雨澇是影響我國的重要自然災害,如何提高降水預報準確率一直是天氣預報的難點。本文應用統(tǒng)計方法對數(shù)值預報產(chǎn)品進行釋用,以期提高降水預報準確率。本文采用模式輸出統(tǒng)計方法（MOS）,使得數(shù)值預報產(chǎn)品中的動力學信息和統(tǒng)計學知識得到融合,利用了 2012-2014年6-9月T511數(shù)值預報數(shù)據(jù)和中國自動站與CMORPH降水產(chǎn)品融合的網(wǎng)格數(shù)據(jù)集建立了兩種適應度函數(shù)的樸素貝葉斯降水等級預報模型（BPS0-NB1、BPS0-NB2）。模型在選擇預報因子方面,采用了人工智能方法——二進制粒子群算法進行最優(yōu)因子的組合。為了檢驗二進制粒子群算法優(yōu)化的樸素貝葉斯分類器的預報性能,本文采用2015年7-9月數(shù)據(jù)對南方地區(qū)五個站進行降水等級預報檢驗,結果表明：1.BPSO-NB1模型將晴雨預報的適應度函數(shù)值升高了 0.239,在因子選擇方面應用效果較好。2.BPS0-NB1、BPS0-NB2模型晴雨預報準確率比T511模式提升了 24%以上,小雨TS評分BPSO-NB1、BPS0-NB2模型比T511模式提升了 0.1以上。3.BPS0-NB1、BPS0-NB2模型都可以顯著地降低T511數(shù)值預報的小雨、中雨的空報... 

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究目的與意義
    1.3 方法介紹及其研究進展
        1.3.1 貝葉斯方法
        1.3.2 粒子群方法
    1.4 本文的主要內(nèi)容
第二章 算法原理
    2.1 貝葉斯方法
        2.1.1 概率論中的一些基本定義
        2.1.2 貝葉斯公式原理
        2.1.3 貝葉斯分類法
        2.1.4 樸素貝葉斯分類器
    2.2 粒子群算法
        2.2.1 群智能算法概述
        2.2.2 粒子群算法基本原理
        2.2.3 二進制粒子群算法
第三章 資料及處理
    3.1 資料的選取
    3.2 模型預報因子選擇
    3.3 位置向量的0、1化處理
    3.4 限制因子數(shù)量
第四章 粒子群優(yōu)化的樸素貝葉斯降水預報模型
    4.1 模型構建
        4.1.1 模型基本步驟
        4.1.2 模型流程
    4.2 模型試驗
        4.2.1 先驗概率
        4.2.2 試驗站因子組合
        4.2.3 試驗降水預報結果
    4.3 本章小結
第五章 個例分析
    5.1 降水概況
    5.2 個例天氣形勢分析
        5.2.1 環(huán)流背景分析
        5.2.2 垂直速度及水汽條件分析
    5.3 模型預報降水落區(qū)與實況的比較
    5.4 本章小結
第六章 全文總結
    6.1 全文總結
    6.2 研究展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]氣象預報應用人工智能的現(xiàn)狀分析和影響初探[J]. 唐偉,周勇,王喆,龔江麗,沈文海.  中國信息化. 2017(11)
[2]基于粒子群-支持向量機定量降水集合預報方法[J]. 孔慶燕,史旭明,金龍.  數(shù)學的實踐與認識. 2017(05)
[3]HM-Bayes網(wǎng)絡降水空間插值模型的改進及其應用[J]. 劉虹利,王紅瑞,孫沁田,楊中文,洪思揚.  系統(tǒng)工程理論與實踐. 2016(11)
[4]基于樸素貝葉斯算法的流域降水預測方法[J]. 黃煒,李雪真,趙嘉,趙麗華,李臣民.  水利水電科技進展. 2016(04)
[5]統(tǒng)計方法在數(shù)值模式中應用的若干新進展[J]. 朱玉祥,黃嘉佑,丁一匯.  氣象. 2016(04)
[6]基于Bayes判別法的霜生自動化觀測模型探討[J]. 華連生,溫華洋,朱華亮,張正銓.  氣象. 2015(08)
[7]一種Bayes降水概率預報的最優(yōu)子集算法[J]. 胡邦輝,劉善亮,席巖,王學忠,游大鳴,張惠君.  應用氣象學報. 2015(02)
[8]BPSO優(yōu)化樸素貝葉斯分類器的降水分級預報試驗[J]. 張群,席巖,胡邦輝,王學忠,張惠君.  解放軍理工大學學報(自然科學版). 2014(04)
[9]基于AREM模式的貝葉斯洪水概率預報試驗[J]. 殷志遠,彭濤,王俊超,沈鐵元.  暴雨災害. 2012(01)
[10]基于粒子群和投影尋蹤的樣本重構神經(jīng)網(wǎng)絡集成模型在降水預報中的應用[J]. 吳春梅,吳建生.  計算機與現(xiàn)代化. 2011(02)

博士論文
[1]粒子群算法的基本理論及其改進研究[D]. 劉建華.中南大學 2009
[2]粒子群優(yōu)化算法及其應用研究[D]. 李丹.東北大學 2007
[3]貝葉斯學習理論中若干問題的研究[D]. 王利民.吉林大學 2005
[4]貝葉斯學習理論及其應用研究[D]. 宮秀軍.中國科學院研究生院（計算技術研究所） 2002

碩士論文
[1]基于改進PSO-RBF神經(jīng)網(wǎng)絡的氣溫預測模型[D]. 陳廣.蘭州大學 2015
[2]改進的PSO算法優(yōu)化神經(jīng)網(wǎng)絡模型及其應用研究[D]. 蔣林利.廈門大學 2014
[3]粒子群算法研究及在氣象資料檢索中的應用[D]. 黃艷紅.南京信息工程大學 2012
[4]樸素貝葉斯分類器的研究與應用[D]. 王國才.重慶交通大學 2010
[5]基于MOS方法的客觀降水預報模型的研究與應用[D]. 黃億.南京信息工程大學 2008
[6]粒子群優(yōu)化算法的研究與改進[D]. 薛婷.大連海事大學 2008



本文編號：3728077