雨量预报评价模型

合集下载

雨量预报分析的评价模型数学建模

雨量预报分析的评价模型数学建模雨量预报是一种重要的气象预报，用于预测未来一段时间内降水的情况。

准确的雨量预报对于农业、水利、交通等行业的决策与管理具有重要的参考价值。

评价雨量预报分析模型的有效性和精度是提高气象预报准确性的关键。

本文将介绍雨量预报分析评价模型的数学建模方法。

一、问题的提出针对雨量预报分析评价的问题，我们首先需要明确预报模型的性质，即预报模型的目标和任务。

通常来说，雨量预报的目标是通过利用历史观测数据和其他气象因素，建立一个数学模型，预测未来一段时间内的降水量。

预报模型通常采用时间序列分析、回归分析、神经网络等方法进行建模。

评价预报模型的目标是对预测结果的准确性进行评估，从而确定预报模型的好坏程度，为实际的预报工作提供科学依据。

二、评价指标的选择在评价雨量预报分析模型时，我们通常使用以下几个指标来评价其准确性：1.预报误差：预报误差是指预报结果与实际观测结果之间的差异。

常见的预报误差指标有均方根误差（RMSE）、平均绝对误差（MAE）等。

这些指标可以用来评估预报结果的整体误差水平。

2.相关系数：相关系数衡量了预报结果与实际观测结果之间的相关性。

通过评估相关系数可以确定预报模型是否具有一定的预测能力。

3.偏差分析：偏差分析主要是对预测结果的偏差进行评估。

可以通过统计偏差的分布情况和变化趋势，评估预报模型对不同时空尺度的预测能力。

三、数学模型的建立为了评价雨量预报分析模型的准确性，我们可以建立以下数学模型：1.假设预报结果为y，实际观测结果为x，预报误差为δ，则预报误差的计算可以使用均方根误差（RMSE）：RMSE = sqrt(sum((y-x)^2)/n)2. 相关系数的计算可以使用皮尔逊相关系数（Pearson correlation coefficient），用来评估预报结果与实际观测结果之间的相关程度：r = sum((x-x_mean)*(y-y_mean)) / sqrt(sum((x-x_mean)^2)*sum((y-y_mean)^2))3.偏差分析可以使用直方图和箱线图等方法来进行可视化分析，评估预报模型在不同时空尺度上的偏差情况。

雨量预报方法的评价2

雨量预报方法的评价摘要本文以所给的的有关数据为资料，对雨量预报进行研究，针对各个问题，我们分别建立了插值计算模型，满意度评价模型等多个数学模型，经过严密的理论论证，精确的计算，很好的解决了雨量预报的的问题。

针对问题一，我们首先根据插值的的相关知识/理论,建立了最邻近插值和反距离加权模型。

为了解决预报点与实测点的不重合，我们运用插值原理求出其再次的近似点，根具matlab griddata求解,我们可以得到所需的预报点。

而且由我们的计算，预报方法二较为合理。

在问题二中,我们考虑到了不同时段群众的不满意度不同，因而采用了增加权重表格，区别对待各时段的预报误差。

这样就很好的解决了满意度贴切生活的难题。

在求解的过程中，我们在数据的处理上不可避免的存在不少误差，我们通过探讨研究，给出了概率灵敏度和误差分析，分析了其中的误差产生的来源，尽量避免由于误差所造成求解的错误，进而得出了一个较好的方案。

我们还对模型进行改进，通过求均值和绝对误差平方，使得模型更加合理，更加切合实际。

关键词; 评价;插值；误差平方和；反距离加权平均；权重一问题的提出雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，广受世界各国关注。

我国某地气象台和气象研究所正在研究6小时雨量预报方法，即每天晚上20点预报从21点开始的4个时段（21点至次日3点，次日3点至9点，9点至15点，15点至21点）在某些位置的雨量，这些位置位于东经120度、北纬32度附近的53×47的等距网格点上。

同时设立91个观测站点实测这些时段的实际雨量，由于各种条件的限制，站点的设置是不均匀的。

气象部门希望建立一种科学评价预报方法好坏的数学模型与方法。

气象部门提供了41天的用两种不同方法的预报数据和相应的实测数据。

雨量用毫米做单位，小于0.1毫米视为无雨。

(1) 请建立数学模型来评价两种6小时雨量预报方法的准确性；(2)气象部门将6小时降雨量分为6等：0.1—2.5毫米为小雨，2.6—6毫米为中雨，6.1—12毫米为大雨，12.1—25毫米为暴雨，25.1—60毫米为大暴雨，大于60.1毫米为特大暴雨。

数学建模C题论文

191])()([),(20200y y x x r z y x z -+--=c y b x a y x y x z +⋅+⋅++=22),(4753⨯41i D i D 20.000160.001162021421339915152112032534791410.1 6660.1 2.5 2.666.11212.12525.16060.1/mcm05/probX 53⨯47Y 53⨯47k n m Z ⨯53⨯47 k n m Z ⨯~53⨯47i n m k H ⨯m m n k n 21n +120i n m k S ⨯i D126 18319719141164512X Y⎪⎪⎪⎭⎫ ⎝⎛=⨯⨯⨯⨯⨯⨯47532531534712111..................x x x x x x X ⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111..................y y y y y y),(y x Z =mnk ⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯⨯⨯⨯⨯⨯⨯),(...),,(),,(............),(...),,(),,(4753475325325315315347147121211111y x f y x f y x f y x f y x f y x f ⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111..................Z Z Z Z Z Z 1=imnk Z ~⎪⎪⎪⎪⎭⎫ ⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111~...~~............~...~~Z Z Z Z Z Z i imnkH ∆mnk Z i mnk Z ~⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯ii i i i i h h h h h h 47532531534712111............... (2)i mnkS∆∑∑=⨯=⨯4712531)(47531j i ji i hi D ∆∑=16411641i mnk S 4i i imnk H 5347imnk S mnk H i D 41 2),(y x Z = ),(y x Z =i D nk m ⨯ i mnk H mnk Z i mnk Z ~1~mnk Z 2~mnk Z 1mnk H 2mnk H imnkS∆∑∑=⨯=⨯4712531)(47531j ij i i h1mnk S 2mnk S⑤ 用i D ∆∑=16411641i mnk S 计算出1D 与2D ，则1D 和2D 的值较小者为最优方案.3 主要程序及结论通过数据处理与分析我们认为预测方法一比预测方法二好.所得计算结果值分别为：（1）不同时段的两种方法的实测与预测值的均方差：1mnkS =[0.9247218269e-1, .165797962696, 0.9247218269e-1,0.9247218269e-1, .2586806182, .2586806182, .2586806182, 2.791713932, .2474029514, .2539943168, .2715902174, .2715902174182, .2586806182, 2.791713932, .2474029514, .2539943168, .2715902174]2mnkS := [0.921412432e-1, .1098068392, 0.2234955063e-1,0.1592933205e-1, .2851304286, .2851304286, .2851304286, 2.792910527, .2612701098, .2381007694, .2613774987, 0.5183032655e-1,.2851304286,2.792810527, .2612701098, .2381007694, .2613774987] （2）方法一的均方差为：1D := .8311398371方案二的均方差： 2D = .8417760978得1D <2D .主要程序与运行结果为：（1）局域曲面拟合程序> solve({0.3=0.6-r*(0.045^2+0.042^2)},{r});> z1:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> z2:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> z3:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> z4:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> solve({0.15=0.3-r*(0.045^2+0.042^2)},{r});> z4:=0.3-39.58828187*[(x-118.1833)^2+(y-31.0833)^2];> solve({5.1=10.2-r*(0.045^2+0.042^2)},{r});> z1:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> z2:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> z3:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> z4:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> solve({0.1=0.2-r*(0.045^2+0.042^2)},{r});> z4:=0.2-26.39218791*[(x-118.4000)^2+(y-30.6833)^2];>z4:=solve({118.9833^2+30.6167^2+a*118.9833+b*30.6167+c=0.7000,118.5833^ 2+30.0833^2+a*118.5833+b*30.0833+c=1.8000,119.4167^2+30.8833^2+a*119.41 67+b*30.8833+c=0.5});> solve({0.05=0.1-r*(0.045^2+0.042^2)},{r});> z1:=0.1-13.19609396*[(x-119.4167)^2+(y-30.8833)^2];>> solve({2.9=5.8-r*(0.045^2+0.042^2)},{r});> z4:=0.1-765.3734495*[(x-118.2833)^2+(y-29.7167)^2];（2）均方差求值程序：>sq1:=[0.09247218269,0.165797962696,0.09247218269,0.09247218269,0.258680 6182,0.2586806182,0.2586806182,2.791713932,0.2474029514,0.2539943168,0. 2715902174,0.2715902174182,0.2586806182,2.791713932,0.2474029514,0.2539 943168,0.2715902174];> sum1:=add(i,i=sq1);> ave1:=sum1/17;>ve1:=[.5222900020,.5222900020,.5222900020,.5222900020,.5222900020,.5222 900020,.5222900020,.5222900020,.5222900020,.5222900020,.5222900020,.522 2900020,.5222900020,.5222900020,.5222900020,.5222900020,.5222900020,.52 22900020];>sq2:=[0.0921412432,0.1098068392,0.022********,0.01592933205,0.285130428 6,0.2851304286,0.2851304286,2.792910527,0.2612701098,0.2381007694,0.261 3774987,0.0518*******,0.2851304286,2.792810527,0.2612701098,0.238100769 4,0.2613774987];（2）数据模拟图程序：> with(linalg):> l:=matrix(91,7,[58138,32.9833,118.5167, 0.0000, 5.0000, 0.2000, 0.0000, 58139, 33.3000,118.8500, 0.0000, 3.9000, 0.0000, 0.0000,58141, 33.6667,119.2667, 0.0000, 0.0000, 0.0000, 0.0000,58143, 33.8000,119.8000, 0.0000, 0.0000, 0.0000, 0.0000,58146, 33.4833,119.8167, 0.0000, 0.0000, 0.0000, 0.0000,58147, 33.0333,119.0333, 0.0000, 6.0000, 1.4000, 0.0000,58148, 33.2333,119.3000, 0.0000, 1.1000, 0.3000, 0.0000,58150, 33.7667,120.2500, 0.0000, 0.0000, 0.0000, 0.1000,58154, 33.3833,120.1500, 0.0000, 0.0000, 0.0000, 0.0000,58158, 33.2000,120.4833, 0.0000, 0.0000, 0.0000, 0.0000,58230, 32.1000,118.2667, 3.3000,20.7000, 6.6000, 0.0000,58236, 32.3000,118.3000, 0.0000, 8.2000, 3.6000, 1.4000,58238, 32.0000,118.8000, 0.0000, 0.0000, 0.0000, 0.0000,58240, 32.6833,119.0167, 0.0000, 3.0000, 1.4000, 0.0000,58241, 32.8000,119.4500, 0.1000, 1.4000, 1.5000, 0.1000,58243, 32.9333,119.8333, 0.0000, 0.7000, 0.4000, 0.0000,58245, 32.4167,119.4167, 0.3000, 2.7000, 3.8000, 0.0000,58246, 32.3333,119.9333, 7.9000, 2.7000, 0.1000, 0.0000,58249, 32.2000,120.0000,12.3000, 2.4000, 5.6000, 0.0000,58251, 32.8667,120.3167, 5.2000, 0.1000, 0.0000, 0.0000, 58252, 32.1833,119.4667, 0.4000, 3.2000, 4.8000, 0.0000, 58254, 32.5333,120.4500, 0.0000, 0.0000, 0.0000, 0.0000, 58255, 32.3833,120.5667, 1.1000,18.5000, 0.5000, 0.0000, 58264, 32.3333,121.1833,35.4000, 0.1000, 0.2000, 0.0000, 58265, 32.0667,121.6000, 0.0000, 0.0000, 0.0000, 0.0000, 58269, 31.8000,121.6667,31.3000, 0.7000, 2.8000, 0.1000, 58333, 31.9500,118.8500, 8.2000, 8.5000,16.9000, 0.1000, 58334, 31.3333,118.3833, 4.9000,58.1000, 9.0000, 0.1000, 58335, 31.5667,118.5000, 5.4000,26.0000,11.0000, 0.8000, 58336, 31.7000,118.5167, 3.6000,27.8000,15.3000, 0.6000, 58337, 31.0833,118.1833, 7.0000, 6.4000,15.3000, 0.2000, 58341, 31.9833,119.5833,11.5000, 5.4000,16.1000, 0.0000, 58342, 31.7500,119.5500,32.6000,37.9000, 5.8000, 0.0000, 58343, 31.7667,119.9333,20.7000,24.3000, 5.3000, 0.0000, 58344, 31.9500,119.1667,12.4000, 5.9000,16.3000, 0.0000, 58345, 31.4333,119.4833,21.8000,18.1000, 9.8000, 0.1000, 58346, 31.3667,119.8167, 0.1000,12.7000, 5.1000, 0.2000, 58349, 31.2667,120.6333, 1.1000, 5.1000, 0.0000, 0.0000, 58351, 31.8833,120.2667,22.9000,15.5000, 6.2000, 0.0000, 58352, 31.6500,120.7333,15.1000, 5.4000, 2.4000, 0.0000, 58354, 31.5833,120.3167, 0.1000,12.5000, 2.4000, 0.0000, 58356, 31.4167,120.9500, 5.1000, 4.9000, 0.4000, 0.0000, 58358, 31.0667,120.4333, 2.4000, 3.4000, 0.0000, 0.8000, 58359, 31.1500,120.6333, 1.5000, 3.8000, 0.5000, 0.1000, 58360, 31.9000,121.2000, 5.6000, 3.2000, 2.9000, 0.1000, 58361, 31.1000,121.3667, 3.5000, 0.6000, 0.2000, 0.7000, 58362, 31.4000,121.4833,33.0000, 4.1000, 0.9000, 0.0000, 58365, 31.3667,121.2500,17.7000, 2.2000, 0.1000, 0.0000, 58366, 31.6167,121.4500,75.2000, 0.4000, 1.5000, 0.0000, 58367, 31.2000,121.4333, 7.2000, 2.8000, 0.2000, 0.2000, 58369, 31.0500,121.7833, 3.2000, 0.3000, 0.0000, 0.3000, 58370, 31.2333,121.5333, 7.0000, 3.4000, 0.2000, 0.2000, 58377, 31.4667,121.1000, 7.8000, 7.2000, 0.3000, 0.0000, 58426, 30.3000,118.1333, 0.0000, 0.0000,17.6000, 6.2000, 58431, 30.8500,118.3167, 5.1000, 2.3000,16.5000, 0.1000, 58432, 30.6833,118.4000, 3.6000, 1.4000,20.5000, 0.2000, 58433, 30.9333,118.7500, 2.1000, 3.4000, 8.5000, 0.2000, 58435, 30.3000,118.5333, 0.0000, 0.0000,13.6000, 8.5000, 58436, 30.6167,118.9833, 0.0000, 0.0000, 5.3000, 0.5000, 58438, 30.0833,118.5833, 0.0000, 0.0000,27.6000,21.8000, 58441, 30.8833,119.4167, 0.1000, 1.6000, 1.6000, 1.0000, 58442, 31.1333,119.1833, 3.0000, 8.8000, 5.4000, 0.2000, 58443, 30.9833,119.8833, 0.1000, 2.7000, 0.1000, 0.9000,58446, 30.9667,119.6833, 0.0000, 0.1000, 5.1000, 2.5000, 58448, 30.2333,119.7000, 0.0000, 0.0000,15.1000, 6.9000, 58449, 30.0500,119.9500, 0.0000, 0.0000,23.5000, 8.2000, 58450, 30.8500,120.0833, 0.0000, 0.7000, 0.0000, 4.1000, 58451, 30.8500,120.9000, 0.5000, 0.1000, 0.0000, 3.8000, 58452, 30.7833,120.7333, 0.3000, 0.0000, 0.0000, 3.0000, 58453, 30.0000,120.6333, 0.0000, 0.0000, 0.0000,18.2000, 58454, 30.5333,120.0667, 0.0000, 0.0000, 0.5000, 4.9000, 58455, 30.5167,120.6833, 0.0000, 0.0000, 0.0000, 4.6000, 58456, 30.6333,120.5333, 0.0000, 0.0000, 0.0000, 4.2000, 58457, 30.2333,120.1667, 0.0000, 0.0000, 2.0000,12.6000, 58459, 30.2000,120.3167, 0.0000, 0.0000, 0.0000,15.0000, 58460, 30.8833,121.1667, 1.2000, 0.1000, 0.0000, 2.3000, 58461, 31.1333,121.1167, 4.0000, 1.4000, 0.4000, 0.2000, 58462, 31.0000,121.2500, 2.7000, 0.3000, 0.4000, 1.7000, 58463, 30.9333,121.4833, 1.7000, 0.1000, 0.0000, 0.8000, 58464, 30.6167,121.0833, 0.0000, 0.0000, 0.0000, 3.6000, 58467, 30.2667,121.2167, 0.0000, 0.0000, 0.0000, 1.8000, 58468, 30.0667,121.1500, 0.0000, 0.1000, 5.1000, 2.5000, 58472, 30.7333,122.4500, 0.3000, 0.6000, 0.0000, 4.9000, 58477, 30.0333,122.1000, 0.0000, 0.0000, 0.0000, 0.0000, 58484, 30.2500,122.1833, 0.0000, 0.0000, 0.0000, 0.0000, 58530, 29.8667,118.4333, 0.0000, 0.0000,27.5000,23.6000, 58531, 29.7167,118.2833, 0.0000, 0.0000, 3.7000,11.5000, 58534, 29.7833,118.1833, 0.0000, 0.0000, 9.3000, 6.5000, 58542, 29.8167,119.6833, 0.0000, 0.0000, 0.0000,27.6000, 58550, 29.7000,120.2500, 0.0000, 0.0000, 0.0000, 4.9000, 58562, 29.9667,121.7500, 0.0000, 0.0000, 0.0000, 0.9000]);> lat:=col(l,2);> lon:=col(l,3); > sd1:=col(l,4);> sd2:=col(l,5); > sd3:=col(l,6); > sd4:=col(l,7);> abc1:=seq([lat[i],lon[i],sd1[i]],i=1..91);> abc2:=seq([lat[i],lon[i],sd2[i]],i=1..91);> abc3:=seq([lat[i],lon[i],sd3[i]],i=1..91);> abc4:=seq([lat[i],lon[i],sd4[i]],i=1..91);> with(plots):> pointplot3d([abc1],color=green,axes=boxed);> surfdata([abc1],labels=["x","y","z"],axes=boxed);> with(stats):> with(fit):> with(plots):fx1:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc1]);> plot3d(fx1,x=25..35,y=119..135);> pointplot3d([abc2],color=blue,axes=boxed);> surfdata([abc2],labels=["x","y","z"],axes=boxed);>fx2:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc2]);> plot3d(fx2,x=25..35,y=119..135);> pointplot3d([abc3],color=red,axes=boxed)> surfdata([abc3],labels=["x","y","z"],axes=boxed);>fx3:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc3]);> surfdata([abc4],labels=["x","y","z"],axes=boxed);>fx4:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc4]);五.如何在评价方法中考虑公众感受的数学模型建立.1660.1 2.5 2.666.11212.12525.16060.1z } 1.00 {0≤≤=z z R } 5.21.0 {1≤≤=z z R } 66.2 {2≤≤=z z R } 121.6 {3≤≤=z z R } 251.12 {4≤≤=z z R } 601.25 {5≤≤=z z R } 1.60 {6≥=z z R 0ˆR 1ˆR 2ˆR 3ˆR 4ˆR 5ˆR 6ˆR } 1)( {ˆ000R z z z R ∈≤=，μ} 1)( {ˆ111R z z z R ∈≤=，μ} 1)( {ˆ222R z z z R ∈≤=，μ } 1)( {ˆ333R z z z R ∈≤=，μ} 1)( {ˆ444R z z z R ∈≤=，μ} 1)( {ˆ555R z z z R ∈≤=，μ } 1)( {ˆ666R z z z R ∈≤=，μ)(z i μ i 1z ∈i R i R )(z i μ i 16i R ˆ i 1 2)(z i μ i 1⎩⎨⎧≤<+-≤≤=1.006.0 , 5.22506.00, 1)(0z z z z μ)(1z μ] 2369277587.0e [2369277587.0112)3.1(----z 5.21.0≤≤z )(2z μ] 20555762126.0e [20555762126.0112)3.4(----z 66.2≤≤z)(3z μ] 2287787270.0e [2287787270.0119.5)05.9(2----z 121.6≤≤z )(4z μ] 70397557815.0e[70397557815.0119.12)55.18(2----z 251.12≤≤z)(5z μ] 00475951221.0e[00475951221.011100)55.42(2----z 601.25≤≤z)(6z μ2)]5.60(5 [11--+z 1.60≥z 74)(z i μ及iR ˆ i =0，1，…,6合并可得} 0 {≥=z z R 上的模糊集合} , 1)( {ˆR z z z R∈≤=μ.其中R 是论域,)(z μ是模糊集合R ˆ的隶属函数，由)(z i μ分段合)(z μ小雨的隶属函数图特大暴雨隶属函数图大暴雨隶属函数图暴雨隶属函数图⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧>≤<≤<≤<≤<≤<≤≤=60)(6025)(2512)(126)(65.2)(5.21.0)(1.00)()(6543210z z z z z z z z z z z z z z t μμμμμμμμ 5 353⨯47imnkZ ~)(z μ53⨯47=M mnk⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111..................μμμμμμ=M imnk~⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111~...~~............~...~~μμμμμμi ),(y x Z =i mnk ∏∆mnk M =M i mnk~⎪⎪⎪⎪⎭⎫ ⎝⎛⨯⨯⨯⨯⨯⨯i i i i i i 47532531534712111..................λλλλλλ 6imnkΓ∆∑∑=⨯=⨯4712531)(47531j i j i i λ i Ω∆∑=16411641i imnkΓ 8 i 2i i i mnk ∏5347imnk Γi mnk ∏i Ω411Ω2Ω 1Ω2Ω1D 2D19811999。

对不同雨量预报方法评价的数学模型

雨量 R 1i R 2i R 1 0 0 0 2 011 0 0 0 3 0 0 0 4 0 0 0 5 0 0 0 6 011 0 0 0 7 0 0 0 8 0 0 0 0 0 0 0 9 10
10 1 10 2 1 6 R2 6 ( R1i - x ) 2 = 759126; R 1= 2= i = 1 i n n =1 2 ( R2i - x ) = 62124;
# 19 #
3 1 36 5 1 93 13101 11 44 3124 0176 8104 2125 0 1 74 3 1 11 3 1 39 5 1 66 10191 11 45 3122 0177 7170 2125 0 1 76 3 1 42 4 10 41 5 313 218 311 217 215 6 12 1 3 13
2 2 因为 | x - x - x 2| , 且 R 1| > | x 1 > R2
所以第二种预测方法比较的准确。表- 4 第四时段两种方法选取的各站点的预报量以及实测量雨量
雨量 R 1i R 2i R 1 2 3 4 5 6 7 8 9 10
0182 11 1 71 1 1 71 3 1 43 6 1 48 71 58 61 47 5184 7147 4132 1104 11 1 05 1 1 79 3 1 47 6 1 58 71 83 61 47 5174 6197 4139 2 7 17 7 11 5 16 61 8 718 515 山
467001; 467001)
2. 平顶山工学院, 河南摘
要: 本文采用网格距离加权法对一些观测点计算了雨量的预报值, 并对两种不同的方法下
的预报值进行了科学合理的评价。关键词: 网格; 雨量预报 ; 评价中图分类号: O29 文献标识码 : A 文章编号: 1671- 380X ( 2006) 02- 0018- 02 Abstract: This article used the grid to calculate the rainfall forecast value from the method of weight ing to some observa tion points, and has carried on the science reasonable appraisal to two different method forecast values1 Keywords: grid; rainfall forecast; appraisal 1 引言雨量预报对农业生产和城市工作和生活有重要行距和列距, 根据测点的坐标就可以确定该测点在第几行、第几列的方格内。由于网格点将按 53 @ 47 等距分布, 所以每一个网格的长度和宽度按下式计算 : x max - x min ; 52 y max - y min vy = ; 46 从存放网格点坐标的文件中我们能看到各网格点经纬度 , 其中 vx = x max = 35; x min = 28 ; y max = 124; y min = 117 x max - x min 35- 28 = = 0113; 52 52 y max - y min 124- 117 = = 0115; 46 46 vx = vy =

雨量预报方法的评价模型

雨量预报方法的评价摘要雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量做出预报是一个很困难的问题，广受世界各国关注。

我国某地气象台和气象研究所正在研究6小时雨量预报方法，由于受到学科发展水平的限制，目前国内外降雨数值预报水平还不高.为了使预报方法更为准确，使天气预报更好的服务于公众生活，我们用数学模型来分析研究这一问题.文中我们建立了比较两种预测降雨量方法优劣的数学模型.即根据2491个网格点的纬度、经度和降水量的预测值，采用二维插值的方式，分别对91个观测站点的降雨量进行预测，利用Matlab 软件中的griddata 函数：ij r =griddata ),,1,1,1(y x z y x ij m =griddata ),,2,1,1(y x z y x然后将其与实测值对比，求出预测值与实际值之间的误差，利用Matlab 软件中的矩阵范数函数normN1=PA -2=norm(P A -)=405.3782，N2=2P B -=norm(P B -)=416.1976根据范数的含义,所得范数越小，即误差越小.因为有N1<N2，故可得出结论：第一种方法比第二种方法预测雨量的准确性更高.为了解决如何在评价方法中考虑公众的感受的问题，我们将第一题中通过二维插值得到的91个气象站41天的预测值用分级形式输出，即无雨、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨.将两种方法输出的雨量预报情况与实际降雨量情况进行比较，111P A H -= 112P B H -=统计出每种方法准确预报、空报、漏报的次数，误报次数越少的，对应的方法准确性应越高，公众对其可信度越高.程序运算结果得到：预测值等于实测值代表观测站点预报准确，预测值大于实测值代表观测站点空报的次数或对天气状况预测过于恶劣，预测值小于实测值代表观测站点漏报的次数或对天气恶劣状况估计不足.得到两种预测方法的准确率分别为80.7625%，79.8780%.可见运用第一种方法时，误报的次数较少，准确率较高，故第一种方法较好. 为了使雨量预报方法准确性更高，适用范围更广，我们给出了改进建议.一、问题重述雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量做出预报是一个很困难的问题，广受世界各国关注.我国某地气象台和气象研究所正在研究6小时雨量预报方法，即每天晚上20点预报从21点开始的4个时段（21点至次日3点，次日3点至9点，9点至15点，15点至21点）在某些位置的雨量，这些位置位于东经120度、北纬32度附近的53×47的等距网格点上.同时设立91个观测站点实测这些时段的实际雨量，由于各种条件的限制，站点的设置是不均匀的.气象部门希望建立一种科学评价预报方法好坏的数学模型与方法.气象部门提供了41天的用两种不同方法的预报数据和相应的实测数据.雨量用毫米做单位，小于0.1毫米视为无雨.(1)请建立数学模型来评价两种6小时雨量预报方法的准确性；(2)气象部门将6小时降雨量分为6等：0.1-2.5毫米为小雨，2.6-6毫米为中雨，6.1-12毫米为大雨，12.1-25毫米为暴雨，25.1-60毫米为大暴雨，大于60.1毫米为特大暴雨.若按此分级向公众预报，如何在评价方法中考虑公众的感受？二、模型假设1.天气变化状况是局部连续的.2.各个观测站点设备及测量水平相同，不存在技术上的误差.三、符号约定1x——网格点的纬度构成的矩阵1y——网格点的经度构成的矩阵1z——采用第一种预测方法时，网格点处的降雨量预测值2z——采用第二种预测方法时，网格点处的降雨量预测值r——按照第一种预测方法，第i天，第j个时段的预测结果,是一个91维的列向量.ij(i=1,2……,41;j=1,2,3,4)m——按照第二种预测方法，第i天，第j个时段的预测结果，是一个91维的列向量.ij(i=1,2……,41;j=1,2,3,4)p——第l个气象站点在第j个时段降雨量的实测值lj(l=1,2……,91;j=1,2,3,4)四、模型的建立与求解1.两种预测方法的优劣比较衡量一种降水量预测方法的优劣，依据就是由这种方法预报的天气状况能够准确的反映实际的天气变化.因此我们可以这样建立模型：将题目中给出的预测和实测两种数据导入Matlab 软件.lat ，lon 数据导入后作为两个矩阵的形式，代表网格点的相应位置；其余数据为相应网格点处降雨量的预测值.根据上述对应关系，我们可以对已经给出的预测值采用二维插值的方式，找出它们之间的关系:),(y x f z =,分别对91个观测站点的降雨量进行预测，然后将预测值与实测值对比；利用矩阵范数，得到预测值与实际值之间的误差，将这两个误差相比，误差小的，相应的预测方法就比较准确.算法步骤：以2002年6月18日第一时段为例. 第一步，题目中给出了两种不同的预报方法，按照这两种不同方法，对已知网格点的预测值进行二维插值，得到91个观测站点在这天的4个时段中的降雨量预测值.网格点及对应降雨量关系为纬度经度预测值实测值lat lon f6181_dis1 020618.six 的第四列----------第一种预测方法 lat lon f6181_dis2 020618.six 的第四列----------第二种预测方法取矩阵lat x =1，矩阵lon y =1，矩阵1z =f6181_dis1,观测站点的纬度为x ，经度为y ，各观测点的降雨量预测值z 与纬度、经度存在如下函数关系：),(y x f z = 利用Matlab 二维插值函数griddata ，即得观测站点降雨量预测值：11r =griddata ),,1,1,1(y x z y x11r 表示在第一天的第一时段，利用第一种预测方法，通过二维插值得到的91个观测站点降雨量的预测值.同理令lat x =1，lon y =1，2z =f6181_dis2，气象站的纬度为x ，经度为y ，得：11m =griddata ),,2,1,1(y x z y x11m 表示在第一天的第一时段，利用第二种预测方法，通过二维插值得到的91个观测站点降雨量的预测值.具体程序见程序附页. 将该过程用表格表示如表1下：表1将各观测站点降雨量的观测值与实测值进行比较，然后通过它们的误差来判别两种方法的优劣.同理，利用相同的方法可以得到91个站点在41天中4个时段的预测值（共414⨯个91维列向量），即11r ，12r ，13r ，14r ，21r …………411r ，412r ，413r ，414r （用第一种预测方法） 11m ，12m ，13m ，14m ，21m …………411m ，412m413m ，414m （用第二种预测方法）第二步，观测站点降雨量的预测值与实测值的比较.按照时段的不同，将上述插值结果写为一个4)4191(⨯⨯的矩阵，其中行数表示天数，列数表示四个不同时间段,即⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=4,413,412,411,412423222114131211r r r r r r r r r r r r A , ⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=4,413,412,411,412423222114131211m m m m m m m m m m m m B将6月18日的实测数据中的4个时段观测值写为以下矩阵：⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=4,913,912,911,9124232221141312111p p p p p p p p p p p p P 按照同样的方式，则41天的全部实测数据写为：⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯=4121P P P P ，P 为4)4191(⨯⨯的矩阵求两种方法的预测值与实测值之间的矩阵范数P A -2和2P B -，即预测值与实测值之间的误差.利用Matlab 软件中的矩阵范数函数norm 求其2-范数:第一种预测方法的2-范数：N1=norm(P A -) 第二种预测方法的2-范数：N2=norm(P B -) 运算后得到：N1=405.3782N2=416.1976范数越小，即误差越小.因为有N1<N2，故可得出结论：第一种方法比第二种方法预测雨量的准确性更高. 2．在评价方法中考虑公众的感受气象因素在人们的生产生活中有着重要的影响.在生产活动中，农民只有按照天气变化规律选择作物的种植，才能获得丰收；工厂商家只有对天气状况充分估计，才能减少不必要的损失，降低成本，最大程度的获得经济效益.在人的日常生活里，天气状况更是影响着人们的身体健康和工作出行.作为一项服务工作，预测方法只有符合实际天气状况、具有更高的准确率时，才能更符合公众的需要，使人们能够面对恶劣天气，及时采取有效措施.由题意可知，气象部门将6小时降雨量分为6等，将其赋值如下： 0——不下雨1——0.1-2.5毫米为小雨 2——2.6-6毫米为中雨 3——6.1-12毫米为大雨 4——12.1-25毫米为暴雨 5——25.1-60毫米为大暴雨 6——大于60.1毫米为特大暴雨算法思想：利用C++程序（见程序页），对第一题中两种方法分别得到的预测值进行处理，按照给定分级输出,即如下转化方式⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=4,413,412,414,412423222114131211r r r r r r r r r r r r A →⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=14,4113,4112,4114,411241231221211141131121111r r r r r r r r r r r r A 1ijr 为91维列向量，其各项取值为0，1，2，3，4，5，6⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=4,413,412,411,412423222114131211m m m m m m m m m m m m B ⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯=→14,4113,4112,4111,411241231221211141131121111m m m m m m m m m m m m B 1ijm 为91维列向量，其各项取值为0，1，2，3，4，5，6⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯=4121P P P P →⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡⋯=14112111P PP P1i P 中各个元素的取值为0，1，2，3，4，5，6算法步骤：同样，以2002年6月18日第一时段为例，调用程序，将第一天四个时段的所有插值结果运行后输出，转化后的结果为：⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=11411311211111r r r r A ⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=11411311211111m m m m B ⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡⋯=14112111P P P P 同理可得到41天的转化输出结果.令111P A H -= 112P B H -=在程序中加入计数器，使用累加的方式，将1H ，2H 中不为零的元素个数输出，结果如下：表2预测值等于实测值代表观测站点预报准确；预测值大于实测值代表观测站点空报的次数或对天气状况预测过于恶劣；预测值小于实测值代表观测站点漏报的次数或对天气恶劣状况估计不足. 令39524761+=n =2871，45125522+=n =3003则1n ,2n 就代表分别采用两种方法时，各自误报的次数.同时可以得到两种预测方法的准确率分别为80.7625%，79.8780%.可见运用第一种方法时，误报的次数较少，准确率较高，故第一种方法较好.五、模型优化与改进在本题中，采集的数据点集中于东经120度、北纬32度的地区，同时气象观测站的设置也是不均匀的，因此容易出现以下缺点：1.仅在这一地区的天气预报中可以比较出所给出的两种方法的优劣，而没有充分的依据证明比较准确的方法在更大面积上的适用性.2.气象站设置不均匀，使得给出的实测数据分布并不均匀，在插值时会导致某些点偏离过大，不适合总体评价时使用，浪费财力物力.3.在夏季一些天气变化迅速的季节，天气状况值只在很小范围内具有连续性，这时预测方法不再适用.模型改进：1.将预测工作比较合理的分配给各气象预测站点，每个气象预测站点在该站点周围地区均匀设施测量点，这样在插值逼近的时候既能全面涉及较大地区，又能充分利用所测数据；或者利用卫星云图，根据卫星云图上云带的位置、强度、移动及发展情况，结合天气形势，直接预报降水等级，减少计算误差.2.本题研究6小时预报方法，6小时滚动预报因为没有对应可靠的数值预报产品及14h、02h常规高空资料，因此参考资料以卫星云图为主，综合考虑实况雨量、常规天气资料，进行人工经验外推制作.六、参考文献[1] 陈公宁，沈嘉骥，计算方法导引，北京：北师大出版社，2000.1[2] 谢兆鸿，范正森，王艮远，数学建模技术，北京：中国水利水电出版社，2003[3] 王沫然，MATLAB与科学计算，北京：电子工业出版社，2003.9[4] 姜启源，谢金星，叶俊，数学模型，北京：高等教育出版社，2003.8[5] 安康气象，中短期天气预报质量检验办法，，2005.9.17[6] 中国知网，三峡工程明渠截流设计洪水分析，，2005.9.18程序页二维插值在Matlab软件中的程序：x1=lat;y1=lon;z1=f6181_dis1;z2=f6181_dis2;s=A020618;x=s(:,2);y=s(:,3);r1=griddata(x1,y1,z1,x,y)r2=griddata(x1,y1,z2,x,y)测量值与降雨量分级的转化程序（C++语言）#include"iostream"#include"fstream"using namespace std;int main(){ifstream indate1;ofstream outdate1;indate1.open ("chazhi1.txt");outdate1.open ("result11.txt");cout<<"降雨量分七个等级，小于0.1的为0级，无雨；大于0.1且小于2.5的为1级，小雨；大于2.6且小于6的为2级，中雨；大于6.1且小于12的为3级，大雨；";cout<<"大于12.1且小于25的为4级，暴雨;大于25.1且小于60的为5级，大暴雨;大于60.1的为6级，特大暴雨。

雨量预报方法评价的数学模型

雨量预报方法评价的数学模型
吴福珍;丁巍
【期刊名称】《浙江水利水电专科学校学报》
【年(卷),期】2006(018)003
【摘要】首先使用高斯权重插值法,借助数学工具获取实测点处的预报数据;再使用分布特征的降水定量评分方法来评价两种预报方法的准确度,并使用数学工具作出两种预报方法优劣对比的图像.在公众对预报的感受方面,提出了满意度的分析方法,从而量化了公众的主观感受.综合两种不同的评价体系,都可以得到第一种预报方法比第二种预报方法更精确的结论.
【总页数】3页(P53-55)
【作者】吴福珍;丁巍
【作者单位】浙江水利水电专科学校,浙江,杭州,310018;浙江水利水电专科学校,浙江,杭州,310018
【正文语种】中文
【中图分类】P49;Q242
【相关文献】
1.基于人工神经网络和二维插值的雨量预报方法评价模型 [J], 周晓康;李延明;张杰
2.对不同雨量预报方法评价的数学模型 [J], 陈方;宋学敏
3.雨量预报方法评价模型 [J], 胡克满;王平尧;宣平
4.基于雨量预报评价的数学模型 [J], 王庆
5.雨量预报方法的数学模型研究 [J], 马金凤;李斌;郭瑞
因版权原因，仅展示原文概要，查看原文内容请购买。

雨量预报方法的评价模型(全国获奖论文)

雨量预报方法的评价模型摘要本文建立了一个关于雨量预报方法的评估模型。

首先，通过对给定的大量数据（预报数据和实测数据）进行统计画图分析，得出了散点图。

然后分别对两种不同方法预报的41天中每天4个时段各等距网格点的雨量数据进行处理和分析。

在可接受的度数差范围内搜索与各个观测站点距离最近的网格点，按从小到大排序后取其最小的4个网格点，再根据欧氏距离倒数加权的方法对它们赋权重，取出4个网格点对应的雨量，分别与各自的权重相乘，累加得到的值来预测相对应观测站点的雨量。

对得到的观测站点的预测雨量进行两种方法的分析，方法一：将预测雨量与实测雨量求偏差率，并对所有偏差率求出一个偏差率的算术平方根，作为评价准确性的指数，从而得到第一种雨量预报方法的准确性的指数为102.8755，第二种雨量预报方法的准确性的指数为726.6841；方法二：将预测雨量与实测雨量分别转化为对应的级别（如雨量在区间0.1——2.5为1级），用同级率比较法将它们作比较，从而得到第一种雨量预报方法的同级率为73.9346% ，第二种雨量预报方法的同级率为70.9662% 。

本文利用数学软件Matlab很好地实现了编程模拟计算，并结合实际测得的数据得出了雨量预报方法的同级率，很好地指导了人们的生活与工作。

关键词：（预报、实测、网格点、同级率）（一）问题的重述与分析1、问题的重述随着气象事业现代化建设的快速发展，雨量预报对指导农业生产和城市工作和生活有重要作用，但如何准确、及时地对雨量作出预报是一个十分困难的问题，近年来，随着社会经济的不断发展，预报方法对于提高气象服务水平，增强防灾减灾能力具有重要意义，因此，广受世界各国关注。

雨量预报方法的评价模型5

雨量预报方法的评价模型吴　钢,余思维,唐碧艳(中央民族大学经济学院,北京　100081)摘　要:　本文利用夹角余弦计算客观性权重,用线性加权公式计算总评价值,建立了雨量预测方法优劣的评价模型,并对两种雨量预测方案进行了综合评价.关键词:　夹角余弦;线性加权;损失度;Matlab中图分类号:O242;O29 文献标识码:A 文章编号:100528036(2006)0420346205收稿日期:2005211201作者简介:吴钢(1985-),男(苗族),湖南怀化人.中央民族大学经济学院国际经济与贸易系2003级本科生.该论文获得2005年全国大学生数学建模与计算机应用竞赛乙组全国二等奖,由数学与计算机科学学院教师培训和指导.1　问题的提出与分析雨量预报对农业生产和城市工作和生活有重要作用,但准确、及时地对雨量做出预报是一个十分困难的问题,备受世界各国关注.我国某地气象台和气象研究所研究了6小时雨量预报方法,即每天晚上20点预报从21点开始的4个时段(21点到次日3点,次日3点到9点,9点到15点,15点至21点)在某些位置的雨量,这些位置位于东经120度,北纬32度附近的53347的等距网格点上同时设立91个不均匀的观测站点实测这些时段的实际雨量.气象部门提供了用两种不同方法的预报数据和相应的实测数据.根据要求,我们对雨量预测的两种不同方法建立数学模型,具体要求如下:(1)建立数学模型评价两种6小时雨量预报方法的准确性;(2)气象部门将6小时降雨量分为6等:011-215毫米为小雨,216-6毫米为中雨,611-12毫米为大雨,1211-25毫米为暴雨,2511-60毫米为大暴雨,大于6011毫米为特大暴雨.若按此分级向公众预报,如何在评价方法中考虑公众的感受?根据气象部门提供的网格点和站点位置的经纬度,可知该地区大致位于我国浙江杭州到江苏盐城,安徽合肥到上海沿海的区域内[1～2](如图1),时间为6月中旬至7月底,正值该地区的梅雨时期.我们根据站点(星号)与网格点(蓝点)的经纬度用MAT LAB 软件算出各点二维平面图(图2),不难看,出该地区的地形因素是造成站点设置不均匀的主要原因.算出对于各站点的两种不同方法的预测数据的综合评价指标,使得网格点的数据和各站点的数据能够比较,对于两者的精确度,可以进行模拟投票,比较出两种方法的优劣;对于问题(2),我们对降雨量的七个等级进行数值转换,即晴天为0,小雨为1,中雨为2,以此类推,相应的也将各预测数据和预报数据进行数值转化,并引入损失度,再将二者进行比较,得出优劣度.2006年11月第15卷　第4期中央民族大学学报(自然科学版)Journal of the CUN (Natural Sciences Edition )N ov.2006V ol.15　N o.4图1　预报目标区域图Fig.1　The observed Area2　基本假设211　为建立模型所做的基本假设(1)各个站点所得的实际数据都是精确的;(2)各点间的地理距离理想化为在二维平面距离;图2　站点与网格点二维平面图Fig.2　Ichnograph of the position and grid(3)纬度相差一单位的距离与经度相差一单位的距离在二维平面上相等212　数学符号说明W c　代表某站点的有效范围内各网格点的综合测量值与实际值之间的误差Z c　代表各网格点的预测降雨量Zs　各站点的实测雨量X c　网格点的横坐标Xs　站点的横坐标yc　网格点的纵坐标ys　站点的纵坐标pc　站点预测与实测差距给公众带来的综合损失度f　预测方法最后的评价结果743　第4期吴钢等:雨量预报方法的评价模型q 各网格点对站点的权重3　问题1的模型建立与求解311　有效站点的确定本文定义有效范围是实测站点能够有效地测定的范围.确定站点有效影响范围,找到该范围内的网格点.有效范围是以该站点为中心以r 为半径的圆,其中r 的计算公式为:r =dmin +012其中dmin 表示与该站点最近的网格点到该站点的距离;用dmin 加一个数是为了保证该站点有效范围内有网格点;012是全部网格点间的最小距离和最大距离的平方和的开方(小数点后取一位有效数字),加上这样一个数可保证有效范围内网格点数量比较均匀.312　站点雨量预测值的确定处理该范围内网格点的预测数据,将其与该站点的实测数据进行比较,可以得到一个站点雨量预测的误差.考虑到该站点有效影响范围内网格点的个数不同且到该站点的距离也不同,我们通过各网格点到站点的距离计算出其对站点的权重,使距离越近的点权重越大,其计算公式为:q k =1(x ck -x s )2+(y ck -y s )2+01001∑n k =11(x ck -x s )2+(y ck -y s )2+01001这里∑n k -=1q k =1;在此基础上,求出该站点有效范围内网格点的预测数据与站点相应的实测数据的综合误差:w =∑nk =1|Z ck -Z s |×q k 其中n 表示该站点有效范围内网格点的个数.313　雨量预测方法综合评价模型的建立和求解31311　构造误差矩阵通过一天的4时段91站点的有效范围内网格点的预测数据与站点相应的实测数据的综合误差构成矩阵W =(w ij )94×4,w ij 为一天中第i 个站点第j 个时段的w 值.31312　确定该天各站点的两个相对偏差矩阵U =(u ij )91×4;V =(v ij )91×4;其中u ij =max j w ij -w ijmax j w ij -min j w ij;v ij =w ij -min j w ijmax j w ij -min jw ij 31313　计算U ,V 的对应列向量的夹角余弦得出初始权重(即未归一化的权重).归一化后得到客观性权重qz 1×4,它表示该天4个时段的客观性权重.31314　建立成本型矩阵F =B 3qz TB =(b ij )94×4;b ij =w ij Πmax w ij j31315　算出综合评价值f =∑F843中央民族大学学报(自然科学版)第15卷　我们对6月的数据(6月18日到6月28日)进行计算,结果可用Matlab 求得.f 1=7611679;　f 2=771371;　f 1<f 2,所以认为第一种预报6小时雨量的方法更为准确;31316　模型检验本文采用虚拟投票法对模型结果进行检验,虚拟各站点每天每时段都有工作人员根据站点实测数据与有效影响范围内网格点的预测数据对两方法进行投票,投票遵循的原则是投数据最接近的方法,如两者一样则对两方法都投票.用Matlab 进行模拟[3]6月(6月18日到6月28日)的情况,结果是: 方法一 2079票方法二 1925票可见方法一的确比方法二更优,问题一种的综合评价指标是合理的符合实际的.4　问题2的模型建立与求解411　原始数据转换与等级比较按照气象部门的降雨量等级划分,将原始数据都转换为相应的等级;转换遵循的原则为:Z =0z <011;1011≤z <216;2216≤z <6.1;3 6.1≤z <1211;41211≤z <25.1;525.1≤z <25.1;6z ≥6011; 在问题一模型的基础上,处理有效范围内网格点的预测等级,将其与该站点实等级进行比较,结果为:p =Z c -Z S412　损失度的计算引入气象预报错会给公众带来的损失度作为评价标准来考虑公众的感受,为此将p 值转换为损失度,转换原则如下:p =-2pp <0p p >=0 该站点预测与实测差距给公众带来的综合损失度:pc =∑nk =1p k ×1(x ck -x s )2+(y ck -y s )2+01001∑nk =11(x ck -x s )2+(y ck -y s )2+01001413　评价模型的确定直接引入问题一模型中各天时段的权重qz ,通过某一天的4时段91站点的有效范围内网格点的预测等级与站点相应的实测等级的综合损失度构成的矩阵PC =(pc ij )94×4可直接建立成本型矩阵并算出综合评价值,F =B 3qz T其中B =(b ij )94×4;b ij =pc ij Πmax pc ij j ;f =∑F943　第4期吴钢等:雨量预报方法的评价模型053中央民族大学学报(自然科学版)第15卷　我们对6月的数据(6月18日到6月28日)进行计算,结果可用Matlab[4]求得:f1=9715925;f2=99911504;f1<f2,所以认为第一种预报6小时雨量的方法更为准确:414　模型检验虚拟各站点每天每时段都有公众根据站点实测等级与有效影响范围内网格点的预测等级对两方法进行投票,投票遵循的原则是采取选投损失度最小的方法,如两者一样则弃权.用Matlab进行模拟6月(6月18日到6月28日)的情况,结果是: 方法一 613票方法二 526票可见方法一的确比方法二更优,在考虑公众感受的情况下,用我们的模型依旧可以保证其稳定有效性.5　小结 (1)在模型的建立过程中,我们参考了大量有关地理知识的书籍和网站,因此我们的信息更广泛更准确;在对大量数据的处理方面,我们编写的程序简单,同时借助Matlab软件,因此程序运行速度快,可操作性强,能处理庞大的数据,模型易推广.(2)在模型假设中,我们假设各站点与被测点之间的地理距离理想化为在二维平面坐标图上的距离,且纬度相差一单位的实际距离与经度相差一单位的实际距离相等,虽然与实际情况有所差别,可能使结果不够精确,但并不影响评价结果.参考文献:[1]　王建国.中国地图册[M].成都:成都地图出版社,20031[2]　互联网三维地图[DBΠO L].http:ΠΠw w w1mapok1com,2005-09-161[3]　胡守信,李伯年.基于M AT LAB的数学实验[M].北京:科学出版社,20041[4]　帕特-安纳德,斯尤泊格.The M AT LAB5Handbook[M].北京:机械工业出版社,20001The Evaluation Model of the R ainfall Forecast MethodsWU G ang,Y U Si-wei,T ANG Bi-yan(Economic College,Central Univer sity for Nationalities,Beijing100081,China)Abstract:This paper uses the Cape cosine to calculate the objective weight,then uses Linear weighted formula to com pute the total evaluation value.The evaluation m odel of the rainfall forecast methods is established,s o we can obtain tw o rain fall forecasts for the integrated program evaluation.K ey w ords:clip the cape cosine;linear weighted;loss degree;Matlab[责任编辑:杨　玉]。

雨量预报方法的评价模型

文章编号:1671-3354(2008)06-0001-05收稿日期:2008-09-24作者简介:雒　征,女,工程师。

雨量预报方法的评价模型雒　征,蒋昕昊(武汉大学水利水电学院,湖北武汉　430072)摘要:建立的雨量预报方法预报水平评价模型,包括预报方法的准确性评价模型和考虑公众感受的评分模型。

准确性评价模型包括雨量预报方法的预报水平的整体评价指标,以及针对不同预报时段、预报等级和站点的分项评价指标,公众感受评分模型基于公众对预报偏差的心理感受特点对预报水平给出评分。

通过降雨空间插值方法由网格点的雨量预报值得到观测站点的预报值,应用所建立的指标对给定区域的91个站点41d 的雨量实测值和两种预报方法的预报值进行了分析和评价。

关键词:雨量预报;预报方法;评价模型中图分类号:P332.1 文献标志码:AEvaluation model of precipitation forecasting methodsLUO Zheng ,J I ANG X inhao(School of Water Res ources and Hydropower ,Wuhan University ,Wuhan 430072,China )Abstract :An evaluation m odel of precipitation forecasting methods is proposed.This m odel includes the forecasting veracity e 2valuation m odel and the score evaluation m odel in consideration of public acceptance.The former includes the integral evalua 2tion index and the sub 2entry indexes of different forecasting periods ,grades and precipitation stations ;the latter is set up on the public psychological acceptance about the forecasting errors.The forecasting value of each precipitation station is derived from the forecasting value of grid points by spatial interpolation.These derived indexes could be used to analyze and evaluate the observed precipitation of 41days of 91precipitation stations in given area and the forecating precipitation by tw o forecasting methods.K ey w ords :precipitation forecast ;forecasting method ;evaluation m odel 雨量预报对农业生产和人们的工作生活有十分重要的作用,及时、准确地预报会给经济发展和人们的生产、生活带来促进作用。

气象学中的天气预报模型及其应用

气象学中的天气预报模型及其应用天气预报是现代社会中重要的一项服务，随着科学技术的不断发展，天气预报的精确度和预报范围也在不断提高。

在现代气象学中，天气预报模型是一个重要的工具，它可以通过对大气环境的物理描述、数学模拟和程序模拟来预测天气现象。

本文将介绍气象学中的天气预报模型及其应用。

一、天气预报模型的原理天气预报模型根据数学模型对气象要素进行数值计算，以预测天气的变化。

大气物理学中的数学模型主要涉及大气动力学、大气热力学、大气化学等方面的知识。

天气预报模型是基于大气环境中各种变量之间的相互作用和非线性关系的数学模型。

对于天气预报模型而言，最关键的是如何对大气环境中的物理变量进行数值计算。

通常，大气物理学中的模型可以分为两种：1）基于直接动力学规律的模型，2）基于统计学规律的模型。

基于直接动力学规律的模型主要是建立在牛顿运动定律的基础上，通过对气体热力学性质的数值计算和方程求解来预测天气的变化。

而基于统计学规律的模型主要是通过对大气物理量的多元回归分析、主成分分析等统计方法来构建数学模型，以预测天气现象。

二、天气预报模型的种类目前，气象学中的天气预报模型种类繁多，根据其数学模型的不同，可以分为物理模型和统计模型两类。

物理模型的计算速度比较慢，但是能够对各种天气现象进行比较准确的预测。

而统计模型的计算速度快，但对于天气现象的描述没有物理模型那么准确。

1. 数值天气预报模型数值天气预报模型是目前天气预报中最常用的一种模型。

该模型是基于大气环境中各种物理变量之间相互作用和非线性关系的数学模型，通过对这些变量进行数值计算，从而对天气现象进行预测。

数值天气预报模型主要有几种类型：动力-统计模型、动力模型和统计模型。

动力-统计模型既考虑了物理变量的影响，同时也考虑了统计变量的影响。

动力模型主要关注大气物理变量之间的影响，这些变量包括温度、湿度、气压等。

而统计模型则主要基于多元回归分析等方法来进行天气预测，其精度一般比动力模型低。

基于雨量预报评价的数学模型

基于雨量预报评价的数学模型对气象部门雨量预报的误差进行了研究，给出了科学评价雨量预报方法的评价指标，建立了基于雨量预报评价的数学模型。

当要顾及公众对雨量预报的反应时，通过构造缩放函数来修正评价指标。

标签：雨量预报；误差；缩放函数0 引言雨量预报对农业生产和城市工作、生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，广受世界各国关注[1]。

气象部门一般通过设置观测站点，收集每天各个时段的雨量数据进行雨量预报。

考虑到观测站点设置时的各种限制，为了做出正确的预报，一种科学评价雨量预报方法的数学模型的建立显得格外重要。

进一步，气象部门将降雨量分为6等：小雨、中雨、大雨、暴雨、大暴雨、特大暴雨[1]，如何在评价指标中顾及公众对雨量预报的反应？1 问题分析为了评价雨量预报的准确性，首先将个观测站点投影到附近的个等距网格点上，然和对网格点的预报数据进行样条插值，以网格中包含该站点的四个格点到该站点的距离作为权重，得到观测站点上的雨量预报的加权平均值，最后用观测点上已有的雨量实测值进行比对，取绝对预报误差平方和作为评价准则，建立了一种科学评价雨量预报方法的数学模型。

进一步，气象部门将降雨量分为6等：小雨、中雨、大雨、暴雨、大暴雨、特大暴雨[1]，顾及公众对雨量预报的反应时，通过构造缩放函数，将观测点上的预报误差修正为等差，当预报与实测的等差越大，评价越差。

2 模型建立和求解2.1 雨量预报评价的数学模型首先，将个观测站点投影到相邻的个等间距的网格点上（如图1）。

2.1 分级预报的情形进一步，气象部门将降雨量分为6等，公众对雨量预报中漏报和误报的反应更加强烈。

为此，我们通过构造缩放函数将观测点上的预报误差修正为等差，将不同的等差进行缩放，当预报与实测的等差越大，评价越差。

其中为雨量等差绝对值，值越小，预报与实际越接近，缩放因子放大了突雨量预报中漏报和误报，更加考虑了公众的感受。

3 模型的总结和推广本文对气象部门雨量预报的误差进行了研究，给出了科学评价雨量预报方法的评价指标，建立了基于雨量预报评价的数学模型。

全国各城市暴雨强度公式的构建及模型评估

全国各城市暴雨强度公式的构建及模型评估暴雨是指降雨量超过一定阈值的强降雨过程，其强度对于城市的水资源调度、城市防汛和城市规划等方面具有重要意义。

为了准确预报和评估暴雨强度，构建适用于全国各城市的暴雨强度公式是至关重要的。

1. 引言暴雨强度的测算是城市防洪和城市规划的重要依据之一。

通过构建暴雨强度公式，可以预测未来短时暴雨的强度，并采取相应的措施来减轻城市洪水灾害的风险。

本文旨在探讨全国各城市暴雨强度公式的构建及模型评估。

2. 数据收集与分析为了构建全国各城市的暴雨强度公式，我们首先需要收集大量的降雨数据，并对数据进行分析。

通过收集全国各城市多年的气象数据，包括降雨量、降雨时长、降雨间隔等指标，可以得到较为全面的降雨信息，为后续建模提供基础。

3. 暴雨强度公式的构建在数据分析的基础上，我们可以采用统计分析的方法构建暴雨强度公式。

常见的方法包括指数分布、逐年逐日分析和极值分布等。

根据不同城市的气象特征和实际需求，选择合适的构建方法，建立适用于各城市的暴雨强度公式。

4. 暴雨强度模型的评估构建暴雨强度公式后，需要进行模型的评估，以验证模型的准确性和可靠性。

评估方法可以包括拟合优度检验、误差分析、均方根误差等指标。

通过对模型进行评估，可以确定模型的适用范围和精度。

5. 实例分析以某一城市为例，我们运用所构建的暴雨强度公式进行实例分析。

通过比对实际观测数据和模型预测结果，评估模型的准确性，并针对可能存在的误差进行分析。

在分析过程中，可以进一步优化模型，并为城市的防汛和规划提供更准确的暴雨强度预测信息。

6. 结论通过对全国各城市暴雨强度公式的构建及模型评估，可以为城市的防洪工作和规划提供科学依据。

构建准确可靠的暴雨强度公式有助于提高城市的防洪能力和减轻洪灾风险。

然而，暴雨强度的预测仍然存在一定的局限性，需要进一步的研究和改进。

本文基于全国各城市的气象数据，运用统计分析方法构建了适用于各城市的暴雨强度公式，并通过实例分析验证了模型的准确性。

雨量预报方法的评价模型

雨量预报方法的评价模型皮杰【摘要】目前雨量的预报主要是依靠统计预报方法,应用较多的有回归、相似等预报方法,这些方法的本质大多数属于线性的顺序处理技术.由于线性的顺序处理技术对复杂变化过程的拟合有较大的局限性,所以这些预报方法的准确率难以令人满意.因此,科学地对雨量进行准确的预测具有十分重要的意义.文章对此进行阐述.【期刊名称】《湖南水利水电》【年(卷),期】2011(000)003【总页数】2页(P42-43)【关键词】雨量预报;准确率;分析;评价模型【作者】皮杰【作者单位】津市市城市水利管理站,常德市,415000【正文语种】中文近年来，我国局部地方气象灾害较多，可谓是“散点多发，四面开花”，局部性强降雨造成的暴雨洪涝灾害严重，雨量预报对防汛抗灾以及农业生产有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题。

如何对雨量进行准确的预测是我们所要研究的内容。

1 问题的分析雨量预报方法的好坏直接影响到预报结果的准确程度，从而在一定程度上影响了人们的日常生活和工作。

因此怎样检验预报方法的准确度是我们要解决的问题,我们以某气象部门提供的41天的6h雨量预报作为样本，即每天晚上20点预报从21点开始的4个时段（21点至次日3点，次日3点至9点，9点至15点，15点至21点）在某些位置的雨量，这些位置位于东经120°、北纬32°附近的53×47的等距网格点上。

同时设立91个观测站点实测这些时段的实际雨量，来判断雨量预报方法的准确性。

由于此题所给的数据相当大，计算起来较麻烦，所以首先我们对数据做了压缩，由于只有91个实测值，所以我们把2491个要预报雨量的网格点向91个观测站点进行转化，可以用k—NN方法，二维插值法等。

在处理数据k时，我们可以运用以下方法：（1）正三角形标准，求出正三角形顶点处的3个点，正三角形内部和三条边上的点，再根据实际情况取适当的边长。

（2）以正方形为标准：求出正方形顶点处的4个点。

雨量预测

雨量预测的数学模型摘要本文拟采用灰色GM (1 , 1) 模型对降雨量进行预测, 进而采用Markov 链修正, 建立降雨量预测模型。

再建立模糊综合评价模型来评估预测模型。

问题一、将已知的降雨量组成一灰色系统, 利用灰色GM (1 , 1) 模型建立降雨量的预测理论模型。

灰色GM (1 , 1) 模型主要用于时间短、数据少、波动小的预测问题。

它要求预测的数据序列的几何图形呈单调递增或递减, 因而对随机波动性较大的数据序列拟合性较差, 故预测精度也低; 而Markov 链预报的对象为一随机变化的动态系统, 它主要是根据研究对象的不同状态之间的概率转移来推测系统的未来发展变化。

转化概率反映了各种随机因素的影响程度, 因而Markov 链适合随机波动大的预报问题。

在这一点上它恰好弥补了GM (1 , 1) 模型的局限性。

由于降雨量的预报问题为随时间变化而呈某种变化趋势的非平稳随机过程, 并受各种随机因素的影响, 因此灰色GM (1 , 1) 对降雨量的预测结果总是要围绕某一变化趋势产生偏差、跳跃、摆动。

因此在灰色预测的基础上, 与Markov 链耦合建立了修正降雨量的理论预测模型。

问题二、若按等级雨量预报，考虑公众的满意度，我们建立如下模糊综合评价模型：i i i B A R =，其中i A =（12,,a a …，7a ），i R =111221227172r r r r r r ⎛⎫⎪⎪ ⎪ ⎪⎝⎭，E H B = ，并结合我市气象局有经验的专家进行评估赋值，通过计算得出如下结论：公众对有雨、无雨满意度比较好，对大雨量等级预报满意度比较低。

应用我们所建立的模型分析计算得出，对雨量等级预报相当准确，但对大雨量等级预报方面存在较大的误差，并且等级越大，误差越大，说明这两种方法在大雨量等级预报准确率上有待进一步提高。

关键词:灰色GM (1 , 1) 模型 Markov 链模糊综合评价模型一、问题重述雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，广受世界各国关注。

气象学中的天气预报模型和数据处理

气象学中的天气预报模型和数据处理天气预报在现代社会中扮演着重要的角色，对于农业、交通、旅游、航运等各行业的正常运转都有着不可或缺的作用。

而且，随着科技的发展，天气预报质量和准确度越来越高，对于人们的生活安全和社会稳定也有着至关重要的意义。

本文将介绍气象学中的天气预报模型和数据处理的相关知识。

一、天气预报模型为了能够准确地预报未来的天气情况，科学家们利用了大量的数据和统计分析手段，建立了不同的天气预报模型。

常用的天气预报模型主要有以下几种：1. 数值预报模型数值预报模型是利用数学模型对大气运动进行模拟，从而预测未来的天气情况。

这种模型需要大量的输入数据，包括气温、气压、湿度、风向、风速、降水量等气象参数。

利用计算机进行模拟后，可以得到未来数天内的天气趋势。

这种模型的预报精度比较高，但需要大量的计算资源和数据支持。

2. 统计模型统计模型是对历史天气数据进行统计分析，从而推断未来的天气。

这种模型主要基于概率论和数理统计理论，首先对历史气象数据进行分析，再进行概率计算和回归分析等统计方法，得出未来可能的天气情况。

由于这种模型只需要一定量的数据支持，所以比较容易实施，但预报精度比较低。

3. 经验模型经验模型是一种基于经验和规律的模型，是对气象学中的一些基本规律和经验的归纳总结。

例如，因为气压的变化会导致风的变化，所以可以对不同气压变化下风的变化进行总结，得出未来某个气压下的风向、风速和强度等。

这种模型的预报精度比较低，但需要的数据和计算资源比较少。

二、气象数据处理天气预报离不开大量的气象数据，这些数据需要进行采集、处理和分析，才能够对未来天气进行预报。

以下是气象数据处理的一些关键步骤：1. 数据采集气象数据来源于各种不同的气象仪器和测量设备，如风速风向仪、气压计、温度计、湿度计等。

这些设备可以实时采集气象数据，并通过卫星、传感器等方式传输到气象部门。

此外，还可以通过人工方式进行采集，如观测云层形态、降水状况等。

雨量预报方法准确性评价的数学模型

维普资讯
２００７年４月第ｌ卷第２１期
宁波职业技术学院学报
ＪｕａｏｎｂＰｌｔｈｉｏｒｌｆＮｉｇｏｏｙｅｎｃｎｃ
Ａｐｒ，２０７０Ｖ＿．１．０１１Ｎｏ２
中图分类号：２０９
文献标识码：Ａ
文章编号：６１２５（０７００２ — ４１７ — １３２０）２— ０３０
０引言
雨量预报对农业生产及城市工作和生活有重要作用，但准确、时地对雨量作出预报十分困难。及我国某地气象台和气象研究所正在研究６ｈ雨量预报
长与单位纬线长尺基本相等，且地球的弧度对其影响可忽略，因此，可近似看作平面坐标图。
将该区域的４个边缘点的经纬度进行坐标代换，
即横坐标为经度，纵坐标为纬度，从而建立了以
（８ｌ）（７６２）（５ｌ．）（４６２．）２，ｌ７，．，１４，，ｌ７３，．，１４９２３３
∑ ，
Ｊ１
（１２３ …，１，，，９； ≤２９）４１
８
５
实测点为圆心，用半径为２ｍ的标准圆来圈出预０ｋ测网格结点，标准圆中的点为对该实测点的预测有
影响的点，求出各重与距离呈正比，与实际情况不符，因此，
２０耳第２ ‘ ３。０７期２
维普资讯
宁波职业技术学院学报
／（
３
２
９
８
站预测的范围和观察范围是相同的。另外，由于我国地面气象监控站监控范围约为２ｍ…，０ｋ因此，以

雨量预报方法的评价模型

雨量预报方法的评价模型摘要雨量预报对农业生产和城市工作和生活有着重要作用，但因为准确、及时地对雨量作出预报是一个十分困难的问题，所以对预报方法的评价也尤为重要，这关系到公众的感受和对水文水资源的科学决策。

我们通过对在东经120度，北纬32度附近区域24小时的雨量预报及91个观测站所提供的实测数据，从近百万个数据进行筛选，通过对准确率、绝对误差、相对误差的数据分析，结合模糊数学中综合评价方法，并对问题中所提到的两种预报方法作出模糊评分。

问题1：采用模糊数学加权评分法。

分别对b (准确率), e （绝对误差），d （相对误差）进行计算，得到矩阵3u ，并把数据归一化，然后计算加权和1ni i i S w s ==∑对于公众来说，因比较注重准确率，通过计算得出模糊评分11F =87.07，21F =84.08，显然方法1比较好。

而对科研人员来说，应注重误差数据，改变权值后得出12F =71.96，22F =73.88，即对科研需要来说方法2较好。

问题2：若按等级雨量预报，考虑公众的满意度，我们建立如下模糊综合评价模型： i i i B A R =，其中i A =（12,,a a …，7a ），i R =111221227172r r r r r r ⎛⎫⎪ ⎪ ⎪ ⎪⎝⎭，E H B =，并结合我市气象局有经验的专家进行评估赋值，通过计算得出如下结论：公众对有雨、无雨满意度比较好，对大雨量等级预报满意度比较低。

1、问题重述雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，广受世界各国关注。

雨量预报方法的评价模型

雨量预报方法的评价模型
雨量预报方法评价模型这篇文章运用了两种方法：
最邻近点插值法和反距离加权平均法。

根据这两种方法结合已有数据分别对未来6小时内的雨量进行预测。

定义了
1、观测站A 第d天t时段预报绝对误差
2、91个观测站41天￡时段的预报绝对误差的均值
3、按时段分，第￡时段预报绝对误差的方差
4、满意度函数
客观地评价了预报的效果及满意度。

对方法的选择具有推荐作用，后再方法的评价中考虑到了不同级别雨量的误报会导致满意度的不同变化有了改进的目标。

在建模完成后发现由于数据大多取值在江苏、上海、浙江的沿海城市，这些位置夏季降雨量极不均匀，在这种情况下，最邻近点插值法效果较好但最邻近点插值法所用数据太少只适合做短期快速预测而反距离加权平均法要求数据较多适合做长期预测但就题目要求来说两种方法满意度均为95%以上所以就本题而言两种方法均可以。

（本题的满意度函数将满意度量化为0-1之间的小数构思巧妙便于区分算法效果）。

雨量预报评价模型

雨量预报方法的评价模型李泳，易勋，贺望香1. 问题分析雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题。

针对问题一，气象部门提供了41天实测数据并且希望建立数学模型来评价两种雨量预报方法的准确性。

通过分析数据可知，网格点数据代表的是53*47的网格点的预测雨量，而实测数据是以经纬度定位的观测点的实测雨量。

很显然无法对两个定位方式不同的数据进行插值。

所以我们选取与对应观测站点最近的5个网格点，通过计算网格点对对应观测站点的权重和网格点的预测雨量的乘积的和求出观测站点的预测雨量。

然后就可以通过对两种方法的预测雨量与实测雨量进行比较得出哪种方法更准确。

由于两种方法与实测雨量很相近，很难对比出两种方法的准确性，所以我们采用预报偏差率来比较两种6小时雨量预报方法的准确性。

2. 模型假设（1）观测站点之间距离的设置是不同的。

（2）雨量用毫米做单位，小于毫米视为无雨3. 符号说明d：表示第n个网格点到第i个观测站点的距离；(其中n=1,2,3,4,5; i=1-91) inin q ：表示与第i 个观测站点的距离最小的前5个网格点的权重；in f ：表示第i 个网格点分别在某月某日某个时段的雨量值；（其中n=1,2,3,4,5） ij y ：表示第i 个观测点第j 个时段的预测雨量值； ijs ：表示第i 个观测点第j 个时段的实测雨量值。

4. 模型的建立与求解首先，找出网格点与观测站点的散点图.从图中可以看出，观测站（红点）与网格点（蓝点）分布不均匀。

且观测站点分布在网格点中间部分。

筛选出每一个站点周围的5个距离观测站点最近的网格点。

5个网格点的选取通过先给定最大与最小值的范围，然后利用matlab 的find()函数找出符合筛选条件的全部点。

（见附录2）运用欧拉公式求出符合条件的5个网格点到观测站点的距离的集合，并对其进行从小到大排序。

欧拉距离公式：d = 运用欧拉的倒数加权法计算出5个网格点到观测站的权重[1]计算公式：()511,1,2,......91,1,2,3,4,51in i dq i n dij====∑计算观测点的雨量预测值，取得每一个5个网格某月某日某时段对应的预测雨量值乘以其对应的权重即等于各个观测点各个时段的预测雨量值ij y 。