馬爾可夫鏈的組合模型在降雨量預測中的應用.pdf

1、由于氣候條件的復雜性、多樣性和變異性，使得天氣預測的過程中存在著大量的模糊性和不確定性，從而導致中長期降雨量的預測成為了計算機預測和氣象科學中的一個難點問題。雖然我國幅員遼闊，地形復雜，但降雨量的空間分布仍有一定規(guī)律。隨著我國經濟的快速發(fā)展，氣象信息越來越受到廣泛的關注，無論是人民的生活，還是經濟的發(fā)展都與氣象息息相關。天氣預報基于衛(wèi)星觀測，可以較為精確地預測未來數(shù)天的風力、濕度、溫度等天氣狀況，但是如何能夠知道未來幾個月甚至未來幾年大

2、概的降雨量變化狀況，將是本文研究的重點。
　　馬爾可夫鏈適用于隨機波動性大的預測問題，但它要求狀態(tài)無后效性，對極值的預測不太理想，而組合模型可以通過結合其他算法來優(yōu)化其缺陷，所以本文基于馬爾可夫鏈的組合模型對降雨量進行預測，并提出了相應的兩種預測方式，然后利用Arcgis組件設計與實現(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測算法。先將降雨量有序聚類，計算出狀態(tài)轉移矩陣，

3、然后引入隸屬度概念，求出每個狀態(tài)對其他狀態(tài)的影響值，再通過加權的方式算出預測的狀態(tài)區(qū)間，最后通過模糊集公式算出具體的降雨預測值。算法取締了傳統(tǒng)上用的較多的平均分類，然后引入隸屬度更詳細的描述隨機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“非此即彼”思想帶來的誤差。
　　(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測算法。該方法引入了滑動GM(1，1)模型，先通過最小二乘法求出預測函數(shù)，然后代入具體時間求出第一

4、次預測值及其與實際值的誤差，再通過誤差進行分類，最后通過加權馬爾科夫模型完成預測。該算法主要采用二次預測的方式，降低了偶然因素的影響，簡化了建模的步驟，提高了預測的精度和速度。
　　(3)本文查閱并參考國內外關于降雨分布圖制作和降雨預測的研究技術，利用插值算法和ArcToolbox構建了等值模型。然后我們通過ArcGIS服務器發(fā)布地理信息服務，實現(xiàn)了城市降雨分布圖制作的功能。最后通過加權馬爾可夫算法，在系統(tǒng)中實現(xiàn)年降雨量預測并制圖