工欲善其事,必先利其器。近年来,计算机科学延伸出了很多新算法新模型,人工智能算法等得到了不断完善与改进,已逐步运用于生活中的方方面面,给地球系统科学的发展提供了强有力的推进作用。而气象系统是地球系统科学中的重要成员之一,深刻地影响着社会的运转和人类的生活。我国是一个农业大国,气象变化对工业、农业等行业的正常运转和人们的日常生活有着不可忽视的影响。气象学的发展让人们得以日益准确地预测大气中的气象要素,准确地预测气象要素的变化,是人们趋利避害,防灾救灾减灾的重要助力,极大地保证了我国农业生产的稳定性,为人民生活及生产的安全提供了保障。因此,气象要素预测技术的发展受到国家及广大人民的密切关注。然而,气象要素之间相互关联、相互制约,其复杂的关系严重制约着气象要素的预测精度。目前,气象预测的方法有神经网络方法,经验法等。利用经验法进行气象预测,即根据已有的历史气象监测资料,通过发掘其变化规律,结合统计学原理对未来气象要素的变化进行预测;而以往预测气象要素的神经网络大多采用的是机器学习方法,仅对一个气象要素进行了预测,且不考虑多个气象要素之间彼此关联的关系。不仅如此,这些方法在精度方面还有提升的空间。为了扭转气象要素被多数神经网络看作是相互独立,而且不把时序关系考虑在内的劣势,本文先后提出了以下气象要素预测模型。一、提出了一种基于遗传算法（GA）优化模糊认知图（FCM）的气象要素预测模型（FCM-GA）。首先对数据进行归一化处理,采用中国乐山市2019年逐日的气象数据,通过模糊认知图对气象要素相关性进行分析建模得到初始权重矩阵,利用遗传算法对初始权重矩阵数次优化,将优化后的关系矩阵带入模型之后对气象要素值进行预测。实验结果表明,FCM-GA模型不仅能同时考虑参与模型的多个气象要素,而且预测精度也优于逻辑回归、支持向量机等学习模型。这说明基于遗传算法优化模糊认知图的气象要素预测模型具有较优的可行性和良好性能。二、针对气象要素温度等几个要素进行时间序列建模,提出了一种基于纵横交叉算法（CSO）优化长短期记忆网络（LSTM）与注意力机制（Attention）的气象要素预测模型（LSTM-A-CSO）,用于预测未来的气象要素。LSTM-A-CSO模型中集成了LSTM、Attention及CSO等多种机制,实现对多个气象要素的预测。算法首先对数据进行标准化处理,然后将处理后的数据用于对LSTM-A-CSO模型的训练,最后得到训练好的模型。利用LSTM-A-CSO预测模型与传统RNN算法、结合注意力机制的LSTM算法（ALSTM）来预测下一天逐时的气象要素。实验结果表明,LSTM-A-CSO模型不仅能将时间序列考虑进去,而且加入Attention和CSO使得预测精度有所增加,说明加入了Attention和CSO后能够使预测的效果得到良好的提升。