CN102109619A - 一种基于人工智能的台风增水预测系统和方法 - Google Patents

一种基于人工智能的台风增水预测系统和方法 Download PDF

Info

Publication number
CN102109619A
CN102109619A CN200910200717XA CN200910200717A CN102109619A CN 102109619 A CN102109619 A CN 102109619A CN 200910200717X A CN200910200717X A CN 200910200717XA CN 200910200717 A CN200910200717 A CN 200910200717A CN 102109619 A CN102109619 A CN 102109619A
Authority
CN
China
Prior art keywords
typhoon
target
information
surge
station
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN200910200717XA
Other languages
English (en)
Inventor
栗小东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN200910200717XA priority Critical patent/CN102109619A/zh
Publication of CN102109619A publication Critical patent/CN102109619A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种解决入海河流水文观测站(目标观测站)台风期间增水预测的智能方法，可以智能的预测目标观测站12小时以后(目标预测时间)的台风高潮增水和台风时期的高潮位信息，包括：台风增水预测选择的预测参数，包含台风即时观测数据和即时观测时间前一次台风观测数据(6小时前)的经度、纬度、台风的中心气压、最大风速、移动速度、移动方向以及河流上游来水信息(位于河流目标观测站上游的上游观测站目标预测时间之前12小时的观测增水信息)，目标观测站历史增水信息(包括目标预测时间之前24小时内的两次高潮增水信息)，这些参数概括影响台风行进路线和强度，以及影响台风风暴潮高度的参数。通过基于人工神经网络建立的预测台风增水的数学模型模拟目标观测站历史的台风增水信息，然后输入即时的台风和上游观测站和目标观测站的历史台风增水信息，从而预测目标观测站在目标观测时间的台风增水信息。

Description

一种基于人工智能的台风增水预测系统和方法
技术领域
本申请涉及水文领域台风增水预测技术。 
背景技术
现有台风增水预测技术主要包含经验统计方法和数值计算方法两种方法。经验统计方法是依据历史资料来建立预报因子与各种水文气象要素之间关系的方法，主要手段是利用回归法和统计相关法。数值计算预报方法是根据解流体力学和热力学方程来确定海洋的未来状态，数值计算方法能揭示和分析海洋及大气变化过程的物理实质，需要掌握广泛的数学、物理、海洋等方面的知识。由于经验预统计方法和数值计算预报方法都需要考虑大量的气象、海洋、大气、地表等因素，难以考虑完全，因此目前主要依靠人为经验预报。但是经验预报对预报员的个人业务素质要求较高，并且容易受到主观因素影响。因此在利用人工智能方法预测台风增水方面还是空白。 
发明内容
本申请的目的在于提供一种解决入海河流水文观测站(目标观测站)台风期间增水预测的智能方法，可以智能的预测目标观测站12小时以后(目标预测时间)的台风高潮增水。 
其技术方案如下： 
首先选择台风增水预测选择的预测参数，包含台风即时观测数据和即时观测时间前一次台风观测数据(6小时前)的经度、纬度、台风的中心气压、最大风速、移动速度、移动方向以及河流上游来水信息(位于河流目标观测站上游的上游观测站目标预测时间之前12小时的观测增水信息)，目标观测站历史增水信息(包括目标预测时间之前24小时内的两次高潮增水信息)。其次，将所选的15个参数进行标准差归一化，并将归一化结果进行主成分分析，将贡献率大于90％的主成分作为人工神经网络的输入参数，将其对应的12小时的预测数据作为人工神经网络的输出参数进行训练，建立预测增水的神经网络模型。最后，将即时的台风、上游来水、历史增水信息的15个参数按照标准差归一化和主成分分析的参数分别进行标准差 归一化和主成分分析，并输入以神经网络模型为后台的台风增水预测模型进行台风增水预测。 
本发明的其他特征在附图以及以下的详细说明中都将会被描述。 
附图说明
通过例子阐述本发明，并且本发明不局限于附图中的图形，这些附图中的类似参考表示相似的元素。 
图1是本发明中采用的主要的参数框架信息； 
图2是本发明中台风移动方向的数字化表示； 
图3是本发明中采用的人工神经网络算法-BP算法； 
图4是本发明中台风增水预测算法过程； 
图5展示的是本发明的神经网络训练示意图； 
图6展示的是本发明的实施方式的框架图； 
图7展示的是本发明的一示例用户界面。 
具体实施方式
本发明涉及一种在水文预报领域的智能台风增水预报方法。以下的说明和附图是对本发明的详细阐述和解释，而并不能被看作对本发明的限定。以下大量细节旨在加强对本发明的理解，然而，并非为了在细节上不必要地隐藏本发明，部分众所周知或尝试性的知识并没有被描述。 
图1所示为本发明适用的条件以及河口台风增水预测的参数选择。本发明适用于河流入海口处台风增水的预测，根据其环境条件，选择以下参数作为预测台风增水的条件参数：(1)台风动态变化过程参数。台风的监测是一般按照每个6小时(台风期间每天的2时、8时、 14时和20时4次监测数据)计算一次台风参数，包括经度、纬度、中心气压、最大风速、移动速度和移动方向。台风对潮汐的作用是一个动态过程，因此选择相差6小时的两次台风记录数据作为动态台风信息预测未来12小时的目标观测站的增水高潮信息。(2)上游来水信息。上游来水信息是由目标观测站的上游观测站的历史潮位增水信息来表示，以预测时间前一次记录的高潮时上游观测站的台风增水信息。(3)历史增水信息。以目标观测时间前24小时的两次历史高潮增水作为目标观测站的历史增水信息。 
图2所示为本发明中台风移动方向的数字化表示方法。台风观测信息中移动方向以E、S、W、N方位表示，为了在本发明中应用，利用图2所示方法将台风移动方向从N开始划为1~16个方位数字，每隔22.5度一个方位。 
图3所示为本发明中采用的人工神经网络的BP算法。BP算法是人工神经网络的经典算法，BP网络分为三层：输入层，隐含层和输出层，每层包含若干个神经元，神经元之内包含相应的权值的阈值。层次之间通过传递函数进行连接，而层次内部神经元之间互不关联。BP算法通过误差逆传递修改网络各层次神经元的权值和阈值，直到误差满足要求为止。 
图4所示为本发明中台风增水预测过程。将选择的15个预测台风增水的神经网络参数的历史数据进行标准差标准化，再进行主成分分析，提取贡献率大于90％的主成分前几个主成分。将提取的主成分作为神经网络的输入层参数，对应的12小时以后的目标观测站的台风增水作为人工神经网络的输出层参数，运用人工神经网络的训练方法对建立的网络进行训练，获得预测目标观测站未来12小时台风增水的人工神经网络模型。利用建立好的人工神经网络模型对目标水文站的台风增水进行预测，将其预测结果与天文潮相加得到预测的目标观测站的台风期间高潮预测信息，结合人工预报目标观测站潮位和目标观测站的实际潮位，综合应用于水文站的台风期间高潮预测。 
图5所示为本发明的神经网络训练示意图。台风增水预测的人工神经网络模型通过输入历史数据的不断训练达到收敛，满足预报需要的误差要求，图示为人工神经网络的误差收敛过程。 
图6所示为本发明的实施方式的框架图。通过后台数据库，包含历史资料数据库(主要是历史台风资料数据库和历史风暴潮资料数据库)和人工神经网络预测的台风增水资料数据库支持，利用Matlab Webserver技术和HTML技术，建立用户界面，输入预报台风增水的参 数信息，获得实时的台风增水预报数据。同时将预测的台风信息存入预报信息数据库，并利用地理信息系统技术显示台风和风暴潮的历史数据和预测的台风增水数据。 
图7所示为本发明的一示例用户界面。以HTML的形式输入计算台风增水的参数，通过后台的Matlab Webserver技术利用建立好的人工神经网络模型计算预测台风增水结果，并返回给HTML网页显示处理。 
以上仅为本申请的较佳实施例，并不以此限定本申请的保护范围；在不违反本申请构思的基础上所作的任何替换与改进，均属本申请的保护范围。 

Claims (7)

1.一种解决入海河流水文观测站(目标观测站)台风期间增水预测的智能方法，可以智能的预测目标观测站12小时以后(目标预测时间)的台风高潮增水和台风期间的高潮位，包括：
台风增水预测选择的参数，包含台风即时观测数据和即时观测时间前一次台风观测数据(6小时前的台风观测数据)的经度、纬度、台风的中心气压、最大风速、移动速度、移动方向以及河流上游来水信息(位于河流目标观测站上游的上游观测站目标预测时间之前12小时的观测增水信息)，目标观测站历史增水信息(包括目标预测时间之前24小时内的两次高潮增水信息)，这些参数概括影响台风行进路线和强度，以及影响台风风暴潮高度的参数；
通过基于人工神经网络建立的台风增水的数学模型模拟目标观测站历史的台风增水信息，然后输入即时的台风和上游观测站和目标观测站的历史台风增水信息，从而预测目标观测站在目标观测时间的台风增水信息。
2.根据权利要求1所述的方法，其特征在于：所述的入海河流水文观测站台风增水预测智能方法中目标观测时间为未来12小时。
3.根据权利要求1所述的方法，其特征在于：所述的台风即时观测数据是通过遥感观测到的每6小时一次的台风信息。
4.根据权利要求1所述的方法，其特征在于：所述的上游来水信息是目标观测站上游水域的观测站观测到的增水信息。
5.根据权利要求1所述的方法，其特征在于：所述的目标观测站历史增水信息是目标观测站在目标预测时间之前24小时内的两次高潮位增水信息。
6.根据权利要求1所述的方法，其特征在于，该方法进一步包括将所选参数的历史数据进行主成分分析，提取主成分，并将提取的主成分和目标观测站对应的历史台风增水数据分别作为神经网络的输入参数和输出参数进行神经网络训练，建立台风增水预测的神经网络模型。
7.根据权利要求1所述的方法，其特征在于该方法进一步包括所选参数中台风移动方向的数字化表示方法。
CN200910200717XA 2009-12-23 2009-12-23 一种基于人工智能的台风增水预测系统和方法 Pending CN102109619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN200910200717XA CN102109619A (zh) 2009-12-23 2009-12-23 一种基于人工智能的台风增水预测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN200910200717XA CN102109619A (zh) 2009-12-23 2009-12-23 一种基于人工智能的台风增水预测系统和方法

Publications (1)

Publication Number Publication Date
CN102109619A true CN102109619A (zh) 2011-06-29

Family

ID=44173828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200910200717XA Pending CN102109619A (zh) 2009-12-23 2009-12-23 一种基于人工智能的台风增水预测系统和方法

Country Status (1)

Country Link
CN (1) CN102109619A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902890A (zh) * 2012-10-17 2013-01-30 福建四创软件有限公司 利用邻近风速风向数据进行线性拟合分析潮位增水的方法
CN105956709A (zh) * 2016-05-12 2016-09-21 大连海事大学 一种基于gui的模块化支持向量机潮汐预测方法
CN106327020A (zh) * 2016-08-30 2017-01-11 天津大学 一种基于风暴潮预测模型的数据分析管理系统
CN107193060A (zh) * 2017-06-20 2017-09-22 厦门大学 一种多路径台风风暴潮快速预测方法及系统
CN108596380A (zh) * 2018-04-18 2018-09-28 中国科学院国家空间科学中心 一种海面台风风场的定量探测方法
CN109977569A (zh) * 2019-04-01 2019-07-05 北部湾大学 一种融合多因素的mos风暴潮过程灾害模拟方法
CN111045117A (zh) * 2020-01-13 2020-04-21 黑龙江省气候中心 一种气候监测预测平台
CN111753469A (zh) * 2020-06-29 2020-10-09 苏州科技大学 台风风暴潮情景模拟方法及装置
CN112906955A (zh) * 2021-02-04 2021-06-04 广东海洋大学 一种基于多源数据驱动的潮汐数据拟合方法
CN113011501A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN113011657A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 进行台风水位预测的方法、装置、电子设备及存储介质
CN116128141A (zh) * 2023-02-07 2023-05-16 国家海洋环境预报中心 风暴潮预测方法、装置、存储介质及电子设备
US11880015B2 (en) 2021-06-07 2024-01-23 International Business Machines Corporation Modeling tropical cyclone surface fields for impact assessment

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902890A (zh) * 2012-10-17 2013-01-30 福建四创软件有限公司 利用邻近风速风向数据进行线性拟合分析潮位增水的方法
CN105956709A (zh) * 2016-05-12 2016-09-21 大连海事大学 一种基于gui的模块化支持向量机潮汐预测方法
CN106327020A (zh) * 2016-08-30 2017-01-11 天津大学 一种基于风暴潮预测模型的数据分析管理系统
CN107193060A (zh) * 2017-06-20 2017-09-22 厦门大学 一种多路径台风风暴潮快速预测方法及系统
CN107193060B (zh) * 2017-06-20 2019-08-20 厦门大学 一种多路径台风风暴潮快速预测方法及系统
CN108596380A (zh) * 2018-04-18 2018-09-28 中国科学院国家空间科学中心 一种海面台风风场的定量探测方法
CN108596380B (zh) * 2018-04-18 2022-11-08 中国科学院国家空间科学中心 一种海面台风风场的定量探测方法
CN109977569B (zh) * 2019-04-01 2022-05-24 北部湾大学 一种融合多因素的mos风暴潮过程灾害模拟方法
CN109977569A (zh) * 2019-04-01 2019-07-05 北部湾大学 一种融合多因素的mos风暴潮过程灾害模拟方法
CN111045117A (zh) * 2020-01-13 2020-04-21 黑龙江省气候中心 一种气候监测预测平台
CN111753469A (zh) * 2020-06-29 2020-10-09 苏州科技大学 台风风暴潮情景模拟方法及装置
CN111753469B (zh) * 2020-06-29 2023-05-30 苏州科技大学 台风风暴潮情景模拟方法及装置
CN112906955A (zh) * 2021-02-04 2021-06-04 广东海洋大学 一种基于多源数据驱动的潮汐数据拟合方法
CN112906955B (zh) * 2021-02-04 2022-06-21 广东海洋大学 一种基于多源数据驱动的潮汐数据拟合方法
CN113011501A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN113011657A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 进行台风水位预测的方法、装置、电子设备及存储介质
US11880015B2 (en) 2021-06-07 2024-01-23 International Business Machines Corporation Modeling tropical cyclone surface fields for impact assessment
CN116128141A (zh) * 2023-02-07 2023-05-16 国家海洋环境预报中心 风暴潮预测方法、装置、存储介质及电子设备
CN116128141B (zh) * 2023-02-07 2023-08-29 国家海洋环境预报中心 风暴潮预测方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN102109619A (zh) 一种基于人工智能的台风增水预测系统和方法
Pan et al. Water level prediction model based on GRU and CNN
Liu et al. Deriving optimal refill rules for multi-purpose reservoir operation
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
Lin et al. Applying fuzzy grey modification model on inflow forecasting
CN104408900A (zh) 基于动态优化的神经网络洪水预警装置及其方法
CN103023065B (zh) 一种基于相对误差熵值法的风电短期功率预测方法
Benetazzo et al. Wave climate of the Adriatic Sea: a future scenario simulation
Minglei et al. Classified real-time flood forecasting by coupling fuzzy clustering and neural network
CN105447304A (zh) 一种基于自学习算法的预警系统及移动终端
Tsai et al. Including spatial distribution in a data‐driven rainfall‐runoff model to improve reservoir inflow forecasting in Taiwan
CN103713336A (zh) 基于gis分区的水电站流域面雨量气象预报方法
CN102902985A (zh) 基于二类支持向量机和粒子群算法的近海水质评价方法
CN105243502A (zh) 一种基于径流区间预测的水电站调度风险评估方法及系统
Wang et al. Sea-water-level prediction via combined wavelet decomposition, neuro-fuzzy and neural networks using SLA and wind information
EP4303785A1 (en) Reservoir flow rate regulating method and apparatus, electronic device, and storage medium
CN102495875A (zh) 一种基于数据挖掘的海洋灾害预警专家系统
CN106951680A (zh) 一种水文时间序列异常模式检测方法
Zeng et al. Reservoir flood routing considering the non-stationarity of flood series in north China
Ashrafi et al. Applying wavelet transformation and artificial neural networks to develop forecasting-based reservoir operating rule curves
CN112016839A (zh) 一种基于qr-bc-elm的洪涝灾害预测预警方法
Sylaios et al. A fuzzy inference system for wind-wave modeling
CN110135652B (zh) 一种长期汛期径流预测方法
CN116993030B (zh) 变化条件下水库压咸补淡调度方法及系统
CN107330538A (zh) 一种气候变化条件下水库适应性调度规则编制的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110629