论文部分内容阅读
雨涝是影响我国的重要自然灾害,如何提高降水预报准确率一直是天气预报的难点。本文应用统计方法对数值预报产品进行释用,以期提高降水预报准确率。本文采用模式输出统计方法(MOS),使得数值预报产品中的动力学信息和统计学知识得到融合,利用了 2012-2014年6-9月T511数值预报数据和中国自动站与CMORPH降水产品融合的网格数据集建立了两种适应度函数的朴素贝叶斯降水等级预报模型(BPS0-NB1、BPS0-NB2)。模型在选择预报因子方面,采用了人工智能方法——二进制粒子群算法进行最优因子的组合。为了检验二进制粒子群算法优化的朴素贝叶斯分类器的预报性能,本文采用2015年7-9月数据对南方地区五个站进行降水等级预报检验,结果表明：1.BPSO-NB1模型将晴雨预报的适应度函数值升高了 0.239,在因子选择方面应用效果较好。2.BPS0-NB1、BPS0-NB2模型晴雨预报准确率比T511模式提升了 24%以上,小雨TS评分BPSO-NB1、BPS0-NB2模型比T511模式提升了 0.1以上。3.BPS0-NB1、BPS0-NB2模型都可以显著地降低T511数值预报的小雨、中雨的空报次数。4.从评分的改善方面,BPSO-NB1比BPS0-NB2模型效果更优,晴雨PC评分高出3%,等级降水TS评分高出0.1,因此更适合应用在南方地区降水预报中。5.通过2015年6月26-27日的降水落区的定性预报上看,改进后的模型也具有良好的应用效果。