基于SVM方法的徐州大雾预报模型研究.pdf

第十届长三角气象科技论坛论文集 - 1 - 基于SVM 方法的徐州大雾预报模型研究 1 张方方,赵杰,侯宜广,吕翔,贾红,安迪,孙磊 (徐州市气象局,徐州,221002) 摘要: 利用徐州市探空和地面气象要素资料, 根据支持向量机(SVM)的原理, 以徐州市未来 0~24 h 有无大雾作为预报对象, 建立了徐州市大雾预报模型;该模型对徐州六个站点的检验效果较好,丰县的TS 评分达到 %以上,沛县最差,为 %;并通过编程对所需资料进行读取及处理,为后期直接利用获得的最优模型做大雾预报奠定了基础. 关键词: SVM 大雾 TS 评分 VB 1 引言 目前,大雾对交通的危害性已众所周知,徐州作为淮海经济区的中心城市,一旦出现大雾出现将带来极大的损失。如何准确地预报出对交通有影响的大雾天气,及时把天气信息告诉相关部门和广大群众, 为交通运输部门做好气象保障, 减少或避免交通事故的发生, 积极为地方经济发展服务是气象部门的使命所在。基于支持向量理论的支持向量机(SVM: Support Vector Machine)方法作为一种新颖的小样本机器学习方法,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。目前,在气象上SVM 方法被用于温度、山洪地质灾害、冰雹、单站降水预报等各方面,本文尝试用其对徐州地区的大雾进行模型建立,期望能找出预报大雾的新方法。 2 理论基础 V. N. Vapnik 等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起,然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去,这种分类器被称为支持向量机(Support Vector M achine,简称 SVM)。SVM 方法是通过一个非线性映射 p,把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert 空间),,,就是把样本向高维空间做映射,一般情况下这会增加计算的复杂性,甚至会引起“维数灾难”,、回归等问题来说,很可能在低维样本空间无法线性处理的样本集,在高维特征空间中却可以通过一个线性超平面实现线性划分(或回归).一般的升维都会带来计算的复杂 1项目资助:江苏省气象局预报员专项基金(基于SVM 方法的徐州大雾预报模型研究) *张方方, 出生,女,江苏徐州,硕士,助理工程师,主要研究短期和短时邻近预报,zff19 ******@1 m 化,SVM 方法巧妙地解决了这个难题:应用核函数的展开定理,就不需要知道非线性映射的显式表达式;由于是在高维特征空间中建立线性学习机,所以与线性模型相比,不但几乎不增加计算的复杂性,而且在某种程度上避免了“维数灾难”.,可以生成不同的SVM,常用的核函数有以下4 种: 线性核函数、多项式核函数、径向基函数、二层神经网络核函数。一般以径向基函数( 满足 Mercer 定理条