全球气候瞬息万变,会引发极端天气气候事件,给人类生存和社会发展带来影响。当今时代科学技术迅猛发展,人们对气象预测精度要求随之提高。针对如何处理海量气象数据,提高预报准确率等问题,已借助深度学习和数据挖掘等手段提出解决方案,这推动气象现代化事业再上新台阶。本文根据气温时间序列建立BP神经网络预测模型,通过国内外对时间序列建模预测和神经网络建模预测的分析研究,结合标准BP神经网络预测模型存在的易陷入局部最优、收敛速度慢、网络结构难确定等问题,选用自适应BP神经网络模型。本文主要研究内容如下:(1)BP算法优化。标准BP算法的改进方法主要有学习率自适应法、增加动量项法、拟牛顿法和LM法等。本文基于学习率自适应法,选用一种自适应BP算法建立气温预测模型。该算法针对不同神经元间的权值进行动态调整,同时改变学习率,实现了权值差异化调整,展现了学习率的自适应性。(2)BP模型输入优化。根据气温时序的多维性,利用逐步回归分析法对样本进行降维处理,保证输入样本数据最优。针对气温样本具有周期性,输入样本中引入月周期变量,可以进一步提高BP模型的拟合精度。(3)自适应BP模型的应用分析。选取达里诺尔自然保护区2008年1月1日至2017年12月31日的气温数据建立预测模型,针对日平均温度、最低温度和最高温度三个变量进行预测分析。自适应BP模型和学习率自适应法、拟牛顿法、LM法建立的BP模型相比,自适应BP模型的学习效率和预测精度更优。再与时间序列预测ARIMA模型的预测精度进行对比,其拟合度更高。自适应BP预测模型在达里诺尔自然保护区的气温预测上,取得很好的效果,有助于分析保护区的气候变化,及时采取应对措施保护其生态系统。