基于支持向量机模式识别的大雾预报方法
摘要
天气预报中最常用的方法就是模式识别.以统计理论为核心的智能机器学习语言,也称模式识别,就是依据有限的历史数据(训练样本)来寻求蕴含着的分类关系(统计关系),建立分类模型,进而用求得的分类模型对未来数据(预报数据)进行预报.如降水预报中的"定性"预报,有雨和无雨,影响能见度预报的"有雾"和"无雾",都是属于分类问题.基于支持向量理论的支持向量机(Support Vector Machine简称SVM)方法是一种新颖的小样本机器学习方法,该方法建模不必知道因变量和自变量之间的关系,通过对样本的学习即可获得因变量和自变量之间非常复杂的映射关系,它具有从海量的信息中,自动识别并提取关键信息的特点,适合处理本质上的非线性问题.公路交通气象服务是公共气象服务务轨道的重要内容,选择了渭南、西安和宝鸡,西-延线的宜君和南北方向大动脉的安康作为大雾预测对象.大雾的产生是在一定的环流背景下形成的,近地面层的气象要素是直接参与的结果.选取了9个预报因子,分别是气温、最低气温、降水量、风向、风速、相对湿度、能见度、总云量和低云量,资料年代1971-2000年10-12月.把资料分成三部分,分别是训练样本、实验样本和检验样本.将5个站1971年~2000年10-12月共30年的数据资料分为三部分:第一部分,训练样本,也即建模样本2000个,约为1971~1992年64个月资料;第二部分,实验样本,用于测试用训练样本建立的SVM模型的预报能力,约为6年20个月600个样本;第三部分,检验样本,为了将最终确立的SVM预报模型对其做预报,以检验SVM模型的预报效果(推广能力)190个,约为2年6个多月.通过用支持向量机方法对训练样本进行建模,以径向基函数作为核函数建立推理实验模型,分别获得了最优模型,用最优模型对检验样本进行分类的正确率都在90%以上,预报成功率和TS评分西安、渭南、安康和宜君较高,最大达到96.55%,这可以在业务值班中试用.