馬爾可夫鏈的組合模型在降雨量預(yù)測(cè)中的應(yīng)用.pdf

1、由于氣候條件的復(fù)雜性、多樣性和變異性，使得天氣預(yù)測(cè)的過(guò)程中存在著大量的模糊性和不確定性，從而導(dǎo)致中長(zhǎng)期降雨量的預(yù)測(cè)成為了計(jì)算機(jī)預(yù)測(cè)和氣象科學(xué)中的一個(gè)難點(diǎn)問(wèn)題。雖然我國(guó)幅員遼闊，地形復(fù)雜，但降雨量的空間分布仍有一定規(guī)律。隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，氣象信息越來(lái)越受到廣泛的關(guān)注，無(wú)論是人民的生活，還是經(jīng)濟(jì)的發(fā)展都與氣象息息相關(guān)。天氣預(yù)報(bào)基于衛(wèi)星觀(guān)測(cè)，可以較為精確地預(yù)測(cè)未來(lái)數(shù)天的風(fēng)力、濕度、溫度等天氣狀況，但是如何能夠知道未來(lái)幾個(gè)月甚至未來(lái)幾年大

2、概的降雨量變化狀況，將是本文研究的重點(diǎn)。
　　馬爾可夫鏈適用于隨機(jī)波動(dòng)性大的預(yù)測(cè)問(wèn)題，但它要求狀態(tài)無(wú)后效性，對(duì)極值的預(yù)測(cè)不太理想，而組合模型可以通過(guò)結(jié)合其他算法來(lái)優(yōu)化其缺陷，所以本文基于馬爾可夫鏈的組合模型對(duì)降雨量進(jìn)行預(yù)測(cè)，并提出了相應(yīng)的兩種預(yù)測(cè)方式，然后利用Arcgis組件設(shè)計(jì)與實(shí)現(xiàn)了城市降雨分布系統(tǒng)，主要研究工作如下:
　　(1)本文提出了基于馬爾可夫鏈和模糊集組合模型的預(yù)測(cè)算法。先將降雨量有序聚類(lèi)，計(jì)算出狀態(tài)轉(zhuǎn)移矩陣，

3、然后引入隸屬度概念，求出每個(gè)狀態(tài)對(duì)其他狀態(tài)的影響值，再通過(guò)加權(quán)的方式算出預(yù)測(cè)的狀態(tài)區(qū)間，最后通過(guò)模糊集公式算出具體的降雨預(yù)測(cè)值。算法取締了傳統(tǒng)上用的較多的平均分類(lèi)，然后引入隸屬度更詳細(xì)的描述隨機(jī)變量序列值分別屬于所有狀態(tài)的隸屬程度，較好的減小了原來(lái)“非此即彼”思想帶來(lái)的誤差。
　　(2)本文也提出了基于馬爾可夫鏈和灰色理論組合模型的預(yù)測(cè)算法。該方法引入了滑動(dòng)GM(1，1)模型，先通過(guò)最小二乘法求出預(yù)測(cè)函數(shù)，然后代入具體時(shí)間求出第一

4、次預(yù)測(cè)值及其與實(shí)際值的誤差，再通過(guò)誤差進(jìn)行分類(lèi)，最后通過(guò)加權(quán)馬爾科夫模型完成預(yù)測(cè)。該算法主要采用二次預(yù)測(cè)的方式，降低了偶然因素的影響，簡(jiǎn)化了建模的步驟，提高了預(yù)測(cè)的精度和速度。
　　(3)本文查閱并參考國(guó)內(nèi)外關(guān)于降雨分布圖制作和降雨預(yù)測(cè)的研究技術(shù)，利用插值算法和ArcToolbox構(gòu)建了等值模型。然后我們通過(guò)ArcGIS服務(wù)器發(fā)布地理信息服務(wù)，實(shí)現(xiàn)了城市降雨分布圖制作的功能。最后通過(guò)加權(quán)馬爾可夫算法，在系統(tǒng)中實(shí)現(xiàn)年降雨量預(yù)測(cè)并制圖