基于数据仓库的气象干旱指标挖掘研究与实现

论文摘要

河南作为一个农业大省,干旱对经济,特别是农业生产的影响很大。干旱程度是对农作物生长形势研判的一个重要指标。在河南农业气象研究中,主要利用土壤相对湿度干旱指标来判定干旱程度。它是在测量土壤湿度后,计算相对湿度所得。目前,河南省气象部门测量土壤湿度是采用人工取土烘干称重的方法,工作量大,频次少,不利于对农作物生长形势的判定及农气研究。多年来,河南省气象部门积累了大量的气象观测数据。如何综合利用这些信息,进行土壤相对湿度判定,为河南农业发展服务,是气象服务工作中的一个急需解决的问题。本文对此进行了比较详细的研究与实践,主要研究内容和创新点如下:1.分析了国内外数据仓库、数据挖掘技术现状和河南气象档案业务发展情况,根据河南实际情况和本文干旱指标挖掘研究需要,设计并初步建设了河南气象数据仓库。2.研究土壤相对湿度干旱指标的估测方法,首次利用BP神经网络和RBF神经网络分别对该指标进行了挖掘,形成了土壤相对湿度干旱指标挖掘模型,并利用模型对河南干旱情况进行了评估。

论文目录

• 表目录
• 图目录
• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 数据挖掘介绍
• 1.2 项目背景情况
• 1.3 本人主要工作
• 1.4 论文的组织结构
• 第二章 数据仓库及数据挖掘技术
• 2.1 数据仓库概述
• 2.2 数据仓库体系结构
• 2.3 数据仓库的设计
• 2.4 数据仓库的实现
• 2.5 数据准备
• 2.6 联机分析处理
• 2.7 数据挖掘技术
• 2.8 小结
• 第三章 河南气象数据仓库的设计
• 3.1 气象业务系统及数据库应用简介
• 3.1.1 气象预报过程
• 3.1.2 气象数据库系统现状
• 3.1.3 河南气象观测数据保存现状及数据仓库建设需求
• 3.2 数据仓库设计基本过程
• 3.3 河南气象数据仓库设计
• 3.3.1 概念模型设计
• 3.3.2 逻辑模型设计
• 3.3.3 物理模型设计
• 3.4 河南气象数据仓库的初步实现
• 3.4.1 数据初步采集
• 3.4.2 数据部分的实现
• 3.4.3 多维数据集建设及数据展现
• 3.5 河南气象数据仓库更新策略简述
• 3.6 小结
• 第四章 基于数据仓库的干旱指标挖掘
• 4.1 人工神经网络简介
• 4.2 BP 神经网络
• 4.2.1 BP 神经网络模型
• 4.2.2 BP 算法中心思想
• 4.2.3 BP 神经网络输入输出公式
• 4.2.4 神经网络学习
• 4.3 RBF（径向基函数）神经网络
• 4.3.1 RBF 神经网络
• 4.3.2 RBF 神经网络工作原理
• 4.3.3 RBF 神经网络设计
• 4.4 神经网络专家系统
• 4.5 干旱概述及相关定义
• 4.5.1 干旱研究的重要性
• 4.5.2 土壤相对湿度干旱指数（ R ）
• 4.5.3 土壤相对湿度干旱指数计算方法
• 4.6 构建神经网络干旱评价模型
• 4.6.1 影响土壤湿度的因子确定
• 4.6.2 BP 网络结构的确定
• 4.6.3 RBF 网络的构建
• 4.7 应用神经网络的土壤干旱评价
• 4.7.1 训练数据的选择与归一化处理
• 4.7.2 BP 神经网络模型训练及结果
• 4.7.3 RBF 网络模型训练及结果
• 4.8 结果分析
• 4.8.1 精度分析
• 4.8.2 方法效果比较
• 4.8.3 两种神经网络方法比较分析
• 4.8.4 干旱趋势分析
• 4.9 结论
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果