【摘要】：近年來(lái),隨著全面推進(jìn)氣象現(xiàn)代化工作的進(jìn)行氣象觀測(cè)業(yè)務(wù)和氣象數(shù)值預(yù)報(bào)技術(shù)得到了全面的發(fā)展,氣象部門采集數(shù)據(jù)和收集數(shù)據(jù)的能力越來(lái)越強(qiáng),現(xiàn)己積累了海量的氣象資料,面對(duì)如此龐大的數(shù)據(jù)資料,如何有效利用這些資料成為氣象信息工作者所面臨的一道難題。本文利用決策樹方法和神經(jīng)網(wǎng)絡(luò)方法對(duì)甘肅省張掖市國(guó)家基準(zhǔn)氣象站的歷史氣象數(shù)據(jù)進(jìn)行分析與處理,從中挖掘出一些有價(jià)值的信息。本文首先對(duì)歷史數(shù)據(jù)進(jìn)行了預(yù)處理,包括資料匯總、異常值、缺失值的分析和處理等。然后采用決策樹方法中的CART算法對(duì)連續(xù)氣溫?cái)?shù)值進(jìn)行評(píng)估,并做了簡(jiǎn)要的對(duì)比分析。主要考慮月平均氣壓、月平均水汽壓、月最小相對(duì)濕度、月蒸發(fā)量和降水量等因素對(duì)月平均氣溫的影響。同時(shí)還采用C5.0算法對(duì)離散化氣溫?cái)?shù)值進(jìn)行評(píng)估,建立了全年和按汛期劃分生成的兩種決策樹模型;發(fā)現(xiàn)汛期模型較全年模型的氣溫預(yù)測(cè)正確率上有明顯的提高。其次運(yùn)用神經(jīng)網(wǎng)絡(luò)中的MLP(多層感知機(jī))模型和RBF(徑向基函數(shù))模型對(duì)張掖市國(guó)家基本氣候觀測(cè)站的歷史月平均資料進(jìn)行處理與分析,并與決策樹方法和其他研究結(jié)果進(jìn)行了比較分析,得出MLP神經(jīng)網(wǎng)絡(luò)模型對(duì)連續(xù)氣溫預(yù)測(cè)效果最好,汛期MLP模型在離散化氣溫的預(yù)測(cè)正確率上較全年模型有一定的提高,利用MLP模型預(yù)測(cè)離散化氣溫時(shí),汛期模型較全年模型在正確率上更有優(yōu)勢(shì)。
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P413;TP311.13
【圖文】：

后共有６６０條記錄。實(shí)驗(yàn)采用舊Ｍ＠ＳＰＳＳ邋ｍｏｄｅｌｅｒ軟件建模分析，并對(duì)觀測(cè)數(shù)據(jù)作分逡逑區(qū)處理，通過(guò)ｍｏｄｅｌｅｒ軟件自帶的分區(qū)模塊隨機(jī)選取數(shù)據(jù)集中６０％的記錄作為訓(xùn)練集，逡逑２０％的記錄作為測(cè)試集，剩余２０％的記錄為驗(yàn)證集，挖掘過(guò)程如圖４－１。逡逑（ｇ）—＾邋Ｈ邋＾邐—－邋？邋——邋３—－藝一逡逑……湖ｗ邋Ｔ逡逑＾邋＾—妙一Ｄｔｌ逡逑分析邐月平｜巧＾＼＾＾＾段重消逡逑W邐／匕逡逑丨ＳＲ－月平均氣Ａ】逡逑圖４－１ＣＡＲＴ算法決策樹挖掘的流程圖逡逑這里懫用ＣＡＲＴ增長(zhǎng)方法生成月平均氣溫的決策樹，在數(shù)據(jù)挖掘終止規(guī)則中限定逡逑父節(jié)點(diǎn)的最小個(gè)案數(shù)為２０，子節(jié)點(diǎn)的最小個(gè)案數(shù)為１０。在構(gòu)建決策樹模型時(shí)，取月逡逑２１逡逑

邐南京信總工程大學(xué)碩士學(xué)位論文邐逡逑降水量、月日照時(shí)數(shù)、月平均相對(duì)濕度、月平均水汽壓、月平均氣壓和月平均風(fēng)速這６逡逑個(gè)因素作為預(yù)測(cè)變量進(jìn)行訓(xùn)練決策樹，月平均氣溫作為目標(biāo)輸出。圖４－２為月平均氣逡逑溫劃分生成的決策樹，圖４－３為模型結(jié)構(gòu)簡(jiǎn)圖，圖４－３為變量重要性視圖。逡逑曰月平均水汽壓＜＝３．８９７丨平均＞３．７７４．效應(yīng)：－１１．３３８１逡逑

邐南京信總工程大學(xué)碩士學(xué)位論文邐逡逑降水量、月日照時(shí)數(shù)、月平均相對(duì)濕度、月平均水汽壓、月平均氣壓和月平均風(fēng)速這６逡逑個(gè)因素作為預(yù)測(cè)變量進(jìn)行訓(xùn)練決策樹，月平均氣溫作為目標(biāo)輸出。圖４－２為月平均氣逡逑溫劃分生成的決策樹，圖４－３為模型結(jié)構(gòu)簡(jiǎn)圖，圖４－３為變量重要性視圖。逡逑曰月平均水汽壓＜＝３．８９７丨平均＞３．７７４．效應(yīng)：－１１．３３８１逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 段文廣;周曉軍;石永煒;;數(shù)據(jù)挖掘技術(shù)在精細(xì)化溫度預(yù)報(bào)中的應(yīng)用[J];干旱氣象;2012年01期

2 李倩;胡邦輝;王學(xué)忠;顧錦榮;;基于BP人工神經(jīng)網(wǎng)絡(luò)的區(qū)域溫度多模式集成預(yù)報(bào)試驗(yàn)[J];干旱氣象;2011年02期

3 農(nóng)孟松;黃海洪;孫崇智;鄭鳳琴;陳偉斌;;基于主分量神經(jīng)網(wǎng)絡(luò)的降水集成預(yù)報(bào)方法研究[J];氣象;2011年03期

4 王鑫;魏瑞江;康西言;;日光溫室濕度日預(yù)測(cè)的季節(jié)時(shí)序模型應(yīng)用研究[J];中國(guó)農(nóng)學(xué)通報(bào);2010年22期

5 王彥磊;曹炳偉;黃兵;董兆俊;路澤廷;陳興明;;基于神經(jīng)網(wǎng)絡(luò)的單站霧預(yù)報(bào)試驗(yàn)[J];應(yīng)用氣象學(xué)報(bào);2010年01期

6 黃小燕;史旭明;劉蘇東;金龍;;模糊神經(jīng)網(wǎng)絡(luò)方法在熱帶氣旋強(qiáng)度預(yù)報(bào)中的應(yīng)用研究[J];高原氣象;2009年06期

7 劉峰;王儒敬;李傳席;;ARIMA模型在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2009年25期

8 梁鐘清;金龍;鞏遠(yuǎn)發(fā);;低緯度地區(qū)局地暴雨的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)方法研究[J];熱帶氣象學(xué)報(bào);2009年04期

9 熊聰聰;王靜;宋鵬;孟冬梅;;遺傳算法在多模式集成天氣預(yù)報(bào)中的應(yīng)用[J];天津科技大學(xué)學(xué)報(bào);2008年04期

10 徐會(huì)明;靳小兵;季海;顧清源;陳忠明;;決策樹法在雷電潛勢(shì)預(yù)報(bào)中的應(yīng)用[J];高原山地氣象研究;2008年04期

相關(guān)碩士學(xué)位論文 前2條

1 汪春秀;基于支持向量機(jī)的氣象預(yù)報(bào)方法研究[D];南京信息工程大學(xué);2011年

2 左愛文;數(shù)據(jù)挖掘技術(shù)在氣象數(shù)據(jù)中的應(yīng)用[D];西安電子科技大學(xué);2006年

本文編號(hào)：2795252