首先，采用旋转EOF 方法，将浙江梅汛期和汛期的降水量空间分布分别划分为浙北北部区、浙东南区、浙西南区、浙中东区和浙北区、浙东南区、浙西南区，将分区内站点的雨量数据进行平均，得到各个分区的平均雨量时间序列。然后，对NCEP 月平均常规再分析场和导出场分别进行2～6 个月累加距平处理，得到3000 个初始因子场。利用REOF 中得到的各个分区平均雨量时间序列对初始因子场进行全球相关普查（要求初始因子场的时间不能早于预报对象前一年6 月份），然后对高相关区取4×6 或3×8 网格区；将这些高相关区与各个预报目标场分区进行典型相关分析，取1～2 对显著相关的典型变量，共得到近100000 对典型相关变量，将所选的典型相关变量与分区内单站的雨量时间序列进行单点相关，相关系数在0.5 以上的进入单站预报因子库备用。最后，以各个分区得到典型相关变量为预报因子，梅汛期和汛期38 站雨量的时间序列为预报目标，选取其中12 个典型变量作为预报方程的初选因子，在这12 个因子范围之内根据因子差异法任意选取7 个因子，构建浙江省梅汛期和汛期雨量BP 人工神经网络预报模型，模型对2003～2005 年进行试报，要求这3 年的预报正确，单站一般有数十个通过此条件的预报模型，将这些预报进行简单平均，形成集合预报。对2006～2009 年梅汛期和汛期的降水进行试报，显示最佳的预报方案4 年平均ps 评分分别达到69 和84 分，比较好的预报出降水趋势。随后对预报因子空间进行分析表明（1）NCEP 导出资料在汛期降水预测中具有重要作用；（2）梅汛期和汛期因子在全球范围内均有五个集中区，其中四个区分别与 ENSO、冰岛低压、阿留申低压等大气活动中心相对应；（3）较长时段的汛期雨量预报需要考虑南半球和北半球的大气环流因子影响。（4）大气能量收支因子对短期气候预测具有十分重要意义。