發(fā)布時間：2021-07-07 22:54

　　降水是云中水蒸氣積累到一定程度的產(chǎn)物,與云的發(fā)生和發(fā)展緊密相關(guān),云的形狀、云的類型、云的移動速度以及云頂亮溫等方面都有一定的關(guān)系,它的特性都直接關(guān)系著降水的有無甚至強(qiáng)弱。云頂亮溫是通過氣象衛(wèi)星獲取到的紅外探測通道的數(shù)據(jù),它是生成紅外云圖以及其他顯示云圖中最原始的定量資料。云頂亮溫是以相對于黑體溫度而言,它的值一般小于零,如果黑體溫度越低,表明云頂越高,對流越活躍,從而降水的潛在性也越大,因此,我們可以根據(jù)云頂亮溫值以及一系列的相關(guān)數(shù)據(jù),通過網(wǎng)絡(luò)模型的學(xué)習(xí),使得為降水的預(yù)測提供可能性。本文在對降水點分類預(yù)測的研究過程中,主要做了以下工作:（1）分析了與降水有關(guān)的影響因子,然后選取了10個降水模擬參數(shù),利用地面監(jiān)測站的1小時加密降水?dāng)?shù)據(jù),以及匹配到的FY-2C紅外通道當(dāng)前IR1數(shù)據(jù)、前一時次IR1數(shù)據(jù)、當(dāng)前時次的水汽通道IR3數(shù)據(jù),通過對兩種文件類型的讀取,再結(jié)合降水模擬參數(shù),生成訓(xùn)練數(shù)據(jù)。（2）對貝葉斯網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)兩種方法進(jìn)行了研究,然后根據(jù)同樣的方法,選取其他的時次的文件,生成預(yù)測數(shù)據(jù),最后分別結(jié)合兩種方法對預(yù)測數(shù)據(jù)進(jìn)行了分類預(yù)測,統(tǒng)計了他們的分類結(jié)果。（3）最后對這兩種方法進(jìn)行... 

【文章來源】：中國地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要工作
    1.4 論文的組織結(jié)構(gòu)
    1.5 研究的技術(shù)路線
    1.6 本章小結(jié)
第二章 獲取訓(xùn)練數(shù)據(jù)
    2.1 數(shù)據(jù)文件的匹配
    2.2 文件讀取
    2.3 降水模擬參數(shù)的獲取
    2.4 訓(xùn)練數(shù)據(jù)的獲取
    2.5 本章小結(jié)
第三章 貝葉斯網(wǎng)絡(luò)分類預(yù)測
    3.1 基礎(chǔ)知識
        3.1.1 基本概率公式
        3.1.2 貝葉斯概率
    3.2 貝葉斯網(wǎng)絡(luò)
        3.2.1 貝葉斯網(wǎng)絡(luò)的定義
        3.2.2 貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)
    3.3 貝葉斯網(wǎng)絡(luò)分類器
        3.3.1 貝葉斯網(wǎng)絡(luò)分類器的定義
        3.3.2 幾種常見的貝葉斯網(wǎng)絡(luò)分類器
        3.3.3 分類器性能評價方法
    3.4 基于貝葉斯網(wǎng)絡(luò)的分類實驗
        3.4.1 建立貝葉斯網(wǎng)絡(luò)分類器
        3.4.2 基于貝葉斯網(wǎng)絡(luò)分類器的數(shù)據(jù)預(yù)測
    3.5 本章小結(jié)
第四章BP神經(jīng)網(wǎng)絡(luò)分類預(yù)測
    4.1 BP神經(jīng)網(wǎng)絡(luò)
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)的原理
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)
        4.1.3 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
    4.2 BP神經(jīng)網(wǎng)絡(luò)的模型的建立
    4.3 BP神經(jīng)網(wǎng)絡(luò)的算法
    4.4 基于BP神經(jīng)網(wǎng)絡(luò)的分類實驗
        4.4.1 BP神經(jīng)網(wǎng)絡(luò)分類器的評價
        4.4.2 基于BP神經(jīng)網(wǎng)絡(luò)分類器的數(shù)據(jù)預(yù)測
    4.5 本章小結(jié)
第五章兩種分類方法的對比分析
    5.1 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 本文的不足
    6.3 工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的降雨量預(yù)測研究[J]. 葛彩蓮,蔡煥杰,王健,張魯魯.  節(jié)水灌溉. 2010(11)
[2]一種加權(quán)的紅外圖像線性歸一化方法[J]. 伍世虔,盧宇,方志軍,謝志華.  武漢理工大學(xué)學(xué)報. 2010(20)
[3]基于BP神經(jīng)網(wǎng)絡(luò)時間序列模型的降水量預(yù)測[J]. 劉莉,葉文.  水資源與水工程學(xué)報. 2010(05)
[4]利用FY-2C雙光譜圖像反演白天像素級逐時雨強(qiáng)[J]. 諸葛小勇,郁凡.  水科學(xué)進(jìn)展. 2009(05)
[5]基于FY-2C衛(wèi)星資料估算四川地面降水方法研究[J]. 王華榮,朱小祥,徐會明,顧清源.  氣象. 2008(08)
[6]基于交叉驗證技術(shù)的KNN方法在降水預(yù)報中的試驗[J]. 曾曉青,邵明軒,王式功,劉還珠.  應(yīng)用氣象學(xué)報. 2008(04)
[7]投影尋蹤回歸與BP神經(jīng)網(wǎng)絡(luò)方法在前汛期降水預(yù)測中的比較研究[J]. 楊永生,何平.  氣象與環(huán)境學(xué)報. 2008(01)
[8]吉林省一次區(qū)域性暴雨天氣過程的TBB圖像特征分析[J]. 胡中明,張智勇,王曉明,孫鴻雁.  暴雨災(zāi)害. 2007(02)
[9]四川2006年“9.3”暴雨過程中TBB與強(qiáng)降水對應(yīng)關(guān)系分析[J]. 張駒,王敏,顧清源.  四川氣象. 2007(02)
[10]利用衛(wèi)星云圖估算焦作市4-9月12h降水[J]. 閆小利,李艷紅,盧學(xué)鋒,宋自福,肖杰.  氣象與環(huán)境科學(xué). 2007(02)

博士論文
[1]人工神經(jīng)網(wǎng)絡(luò)的泛化性能與降水預(yù)報的應(yīng)用研究[D]. 林開平.南京信息工程大學(xué) 2007
[2]基于貝葉斯網(wǎng)絡(luò)的知識發(fā)現(xiàn)與決策應(yīng)用研究[D]. 張少中.大連理工大學(xué) 2003

碩士論文
[1]云頂亮溫與義烏市降水關(guān)系研究[D]. 張婷.浙江師范大學(xué) 2009
[2]基于人工神經(jīng)網(wǎng)絡(luò)模型的降水量預(yù)測研究[D]. 孫吉輝.中國海洋大學(xué) 2008



本文編號：3270516