《表5 不同天气类型下各模型预测误差分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《天文、气象环境因子与散射比关系的建模分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于数据样本量较大，将kT≥0.5范围内的样本数据进行K-均值聚类验证[17-18]，聚类数是3，对比交叉细分的方法，2种分类结果中样本的重复率大于80%，说明交叉细分方法有一定代表性且使用规则简便。根据图5，对于天气类型1-1、天气类型1-2、天气类型1-3，散射比与清晰度指数、能见度、总云量的相关性均较强，即此部分以这3种气象因子均一化数据作为输入，建立多变量线性回归模型（MLR）和LMBP神经网络模型[19-20]；对于天气类型2，清晰度指数和总云量对散射比的影响力较大，即此部分以这2种气象因子均一化数据作为输入，建立多变量线性回归模型和LMBP神经网络模型；对于天气类型3-4，以总云量均一化数据为自变量建立一元线性回归模型（SLR），所有模型训练样本与预测样本随机分配，比例为8∶2，运算结果见表5。由表5可知，基于新的天气类型划分后，线性模型可降低预测误差，但较智能算法效果差。线性模型预测天气类型3-4最优，预测天气类型1-1最差，可能仍与天气类型中复杂的气象因子含量有关。综合对比后发现，天气类型1-1、天气类型1-2、天气类型1-3和天气类型2为选择LMBP神经网络模型为最优模型，天气类型3-4以总云量为输入，模型效果改善明显。