和卫星资料进行分析整理，挖掘出其中隐含的有价值的信息，能够更好的掌握天气规律，增加天气预报的准确性。
一、数据挖掘技术在气象预报研究中的应用
（一）数据挖掘在气象预报中的应用
天气预报一般是指对天气的短时、短期和中期预报。因为预测的内容和时间限制不同，因此要采用不同的预测方法，短时的预报可以采用现代化的探测手段；短期的应该运用天气学、统计学和诊断分析等方法进行预测；中期预报需要运用动力学、数值预报和天气学等综合分析出来。因此，天气预报的预测会产生大量的数据，运用数据挖掘的方法可以有效的对数据进行整理，分析出有价值的信息，从而可以增加天气预报的准确性。例如冯汉中运用SVM分类法对气象预报进行试验，以1990年-2000年的4月到9月降水为资料，建立四川降雨量有无大于15毫米的推理模型，四川气象站通过对气象的监测，显示SVM推理模型具有较高的预测能力。
（二）数据挖掘技术在气候预测中的应用
气候预测是气象部门对天气的长期预测，主要是旱涝、冷暖和气温等变化趋势，气候预测运用了大量的资料数据，采用统计预报等方法分析而出，是数据挖掘的主要应用方向。例如李永华运用奇艺普分析法对样本进行分量重建，将重建序列构造均值生成函数作为输入因子，原数据作为输出因子，构建BP神经网络多步预测模型，对重庆沙坪坝站夏季降水量进行预测，取得了较好的预测效果。
（三）数据挖掘技术在气象灾害预测中的应用
我国每年都有气象灾害发生，例如洪水、台风等。气象部门对自然灾害的预测可以有效的防灾减灾，有利于社会的稳定。气象灾害的预测运用动力学和定量遥感技术对气象灾害进行临近预报。因为灾害出现通常是个案，因此，难以进行有效的数据挖掘，但是考虑到预测气象灾害的重要性，研究人员必须加深对气象灾害的数据挖掘。Tsegaye Tadesse采用双时间序列分析法发现干旱因子与海洋因数间的关系，从众多大气和海洋因子中找出影响干旱的因子，指出监测特定的海洋因子是预防干旱的主要手段[1]。
二、对挖掘技术在气象数据应用的分析
（一）对气象数据挖掘的时间和空间特性分析
气象数据具有时间特性和空间特性，通过对气象数据的时间特性和空间特性进行分析，可以有效的避免数据隐藏的信息变化。空间分析是指对空间多个站点的数据进行分析整理，对地点进行区域划分，对区域的气象数据利用主成分分析法进行分析，得出该地区影响天气的主要因素，同时指出气象的反常现象。对时间特性的分析是指对长期以来的数据进行分析、预测趋势和反常现象进行分析，例如《气象数据深度挖掘优化方法研究与仿真》中利用时空结合的分析法得出台风的路径和出现的区域[2]。
（二）对气象数据挖掘的降维分析
影响天气预报准确性的因素很多，现在的气象部门将大量的卫星和台站的观察资料引进数学方程式中求解，对电脑的能力要求较高，在不影响预报的前提下，降低数据的维度可以减少对计算机的依赖。降维分析主要有精确降维和近似降维两种方法。
精确降维的主要方法是粗糙集分析方法，是对数据库的数据进行分类，分成不同属性的子集，对子集进行分析，如果所有条件都指向某一数据没有影响，那么这个数据就可以去掉，从而减少数据库的维度。近似降维的主要方法是主成分分析法，是将原来的具有相关性的数据重新组合成一组新的数据，其综合指标近似与原来的指标但是不可以完全代表原来的指标。因此，主成分分析法属于近似降维，其准确性有所欠缺。对气象数据进行降维分析，可以有效的提高预测的效率。
（三）对气象数据挖掘的分类预测
对气象数据挖掘就是在大量的气象数据中，建立天气系统模型，分析隐藏的信息，达到对气象的预测目的。对气象的分类预测包括对降雨、台风等离散值的预测和对降雨量、温度等连续值的预测。对离散值的预测方法主要有：分类统计、神经网络和粗糙集等；对连续值的预测方法主要有：神经网络和回归分析等。对气象数据的分类预测，可以有效的实现对地域的监测，能够有效的预测突发性天气和收集气象数据。
（四）对气象数据挖掘的关联分析
对气象数据进行挖掘分析时，要充分考虑数据的关联性，对气象数据的关联性分析主要体现在两个方面：一是制定属性进行关联分析、二是考虑统一数据在不同时间和地点的关联分析。對气象数据进行关联性分析可以有效的对气象数据进行挖掘，提高收集有效数据的效率，增强天气预报的准确性[3]。
结语：数据挖掘技术是提高天气预报准确性的有效手段。希望通过本文对数据挖掘技术在天气预报中的应用介绍和分析，能够带给气象研究人员一些启示。能够加深数据挖掘技术在气象监测中的应用，以便提高气象预报的准确性。
参考文献：
[1]白若微，张萍，周榕.远程教育中数据挖掘技术的研究热点与发展趋势——基于CitespaceⅡ的可视化分析[J].中国医学教育技术，2013，11（05）：512-516.
[2]李雷孝.气象数据深度挖掘优化方法研究与仿真[J].计算机仿真，2013，12（01）：403-406.
[3]吴先华，孙健，陈云峰.基于条件价值法的气象服务效益评估研究[J].气象，2012，01（23）：109-117.
关键词：数据挖掘技术；气象预报；气象数据；
中图分类号：X16 文献标识码：A 文章编号：1674-3520（2015）-04-00-01
前言
天气预报是运用天气学、统计学和气象学等多门原理，依据气象观测资料，对某一区域天气状况作出预测。目前影响天气预报准确性的因素众多，导致天气预报的准确性难以预测，数据间的隐含信息更是难以分析，针对这种形式，气象研究部门可以引进数据挖掘技术，对历史数据和卫星资料进行分析整理，挖掘出其中隐含的有价值的信息，能够更好的掌握天气规律，增加天气预报的准确性。
一、数据挖掘技术在气象预报研究中的应用
（一）数据挖掘在气象预报中的应用
天气预报一般是指对天气的短时、短期和中期预报。因为预测的内容和时间限制不同，因此要采用不同的预测方法，短时的预报可以采用现代化的探测手段；短期的应该运用天气学、统计学和诊断分析等方法进行预测；中期预报需要运用动力学、数值预报和天气学等综合分析出来。因此，天气预报的预测会产生大量的数据，运用数据挖掘的方法可以有效的对数据进行整理，分析出有价值的信息，从而可以增加天气预报的准确性。例如冯汉中运用SVM分类法对气象预报进行试验，以1990年-2000年的4月到9月降水为资料，建立四川降雨量有无大于15毫米的推理模型，四川气象站通过对气象的监测，显示SVM推理模型具有较高的预测能力。
（二）数据挖掘技术在气候预测中的应用
气候预测是气象部门对天气的长期预测，主要是旱涝、冷暖和气温等变化趋势，气候预测运用了大量的资料数据，采用统计预报等方法分析而出，是数据挖掘的主要应用方向。例如李永华运用奇艺普分析法对样本进行分量重建，将重建序列构造均值生成函数作为输入因子，原数据作为输出因子，构建BP神经网络多步预测模型，对重庆沙坪坝站夏季降水量进行预测，取得了较好的预测效果。
（三）数据挖掘技术在气象灾害预测中的应用
我国每年都有气象灾害发生，例如洪水、台风等。气象部门对自然灾害的预测可以有效的防灾减灾，有利于社会的稳定。气象灾害的预测运用动力学和定量遥感技术对气象灾害进行临近预报。因为灾害出现通常是个案，因此，难以进行有效的数据挖掘，但是考虑到预测气象灾害的重要性，研究人员必须加深对气象灾害的数据挖掘。Tsegaye Tadesse采用双时间序列分析法发现干旱因子与海洋因数间的关系，从众多大气和海洋因子中找出影响干旱的因子，指出监测特定的海洋因子是预防干旱的主要手段[1]。
二、对挖掘技术在气象数据应用的分析
（一）对气象数据挖掘的时间和空间特性分析
气象数据具有时间特性和空间特性，通过对气象数据的时间特性和空间特性进行分析，可以有效的避免数据隐藏的信息变化。空间分析是指对空间多个站点的数据进行分析整理，对地点进行区域划分，对区域的气象数据利用主成分分析法进行分析，得出该地区影响天气的主要因素，同时指出气象的反常现象。对时间特性的分析是指对长期以来的数据进行分析、预测趋势和反常现象进行分析，例如《气象数据深度挖掘优化方法研究与仿真》中利用时空结合的分析法得出台风的路径和出现的区域[2]。
（二）对气象数据挖掘的降维分析
影响天气预报准确性的因素很多，现在的气象部门将大量的卫星和台站的观察资料引进数学方程式中求解，对电脑的能力要求较高，在不影响预报的前提下，降低数据的维度可以减少对计算机的依赖。降维分析主要有精确降维和近似降维两种方法。
精确降维的主要方法是粗糙集分析方法，是对数据库的数据进行分类，分成不同属性的子集，对子集进行分析，如果所有条件都指向某一数据没有影响，那么这个数据就可以去掉，从而减少数据库的维度。近似降维的主要方法是主成分分析法，是将原来的具有相关性的数据重新组合成一组新的数据，其综合指标近似与原来的指标但是不可以完全代表原来的指标。因此，主成分分析法属于近似降维，其准确性有所欠缺。对气象数据进行降维分析，可以有效的提高预测的效率。
（三）对气象数据挖掘的分类预测
对气象数据挖掘就是在大量的气象数据中，建立天气系统模型，分析隐藏的信息，达到对气象的预测目的。对气象的分类预测包括对降雨、台风等离散值的预测和对降雨量、温度等连续值的预测。对离散值的预测方法主要有：分类统计、神经网络和粗糙集等；对连续值的预测方法主要有：神经网络和回归分析等。对气象数据的分类预测，可以有效的实现对地域的监测，能够有效的预测突发性天气和收集气象数据。
（四）对气象数据挖掘的关联分析
对气象数据进行挖掘分析时，要充分考虑数据的关联性，对气象数据的关联性分析主要体现在两个方面：一是制定属性进行关联分析、二是考虑统一数据在不同时间和地点的关联分析。對气象数据进行关联性分析可以有效的对气象数据进行挖掘，提高收集有效数据的效率，增强天气预报的准确性[3]。
结语：数据挖掘技术是提高天气预报准确性的有效手段。希望通过本文对数据挖掘技术在天气预报中的应用介绍和分析，能够带给气象研究人员一些启示。能够加深数据挖掘技术在气象监测中的应用，以便提高气象预报的准确性。
参考文献：
[1]白若微，张萍，周榕.远程教育中数据挖掘技术的研究热点与发展趋势——基于CitespaceⅡ的可视化分析[J].中国医学教育技术，2013，11（05）：512-516.
[2]李雷孝.气象数据深度挖掘优化方法研究与仿真[J].计算机仿真，2013，12（01）：403-406.
[3]吴先华，孙健，陈云峰.基于条件价值法的气象服务效益评估研究[J].气象，2012，01（23）：109-117.