CN112613658A - 逐日降雨量预测方法、装置、电子设备及存储介质 - Google Patents

逐日降雨量预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112613658A
CN112613658A CN202011535031.9A CN202011535031A CN112613658A CN 112613658 A CN112613658 A CN 112613658A CN 202011535031 A CN202011535031 A CN 202011535031A CN 112613658 A CN112613658 A CN 112613658A
Authority
CN
China
Prior art keywords
rainfall
future
daily
monthly
day
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
CN202011535031.9A
Other languages
English (en)
Inventor
付正辉
王书航
姜霞
车霏霏
郭云艳
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.)
Chinese Research Academy of Environmental Sciences
Original Assignee
Chinese Research Academy of Environmental Sciences
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 Chinese Research Academy of Environmental Sciences filed Critical Chinese Research Academy of Environmental Sciences
Priority to CN202011535031.9A priority Critical patent/CN112613658A/zh
Publication of CN112613658A publication Critical patent/CN112613658A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种逐日降雨量预测方法、装置、电子设备及存储介质。该方法包括：获取除降雨以外的未来气象数据；将未来气象数据输入至逐日降雨量计算模型中，得到逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。本发明通过构建双层广义回归神经网络，首先对具有较强时序性的月尺度降雨量进行预测，然后以月尺度降雨量预测结果为修正因子，通过逐日降雨量预测层广义回归神经网络进行预测逐日降雨量，可以有效提高预测结果的准确性。

Description

逐日降雨量预测方法、装置、电子设备及存储介质
技术领域
本发明涉及气候观测领域，尤其涉及一种逐日降雨量预测方法、装置、电子设备及存储介质。
背景技术
在近几十年来国内外已经对气候变化(包括降水)开展了广泛的研究，其已经成为全球性的问题，并成为国内外最为关注的研究热点。全球气候模式(GCMs)，是研究气候变化机理和预测未来气候变化趋势的重要工具，但由于GCM空间分辨率较为粗糙，为了获得更加精细化的区域气候变化情况，需要对其进行降尺度处理，从而更加精确的预测区域降水、温度等气象变化情况。
目前主要有3种方式，分别为(1)提高GCM模型输出结果精度；(2)将GCM与高分辨率的区域气候模式(RCM)进行嵌套，即动力降尺度方法；(3)建立GCM输出大尺度气象变量与区域气象因子间的统计关系，即统计降尺度方法。
提高GCM模型精度将导致模型计算量呈指数增长，模型计算及运行需要通过超级计算机来进行相关操作。同时动力降尺度方法计算量大，模拟受收入的边界条件影响，会继承GCMs的误差和不足，同样受局地特征的异质性强迫。此外，动力降尺度模型在不同地区应用过程中，还存在着模拟结果与实测值间表现不稳定、数据化结果不能很好反映实际情况等问题，这也限制了方法的推广。相比较而言，由于统计降尺度方法计算要求低，相较于动力降尺度更易于实现，因此广泛应用于气候变化及其影响评估的研究中。
针对降水预测而言，目前常规统计降尺度方法对未来长时间尺度降水的预测主要是年时间尺度和月时间尺度的预测，对逐日降雨量预测方法较少，同时准确率较低。因此，为了实现大尺度气象因子的降尺度，从而科学准确的预测小范围内未来逐日降雨量的变化情况，提供一种科学准确的预测小范围内的逐日降雨量预测方法显得尤为必要。
发明内容
针对现有技术中的问题，本发明实施例提供一种逐日降雨量预测方法，用以解决现有技术中的预测不准确、不稳定以及计算量大等的缺陷，实现对小范围内的逐日降雨量进行科学准确的预测的效果。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种逐日降雨量预测方法，包括：
获取除降雨以外的未来气象数据；
将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
进一步地，所述逐日降雨量计算模型包括逐月降雨量预测层和逐日降雨量预测层；
其中，所述逐月降雨量预测层用于基于未来逐月气象数据来计算未来逐月降雨量预测值；
所述逐日降雨量预测层用于基于未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值来计算未来逐日降雨量预测值。
进一步地，所述将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值包括：
将未来逐月气象数据输入至逐月降雨量预测层中，得到所述逐月降雨量预测层输出的未来逐月降雨量预测值；
将未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值输入至逐日降雨量预测层中，得到所述逐日降雨量预测层输出的未来逐日降雨量预测值。
进一步地，所述未来逐月气象数据包括：
未来逐月的大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度和/或地表大气压。
进一步地，所述未来逐日气象数据包括：
未来逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风。
进一步地，所述方法还包括：
基于历史逐月气象数据和历史月平均降雨量观测值，对所述逐日降雨量计算模型的所述逐月降雨量预测层进行训练；以及
基于历史逐日气象数据、历史逐日平均降雨量观测值以及历史月平均降雨量观测值对所述逐日降雨量计算模型的逐日降雨量预测层进行训练。
进一步地，所述历史逐月气象数据包括：
历史逐月的大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度和/或地表大气压。
进一步地，所述历史逐日气象数据包括：
历史逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风。
第二方面，本发明提供一种逐日降雨量预测装置，包括：
获取单元，用于获取除降雨以外的未来气象数据；
预测单元，用于将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述逐日降雨量预测方法的步骤。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述逐日降雨量预测方法的步骤。
本发明提供的逐日降雨量预测方法，通过构建逐日降雨量计算模型(双层广义回归神经网络)，首先对具有较强时序性的月尺度降雨量进行预测，然后以月尺度降雨量预测结果为修正因子，通过逐日降雨量预测层广义回归神经网络进行预测逐日降雨量，本发明的方法可以有效提高预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的逐日降雨量预测方法的流程图之一；
图2为本发明一实施例提供的逐日降雨量预测方法的流程图之二；
图3为本发明一实施例提供的广义回归神经网络(模型)结构示意图；
图4为本发明一实施例提供的逐日降雨量预测装置的结构示意图；以及
图5为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对预测未来气候变化趋势的方法，目前主要有3种方式，分别为(1)提高GCM模型输出结果精度；(2)将GCM与高分辨率的区域气候模式(RCM)进行嵌套，即动力降尺度方法；(3)建立GCM输出大尺度气象变量与区域气象因子间的统计关系，即统计降尺度方法。
提高GCM模型精度将导致模型计算量呈指数增长，模型计算及运行需要通过超级计算机来进行相关操作。同时动力降尺度方法计算量大，模拟受收入的边界条件影响，会继承GCMs的误差和不足，同样受局地特征的异质性强迫。此外，动力降尺度模型在不同地区应用过程中，还存在着模拟结果与实测值间表现不稳定、数据化结果不能很好反映实际情况等问题，这也限制了方法的推广。相比较而言，由于统计降尺度方法计算要求低，相较于动力降尺度更易于实现，因此广泛应用于气候变化及其影响评估的研究中。
针对降水预测而言，目前常规统计降尺度方法对未来长时间尺度降水的预测主要是年时间尺度和月时间尺度的预测，对逐日降雨量预测方法较少，同时准确率较低。
因此，改进的逐日降雨量预测方法将带来小范围预测、准确预测、降低计算量的有益效果。为此，本发明提供了一种逐日降雨量预测方法、装置、电子设备及介质，下面将通过具体实施例对本发明提供的内容进行详细解释和说明。
图1和图2示出了本发明实施例提供的逐日降雨量预测方法的流程图。如图1和图2所示，本发明实施例提供的逐日降雨量预测方法包括如下步骤：
步骤110：获取除降雨以外的未来气象数据；
步骤120：将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
在步骤110中，获取除降雨以外的未来气象数据，其中，未来气象数据是未来一段时间内的气象数据，在一个示例中，未来气象数据包括未来逐月气象数据和未来逐日气象数据。在一个示例中，未来逐月气象数据为未来的连续的多个月的气象数据，未来逐日气象数据为未来的连续的多个月的气象数据。当然，未来逐月气象数据也可以为间隔开的多个月的气象数据，未来逐日气象数据为间隔开的多天的气象数据。逐月在这里可以理解为按月，逐日在这里可以理解为按日。
在步骤120中，将所获取的未来气象数据输入至逐日降雨量计算模型中，由经过训练的逐日降雨量计算模型来根据除降雨以外的未来气象数据和未来逐月降雨量预测值计算未来逐日降雨量预测值。
所述逐日降雨量计算模型用于基于除降雨以外的未来逐月气象数据，计算未来逐月降雨量预测值，并且基于未来逐日气象数据和所述未来逐月降雨量预测值，计算未来逐日降雨量预测值。
在一个示例中，未来气象数据为统计出的覆盖较大领域的大范围的气象数据，未来逐日降雨量预测值可以是小范围的未来逐日降雨量，这样就实现了大尺度气象变量到区域气象因子的降尺度的效果。
在上述实施例中，通过由历史气象数据、历史月平均降雨量和历史逐日气象数据来对逐日降雨量计算模型进行训练，经过训练的逐日降雨量计算模型能够准确地计算小范围内未来逐日降雨量预测值，实现了科学准确的预测小范围内未来逐日降雨量的变化情况。
基于上述实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述逐日降雨量计算模型包括逐月降雨量预测层和逐日降雨量预测层；
其中，所述逐月降雨量预测层用于基于未来逐月气象数据来计算未来逐月降雨量预测值；
所述逐日降雨量预测层用于基于未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值来计算未来逐日降雨量预测值。
逐日降雨量计算模型包括两个层，两个层能够实现不同的功能，即，逐月降雨量预测层能实现对未来逐月降雨量进行预测，而逐日降雨量预测层能基于逐月降雨量预测层所计算出的未来逐月降雨量来计算未来逐日降雨量预测值。
在上述实施例中，逐日降雨量计算模型的不同层能够实现不同的功能，不仅可以预测未来逐月降雨量，还可以基于计算出的未来逐月降雨量来计算未来逐日降雨量预测值，通过将未来逐月降雨量预测值作为预测未来逐日降雨量的基础，使得最终计算出的未来逐日降雨量预测值更加准确、可靠。
基于上述任一实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值包括：
将未来逐月气象数据输入至所述逐日降雨量计算模型的逐月降雨量预测层中，得到所述逐月降雨量预测层输出的未来逐月降雨量预测值；
将未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值输入至所述逐日降雨量计算模型的逐日降雨量预测层中，得到所述逐日降雨量预测层输出的未来逐日降雨量预测值。
在一个示例中，逐月降雨量预测层基于未来逐月气象数据来计算未来逐月降雨量预测值，在一个示例中，未来逐月气象数据为气候变化情景数据，气候变化情景数据由CanESM2大尺度气象模型生成。气候变化情景数据可以是大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度、地表大气压中的一种或两种或多种，根据具体的气候模型的不同，未来逐月气象数据也不同。在一个示例中，CanESM2大尺度气象模型生成多组未来逐月气象数据。
在一个示例中，逐日降雨量预测层基于未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值来计算逐日降雨量预测值。未来逐日气象数据为气候变化情景数据，气候变化情景数据由CanESM2大尺度气象模型生成。气候变化情景数据可以是未来逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风、近地面北风中的一种或两种或多种，根据具体的气候模型的不同，未来逐月气象数据也不同。在一个示例中，CanESM2大尺度气象模型生成多组未来逐日气象数据。
逐月降雨量预测层能实现对未来逐月降雨量进行预测，而逐日降雨量预测层能基于逐月降雨量预测层所计算出的未来逐月降雨量来计算未来逐日降雨量预测值。
在上述实施例中，逐日降雨量计算模型的不同层能够实现不同的功能，不仅可以预测未来逐月降雨量，还可以基于计算出的未来逐月降雨量来计算未来逐日降雨量预测值，通过将未来逐月降雨量预测值作为预测未来逐日降雨量的基础，使得最终计算出的未来逐日降雨量预测值更加准确、可靠。
基于上述任一实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述未来逐月气象数据包括：
未来逐月的大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度和/或地表大气压。
当然，本领域技术人员可知晓，未来逐月气象数据还可以包括其他类型的气象数据，不限于上述的几种气象数据。
在一个示例中，未来逐月气象数据可以是大范围的气象数据，而生成的未来逐日降雨量预测值是小范围的，这样就实现了降尺度的目的。
在上述实施例中，通过CanESM2大尺度气象模型生成多组未来逐月气象数据来预测未来逐月降雨量，使得所预测的未来逐月降雨量更加的准确、可靠。
基于上述任一实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述未来逐日气象数据包括：
未来逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风。
在一个示例中，未来逐日气象数据可以是大范围的气象数据，而生成的未来逐日降雨量预测值是小范围的，这样就实现了降尺度的目的。
当然，本领域技术人员可知晓，未来逐日气象数据还可以包括其他类型的气象数据，不限于上述的几种气象数据。
在上述实施例中，通过CanESM2大尺度气象模型生成多组未来逐日气象数据来预测未来逐日降雨量，使得所预测的未来逐日降雨量更加的准确、可靠。
基于上述任一实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述逐日降雨量预测方法还包括：
基于历史逐月气象数据和历史月平均降雨量观测值，对所述逐日降雨量计算模型的逐月降雨量预测层进行训练；以及
基于历史逐日气象数据、历史逐日平均降雨量观测值以及历史月平均降雨量观测值对逐日降雨量计算模型的逐日降雨量预测层进行训练。
历史月平均降雨量观测值作为计算逐日降雨量时的修正因子，使得计算结果准确。
由于降水在逐日的时间尺度上并没有明显的时序性关系，因此通过模型来预测，将会导致较大的偏差。本发明将在原有广义回归神经网络降水预测模型(GRNN模型网络)的基础上加以改进，构建一个双层广义回归神经网络，即逐日降雨量计算模型。其中逐月降雨量预测层以月大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度、地表大气压作为输入值，来预测逐月降雨量；逐日降雨量预测层在原网络基础上引入逐月降雨量作为修正因子，进行逐日降雨量预测。经过改进后的双层广义回归神经网络预测结果相对比于原网络有了明显的提升。
通过对逐日降雨量计算模型的两个层分别、单独进行不同的训练，使得逐日降雨量计算模型的两个层能够实现不同的功能。
在一个示例中，逐月降水量预测值可以是直接从模型外部获取的，即，可以不通过模型计算逐月降水量预测值，即，逐月降水量预测模型可以不包括逐日降雨量预测层。
在上述实施例中，在原网络基础上引入逐月降雨量作为修正因子，构建一个双层广义回归神经网络，该网络基于预测逐月降雨量，实现了对逐日降雨量的预测。
基于上述任一实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述历史逐月气象数据包括：
历史逐月的大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度和/或地表大气压。
当然，本领域技术人员可知晓，历史逐月气象数据还可以包括其他类型的气象数据，不限于上述的几种气象数据。
在上述实施例中，通过除降雨以外的气象数据来训练双层广义回归神经网络的逐月降雨量预测层，使得训练好的逐月降雨量预测层能准确、可靠地预测的未来逐月降雨量。
基于上述任一实施例，在本发明另一实施例提供的逐日降雨量预测方法中，所述历史逐日气象数据包括：
历史逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风。
当然，本领域技术人员可知晓，历史逐日气象数据还可以包括其他类型的气象数据，不限于上述的几种气象数据。
在上述实施例中，通过除降雨以外的气象数据来训练双层广义回归神经网络的逐日降雨量预测层，使得训练好的逐日降雨量预测层能准确、可靠地预测的未来逐日降雨量。
本发明的预测方法的具体步骤如下：
(1)以历史逐月大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度、地表大气压五个月尺度因子作为输入值，结合历史月平均降雨量观测值，训练逐月降雨量预测层广义回归神经网络。
(2)以历史逐日地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风、近地面北风七个日尺度因子，以及历史月平均降雨量观测值作为修正因子，训练逐日降雨量预测层广义回归神经网络。
(3)将未来逐月大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度、地表大气压五个大尺度气象因子，带入训练好的逐月降雨量预测层广义回归神经网络，得到未来逐月降雨量预测值。
(4)将未来逐日地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风、近地面北风七个大尺度气象因，及逐月降雨量预测层广义回归神经网络得到未来逐月降雨量预测值，带入训练好的逐日降雨量预测层广义回归神经网络，得到未来逐日降雨量预测值。
考虑到日降雨量受大气环流、气温、湿度、云量等因素的影响，因此选取地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风、近地面北风等7个因素作为大尺度气象因子开展日降雨量的预测。构建相对应的广义回归神经网络，并以历史数据作为训练样本开展广义回归神经网络训练工作。利用训练好的网络进行仿真，最终得到验证期(2001年-2005年)逐日降雨量。预测结果R2为0.53，Ens为0.4，预测效果较为一般。分析预测结果可以发现月降雨量预测值与实测值存在较大偏差，推测原因可能是由于降水在逐日的时间尺度上并没有明显的时序性关系，因此随着神经网络的预测，将会导致较大的偏差。
在此基础上，本发明将在原有广义回归神经网络降水预测模型的基础上加以改进，构建一个双层广义回归神经网络，其中逐月降雨量预测层以月大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度、地表大气压作为输入值，预测逐月降雨量，逐日降雨量预测层在原网络基础上引入逐月降雨量作为修正因子，进行逐日降雨量预测。经过改进后的广义回归神经网络预测结果R2为0.72，Ens为0.70，预测相对比于原网络有了明显的提升。
本发明以广义回归神经网络为基础，构建一个双层广义回归神经网络，其中逐月降雨量预测层以月大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度、地表大气压作为输入值，预测逐月降雨量，逐日降雨量预测层在地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风、近地面北风等因子的基础上，引入逐月降雨量作为修正因子，进行逐日降雨量预测。经过改进后的双层广义回归神经网络预测结果相对普通方法有了明显的提升。
本发明提供的逐日降雨量预测方法，通过构建双层广义回归神经网络，首先对具有较强时序性的月尺度降雨量进行预测，然后以月尺度降雨量预测结果为修正因子，通过逐日降雨量预测层广义回归神经网络进行预测逐日降雨量，本发明的方法可以有效提高预测结果的准确性。
1、模型介绍
基于径向基网络改进的广义回归神经网络(General Regression NeuralNetwork，GRNN)建立在非参数回归的基础上，以样本数据为后验条件，执行非参数估计，依据最大概率原则计算网络输出(Specht,1991)。该方法具有良好的非线性预测功能，同时训练更为方便，目前已经在控制决策系统、结构分析等多个领域得到了应用，该网络对曲线拟合问题具有良好的适应能力。
1.1GRNN神经网络理论基础
假设x、y是两个随机变量，其联合概率密度为f(x，y)，若已知x的观测值为x0，y相对x的回归为
Figure BDA0002853084280000121
y(x0)即在输入为x0的条件下，y的预测输出，应用Parzen非参数估计，可由样本数据集
Figure BDA0002853084280000122
按下式估算密度函数f(x0，y)：
Figure BDA0002853084280000123
Figure BDA0002853084280000124
d(y，yi)＝[y-yi]2 (4)
式中n为样本容量，ρ为随机变量x的维数。σ称为光滑因子，实际为高斯函数的标准差。带入公式，并交换积分与求和顺序，可得
Figure BDA0002853084280000125
由于
Figure BDA0002853084280000126
简化公式(5)，可得
Figure BDA0002853084280000127
在公式(6)中，分子为所有训练样本求得的yi值的加权和，权值为
Figure BDA0002853084280000128
1.2GRNN模型网络结构
如图3所示，GRNN网络结构共分为4层，分别为输入层、模式层、求和层和输出层。对应网络输入X＝[x1，x2，…，xn]T，其输出为Y＝[y1，y2，…，yk]T。
GRNN网络结构共分为4层，分别为输入层、模式层、求和层和输出层。对应网络输入X＝[x1，x2，…，xn]T，其输出为Y＝[y1，y2，…，yk]T。
(1)输入层
输入层中神经元数目等于学习样本中输入向量的维数，输入变量将直接由输入层传递到模式层。
(2)模式层
模式层神经元数量等于学习样本数目，模式层传递函数公式如下：
Figure BDA0002853084280000131
神经元i的输出结果为输出变量与其对应的样本X之间Euclid距离平方的指数平方
Figure BDA0002853084280000132
的指数形式。式中，X为神经网络输入变量；Xi为第i个神经元对应的学习样本。
(3)求和层
求和层对两种不同类型神经元进行求和。
计算公式如下：
Figure BDA0002853084280000133
其对所有模式层神经元的输出结果进行直接加和，各神经元与模式层连接权重为1，传递函数如下
Figure BDA0002853084280000134
计算公式如下
Figure BDA0002853084280000135
其对所有模式层中的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数如下
Figure BDA0002853084280000141
(4)输出层
在输出层中，神经元数量等于学习样本中输出向量的维数k，不同神经元将求和层的输出结果相除，神经元j的输出结果对应估计结果
Figure BDA0002853084280000142
的第j个元素，即
Figure BDA0002853084280000143
下面对本发明提供的逐日降雨量预测装置进行描述，下文描述的逐日降雨量预测装置与上文描述的逐日降雨量预测方法可相互对应参照。
图4示例了一种逐日降雨量预测装置实体结构示意图，如图4所示，该装置可以包括：
获取单元410，用于获取除降雨以外的未来气象数据；
预测单元420，用于将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行逐日降雨量预测方法，该方法包括：
获取除降雨以外的未来气象数据；
将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述逐日降雨量预测方法的全部步骤。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
基于相同的发明构思，本发明又一实施例提供了一种计算机程序产品，所计算机程序产品包括有计算机程序，该计算机程序被处理器执行时实现上述实现上述逐日降雨量预测方法的全部步骤。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的安全防御方法。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本发明中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种逐日降雨量预测方法，其特征在于，包括：
获取除降雨以外的未来气象数据；
将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
2.根据权利要求1所述的逐日降雨量预测方法，其特征在于，所述逐日降雨量计算模型包括逐月降雨量预测层和逐日降雨量预测层；
其中，所述逐月降雨量预测层用于基于未来逐月气象数据来计算未来逐月降雨量预测值；
所述逐日降雨量预测层用于基于未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值来计算未来逐日降雨量预测值。
3.根据权利要求2所述的逐日降雨量预测方法，其特征在于，所述将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值包括：
将未来逐月气象数据输入至逐月降雨量预测层中，得到所述逐月降雨量预测层输出的未来逐月降雨量预测值；
将未来逐日气象数据和由所述逐月降雨量预测层计算出的未来逐月降雨量预测值输入至逐日降雨量预测层中，得到所述逐日降雨量预测层输出的未来逐日降雨量预测值。
4.根据权利要求2所述的逐日降雨量预测方法，其特征在于，所述未来逐月气象数据包括：
未来逐月的大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度和/或地表大气压。
5.根据权利要求2所述的逐日降雨量预测方法，其特征在于，所述未来逐日气象数据包括：
未来逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风。
6.根据权利要求2所述的逐日降雨量预测方法，其特征在于，所述方法还包括：
基于历史逐月气象数据和历史月平均降雨量观测值，对所述逐日降雨量计算模型的逐月降雨量预测层进行训练；以及
基于历史逐日气象数据、历史逐日平均降雨量观测值以及历史月平均降雨量观测值对所述逐日降雨量计算模型的逐日降雨量预测层进行训练。
7.根据权利要求6所述的逐日降雨量预测方法，其特征在于，所述历史逐月气象数据包括：
历史逐月的大气沉降、月地表平均温度、月平均近地面风速、地表相对湿度和/或地表大气压。
8.根据权利要求6所述的逐日降雨量预测方法，其特征在于，所述历史逐日气象数据包括：
历史逐日的地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风。
9.一种逐日降雨量预测装置，其特征在于，包括：
获取单元，用于获取除降雨以外的未来气象数据；
预测单元，用于将所述未来气象数据输入至逐日降雨量计算模型中，得到所述逐日降雨量计算模型输出的未来逐日降雨量预测值，其中，所述逐日降雨量计算模型是基于除降雨以外的历史气象数据和历史降雨量观测值训练得到的；
所述逐日降雨量计算模型用于基于未来逐日气象数据和未来逐月降雨量预测值，计算未来逐日降雨量预测值。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8任一项所述逐日降雨量预测方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8任一项所述逐日降雨量预测方法的步骤。
CN202011535031.9A 2020-12-22 2020-12-22 逐日降雨量预测方法、装置、电子设备及存储介质 Pending CN112613658A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011535031.9A CN112613658A (zh) 2020-12-22 2020-12-22 逐日降雨量预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011535031.9A CN112613658A (zh) 2020-12-22 2020-12-22 逐日降雨量预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112613658A true CN112613658A (zh) 2021-04-06

Family

ID=75244284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011535031.9A Pending CN112613658A (zh) 2020-12-22 2020-12-22 逐日降雨量预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112613658A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469268A (zh) * 2021-07-16 2021-10-01 云南电网有限责任公司电力科学研究院 基于误差统计分析的输电线路杆塔雨量修正方法及装置
CN116449460A (zh) * 2023-04-23 2023-07-18 水利部交通运输部国家能源局南京水利科学研究院 基于卷积UNet和迁移学习的区域月降水预测方法及系统
CN116579504A (zh) * 2023-07-10 2023-08-11 广东省气象服务中心(广东气象影视宣传中心) 基于机器学习的池塘海水养殖水温的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274030A (zh) * 2017-06-23 2017-10-20 华中科技大学 基于水文变量年际和月变化特性的径流预报方法和系统
CN108846501A (zh) * 2018-04-26 2018-11-20 北京建筑大学 一种雨水低影响开发设施建设规模确定方法
CN109991685A (zh) * 2019-04-03 2019-07-09 北京市天元网络技术股份有限公司 一种基于多lstm模型融合的降水量预测方法以及装置
CN111079282A (zh) * 2019-12-12 2020-04-28 北京师范大学 水文预报方法及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274030A (zh) * 2017-06-23 2017-10-20 华中科技大学 基于水文变量年际和月变化特性的径流预报方法和系统
CN108846501A (zh) * 2018-04-26 2018-11-20 北京建筑大学 一种雨水低影响开发设施建设规模确定方法
CN109991685A (zh) * 2019-04-03 2019-07-09 北京市天元网络技术股份有限公司 一种基于多lstm模型融合的降水量预测方法以及装置
CN111079282A (zh) * 2019-12-12 2020-04-28 北京师范大学 水文预报方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
岳桐葭;张守红;: "" 降雨变化对雨水收集系统节水及径流的调控效应"", 《中国水土保持科学》 *
祝诗学;梁忠民;戴昌军;杨文发;: "丹江口水库流域月尺度降雨与径流预报研究", 南水北调与水利科技 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469268A (zh) * 2021-07-16 2021-10-01 云南电网有限责任公司电力科学研究院 基于误差统计分析的输电线路杆塔雨量修正方法及装置
CN113469268B (zh) * 2021-07-16 2023-03-31 云南电网有限责任公司电力科学研究院 基于误差统计分析的输电线路杆塔雨量修正方法及装置
CN116449460A (zh) * 2023-04-23 2023-07-18 水利部交通运输部国家能源局南京水利科学研究院 基于卷积UNet和迁移学习的区域月降水预测方法及系统
CN116449460B (zh) * 2023-04-23 2023-10-10 水利部交通运输部国家能源局南京水利科学研究院 基于卷积UNet和迁移学习的区域月降水预测方法及系统
CN116579504A (zh) * 2023-07-10 2023-08-11 广东省气象服务中心(广东气象影视宣传中心) 基于机器学习的池塘海水养殖水温的预测方法

Similar Documents

Publication Publication Date Title
CN112613658A (zh) 逐日降雨量预测方法、装置、电子设备及存储介质
Aziz et al. Application of artificial neural networks in regional flood frequency analysis: a case study for Australia
Young et al. Prediction and modelling of rainfall–runoff during typhoon events using a physically-based and artificial neural network hybrid model
Liu et al. Coupling the k-nearest neighbor procedure with the Kalman filter for real-time updating of the hydraulic model in flood forecasting
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN113282960B (zh) 一种基于联邦学习的隐私计算方法、装置、系统及设备
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN111967696B (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
Allawi et al. Reservoir inflow forecasting with a modified coactive neuro-fuzzy inference system: a case study for a semi-arid region
Tabatabaei et al. Suspended sediment load prediction using non-dominated sorting genetic algorithm II
CN111783361B (zh) 基于三重多层感知机的数值天气预报混合资料同化方法
Liu et al. A recursive approach to long-term prediction of monthly precipitation using genetic programming
Majhi et al. Differential evolution based radial basis function neural network model for reference evapotranspiration estimation
Hadi et al. The capacity of the hybridizing wavelet transformation approach with data-driven models for modeling monthly-scale streamflow
CN113176393A (zh) 一种基于hasm模型的土壤有机碳储量三维估算方法及系统
CN114723188A (zh) 水质预测方法、装置、计算机设备和存储介质
CN115964668A (zh) 一种基于大数据的供热监控分析方法、装置、设备及介质
Ghorbani et al. Solving the pan evaporation process complexity using the development of multiple mode of neurocomputing models
Mohsenzadeh Karimi et al. Hybrids of machine learning techniques and wavelet regression for estimation of daily solar radiation
CN112580844A (zh) 气象数据处理方法、装置、设备及计算机可读存储介质
CN117078114B (zh) 引水工程影响下受水湖泊水质评价方法和系统
CN116502539B (zh) 一种VOCs气体浓度预测方法及系统
CN108009859A (zh) 农产品价格波动预警方法及设备
Mirzania et al. Hybrid COOT-ANN: a novel optimization algorithm for prediction of daily crop reference evapotranspiration in Australia
CN109993374B (zh) 货物量预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210406

RJ01 Rejection of invention patent application after publication