降水是云中水蒸气积累到一定程度的产物,与云的发生和发展紧密相关,云的形状、云的类型、云的移动速度以及云顶亮温等方面都有一定的关系,它的特性都直接关系着降水的有无甚至强弱。云顶亮温是通过气象卫星获取到的红外探测通道的数据,它是生成红外云图以及其他显示云图中最原始的定量资料。云顶亮温是以相对于黑体温度而言,它的值一般小于零,如果黑体温度越低,表明云顶越高,对流越活跃,从而降水的潜在性也越大,因此,我们可以根据云顶亮温值以及一系列的相关数据,通过网络模型的学习,使得为降水的预测提供可能性。本文在对降水点分类预测的研究过程中,主要做了以下工作:(1)分析了与降水有关的影响因子,然后选取了10个降水模拟参数,利用地面监测站的1小时加密降水数据,以及匹配到的FY-2C红外通道当前IR1数据、前一时次IR1数据、当前时次的水汽通道IR3数据,通过对两种文件类型的读取,再结合降水模拟参数,生成训练数据。(2)对贝叶斯网络和BP神经网络两种方法进行了研究,然后根据同样的方法,选取其他的时次的文件,生成预测数据,最后分别结合两种方法对预测数据进行了分类预测,统计了他们的分类结果。(3)最后对这两种方法进行了对比分析,选取了六个对比因子:准确率、Kappa统计量、均方根误差、ROC面积、模型建立的时间,得出相应的结论。通过对两种方法的对比分析,可以得出对于相同的预测数据而言,BP神经网络的预测结果的准确率明显要比贝叶斯网络预测结果的准确率高,但是,前者在耗时上比后者要多。并且随着预测数据的时间与训练数据时间的跨度越大,会造成两者预测结果的准确率同时下降,当然本论文也存在一些不足,比如:数据选取可能不够完善,以及降水模拟参数获取考虑的不够全面等方面。