CN117851736A - 一种基于模糊自适应寻优融合的气象要素插值方法 - Google Patents

一种基于模糊自适应寻优融合的气象要素插值方法 Download PDF

Info

Publication number
CN117851736A
CN117851736A CN202410256885.5A CN202410256885A CN117851736A CN 117851736 A CN117851736 A CN 117851736A CN 202410256885 A CN202410256885 A CN 202410256885A CN 117851736 A CN117851736 A CN 117851736A
Authority
CN
China
Prior art keywords
interpolation
sub
elements
membership
data
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.)
Granted
Application number
CN202410256885.5A
Other languages
English (en)
Other versions
CN117851736B (zh
Inventor
熊雄
王翼虎
朱虎
叶小岭
夏欣媛
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202410256885.5A priority Critical patent/CN117851736B/zh
Publication of CN117851736A publication Critical patent/CN117851736A/zh
Application granted granted Critical
Publication of CN117851736B publication Critical patent/CN117851736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于模糊自适应寻优融合的气象要素插值方法，包括对设定数量的插值方法使用研究区内实测站点的气象观测数据进行k折交叉插值验证得到精度排序；选取排名前m个插值方法作为待选子方法元素，并对n个实测站点进行留一法插值运算，得到相应的插值结果并计算求得误差矩阵，进而构建模糊隶属度矩阵，基于该矩阵，计算基于隶属度的权重系数矩阵；将插值结果与权重系数矩阵进行实测站插值数据融合，得到相应的精准度指数；进行迭代操作，获取最优子方法元素个数；进行最优子方法元素插值，得到预测点处的空间插值结果，结合预测点隶属度权重系数，加权得到预测点插值融合数据。本发明可有效提升插值结果精度，具有一定的实用价值。

Description

一种基于模糊自适应寻优融合的气象要素插值方法
技术领域
本发明属于空间插值技术领域，尤其涉及一种基于模糊自适应寻优融合的气象要素插值方法。
背景技术
现阶段，空间插值研究引起了广泛学术关注，不论是在理论框架的构建还是相关建模应用方面，该领域都取得了显著而长足的发展。对气象要素进行空间插值填补了观测站点之间的数据空白，提供了更全面的空间覆盖，有助于提高预报准确性，并支持环境监测和灾害预警，为科学研究和决策提供重要数据基础。然而，传统的空间插值方法由于数学算法模型的简单性，通常需要依赖先验假设条件，这导致在面对复杂的空间非线性关系时插值精度难以达到令人满意的水平。例如，反距离权重法简单易懂、计算高效，但对离群值较为敏感；克里金法以考虑空间相关性和提供置信度评估为优势，但计算复杂度高且对参数敏感，具有主观性；最近邻法简单快速，对噪声和离群值不敏感，但插值精度低结果不平滑，且不考虑数据间的空间结构。近年来，研究者试图将深度学习技术应用于空间插值，然而，这些模型较为复杂且对大量辅助数据依赖较大，其模型迁移和应用能力有待提高。当前我国在插值技术的研究方面尚未取得突破性进展，而研究更偏向对现有插值方法的单一应用，缺乏对多种模型优势的集成和组合应用。
发明内容
本发明所要解决的技术问题：提供一种基于模糊自适应寻优融合的气象要素插值方法，通过综合评估各插值方法在类型划分、精准度和稳健性方面表现，引入模糊理论，对气象站点和各插值方法进行模糊化处理，构建误差矩阵、隶属度矩阵以及权重系数矩阵，自适应地优选若干种插值方法作为待测点的模糊集合子方法元素，将多种插值方法科学合理融合使用，弱化现有单一插值方法的不足，有效解决了气象站点分布不均匀和数据精度低的问题。
本发明为解决以上技术问题而采用以下技术方案：
本发明提出的一种基于模糊自适应寻优融合的气象要素插值方法，包括以下步骤：
S1、对研究区域内n个实测站点的气象观测数据，使用设定数量的插值方法分别进行k折交叉插值验证，并依据相关评估指标对插值方法进行精度排序。
S2、根据排序结果，选取前m个插值方法作为待选子方法元素，分别使用m个待选子方法元素对n个实测站点进行留一法插值运算，得到m个待选子方法元素在每个实测站点上的插值结果。对比实测数据得到误差矩阵，进而求得隶属度函数值，构建模糊隶属度矩阵。
S3、基于模糊隶属度矩阵，依据模糊规则与元素隶属度计算基于隶属度的权重系数矩阵，由每个待选子方法元素在每个实测站点的基于隶属度的权重系数组成。
S4、将步骤S2中得到的插值结果与步骤S3中得到的基于隶属度的权重系数矩阵结合，进行实测站点插值数据融合，对比每个实测站点的融合数据与对应实测数据，得到m个待选子方法元素在研究区的精准度指数。
S5、更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2-S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2-S4，直到精准度指数最大值不再随待选子方法元素个数的增加而提升时停止，达到饱和状态，此时找到最终自适应下最优子方法元素个数。
S6、使用步骤S1中精度排序第一的方法元素，根据个最优子方法元素在每个实测站点的隶属度函数值进行空间插值，得到个最优子方法元素在每个预测点的隶属度函数值。
S7、根据步骤S6得到的预测点处隶属度函数值，计算个最优子方法元素在每个预测点的隶属度权重系数。
S8、利用实测站点数据对预测点分别进行个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果，并结合个最优子方法元素在每个预测点的隶属度权重系数，进行预测点的插值数据融合，最终得到预测点处基于模糊自适应寻优插值融合结果。
进一步的，步骤S1中，精度排序包括以下内容：
S101、根据数字高程文件计算相应的坡度和坡向，并通过实测站点的经纬度信息获得对应的高程、坡度和坡向数据。
S102、子方法元素池中包括反距离权重法、普通克里金法、协同克里金法、最近邻法、局部多项式法、薄板样条函数法、多元线性回归法、随机森林法、支持向量机法、反向传播神经网络。其中协同克里金法将海拔高度作为协变量，多元线性回归法将包括经纬度外的高程、坡度、坡向作为辅助变量。
S103、对池中每个插值方法采用k折交叉插值验证方法，将n个实测站点分为k组站点集，每组站点集包含n/k个均匀分布于全区域的实测站点。选取其中一组站点集数据作为验证集，将剩余k-1组站点集数据作为插值参考站点集，该过程重复k次，确保每组站点集都被插值测试。计算k次验证的误差结果，并对其进行平均，结合均方根误差、平均绝对误差和决定系数，得到元素池中各插值方法精度排序。
进一步的，步骤S2中，构建模糊隶属度矩阵包括以下子步骤：
S201、精度排序在前m名的子方法元素，作为待选子方法元素，其中m初始值设为2。
S202、从n个实测站点中，选取一个站点作为待插值站点，同时将剩余n-1个站点作为参考站点，分别使用m个待选子方法元素进行插值计算，获得每个待选子方法元素在当前待插值站点上的插值结果，迭代执行该过程，直至完成对每一个实测站点的插值运算。最终得到m个待选子方法元素在每个实测站点的插值结果。
S203、将插值结果分别与n个实测站点的气象实测数据进行对比，获得每个待选子方法元素在每个实测站点的气象要素序列均方根误差，具体公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的气象要素序列均方根误差值；表示第i个实测站点某时段实测气象要素时间序列数据的序列长度；表示第i个实测站点气象要素时间序列数据中第row个实测值；表示第i个实测站点气象要素时间序列数据中第row个实测值对应的由第j个待选子方法元素插值得到的预测值。
S204、基于m个待选子方法元素在n个实测站点上的气象要素序列均方根误差值，获得误差矩阵，具体表达式为：
；
其中，表示误差矩阵，表示第m个待选子方法元素在第n个实测站点的气象要素序列均方根误差值。
S205、遵循经典模糊理论规范要求并结合空间插值特点，设计了以误差为自变量的含参非线性负相关隶属度函数，具体计算公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的隶属度函数值，；b表示控制因子，用于控制斜率衰减速度，初始值设为1，后续会通过网格搜索寻找最适值。
S206、基于隶属度函数值构建模糊隶属度矩阵，具体表达式为：
；
其中，表示模糊隶属度矩阵；表示第m个待选子方法元素在第n个实测站点的隶属度函数值。
进一步的，步骤S3中，获得基于隶属度的权重系数矩阵包括以下子步骤：
S301、基于隶属度的权重系数计算公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的基于隶属度的权重系数，且。
S302、将m个待选子方法元素在n个实测站点处的基于隶属度的权重系数组成矩阵形式，具体表达式为：
；
其中，表示基于隶属度的权重系数矩阵，表示第m个待选子方法元素在第n个实测站点的基于隶属度的权重系数。
进一步的，步骤S4中，得到精准度指数包括以下子步骤：
S401、将n个实测站点的插值数据进行融合，具体公式为：
；
其中，表示第i个实测站点的融合数据，表示第j个待选子方法元素在第i个实测站点的插值结果，i=1,2,...,n。
S402、将每个实测站点的融合数据与对应的实测数据进行对比，得到m个待选子方法元素基于隶属度权重系数插值融合后的精准度指数，具体公式为：
；
；
其中，表示精准度指数，表示第i个实测站点的实测数据序列中第l条实测值，R i 表示第i个实测站点的融合数据与对应实测数据OB i 的序列均方根误差，L表示计算序列长度，表示第i个实测站点的插值融合数据序列中第l条插值融合预测值。
精准度指数作为整体效果的评判指数，目的是将参数及确定下来。 越大表示精度越高。
进一步的，步骤S5中，确定最优子方法元素个数包括以下子步骤：
当时，其中，表示精准度指数的最大值，表明当下控制因子b控制的隶属度函数性能最优，能达到对应m下的精准度指数最大值，网格搜索完成，此时的b值即为当下待选子方法元素个数m的控制因子最适值；
更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2-S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2-S4，直至时，表明在最适值控制计算下的精准度指数最大值不再随待选子方法元素个数m递增而提高，停止步骤S2-S4的迭代，此时的待选子方法元素个数m减去1为最优子方法元素个数。
进一步的，步骤S7中，获得预测点处隶属度权重系数包括以下子步骤：
由步骤S6中得到的预测点处隶属度函数值，计算个最优子方法元素在每个预测点的隶属度权重系数，具体公式为：
；
其中，表示第个最优子方法元素在第s个预测点的隶属度权重系数，且；表示第个最优子方法元素在第s个预测点的隶属度函数值；s表示预测点标号；表示最优子方法元素的标号，。
进一步的，步骤S8中，预测点的插值数据融合包括以下子步骤：
S801、利用n个实测站点数据对预测点分别进行个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果。
S802、依据步骤S7中得到的个最优子方法元素在每个预测点的隶属度权重系数，结合个最优子方法元素在每个预测点的空间插值结果，加权运算得到预测点的插值融合数据，具体公式为：
；
其中，表示第s个预测点的插值融合数据，表示第个最优子方法元素在第s个预测点的插值结果。
进一步的，本发明还提出一种电子设备，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计算机程序时实现前文所述的基于模糊自适应寻优融合的气象要素插值方法的步骤。
进一步的，本发明还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的基于模糊自适应寻优融合的气象要素插值方法。
本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：
本发明通过综合评估各插值方法在类型划分、精准度和稳健性等方面表现，引入模糊理论，对气象站点和各插值方法进行模糊化处理，形成子方法元素池，且所含方法易于实现，大都有程序包库，调用便捷，方便集成封装；充分利用了实测站数据作为先验信息，进行交叉插值计算，构建基于误差矩阵的隶属度矩阵，且设计了以误差为自变量的含参非线性负相关隶属度函数，使得函数对误差波动反应更加灵敏、准确；子方法元素的使用选取及最优数目由自适应迭代确定，减少了人为主观影响，提高了本方法的健壮性与泛化性。
附图说明
图1是本发明的整体实施流程图。
图2是本发明实施例中在西藏气温要素下寻找最优子方法元素个数的结果图。
图3是本发明实施例中在广东降水要素下寻找最优子方法元素个数的结果图。
图4是本发明实施例中在西藏气温要素下，各个方法留一法交叉验证结果RMSE、MAE和R2对比图。
图5是本发明实施例中在广东降水要素下，各个方法留一法交叉验证结果RMSE、MAE和R2对比图。
具体实施方式
下面结合附图和实例对本发明的技术方案作进一步的说明。
为实现上述目的，本发明提出了一种基于模糊自适应寻优融合的气象要素插值方法，如图1所示，包括以下步骤：
S1、本实施例以西藏自治区和广东省为例，分别选取西藏共39个气象站2008-2018年日均气温数据和广东共85个气象站2008-2018年日降水量数据，使用十种插值方法分别进行五折交叉插值验证，并依据RMSE（均方根误差）、MAE（平均绝对误差）和R2（决定系数）对插值方法进行精度排序，具体内容为：
S101、针对高程、坡度、坡向各地形信息的获取，在Arc GIS软件中打开研究区数字高程文件，利用软件提供的slope和aspect工具计算相应的坡度和坡向，并分别保存为新的栅格数据。根据实测站点的经纬度信息将站点导入Arc GIS软件中，保存为站点图层。利用软件中的Raster to point工具提取相应站点的高程、坡度和坡向数据，并分别保存为新图层。从保存的新图层导出所需数据，并合并为一个数据表。
S102、将反距离权重法（IDW）、普通克里金法（OK）、协同克里金法（COK）、最近邻法（NN）、局部多项式法（LP）、薄板样条函数法（TPS）、多元线性回归法（MLR）、随机森林法（RF）、支持向量机法（SVM）、反向传播神经网络（BP）作为子方法元素池，构成初始元素集。其中协同克里金法将海拔高度作为协变量，多元线性回归法将包括经纬度外的高程、坡度、坡向作为辅助变量。
S103、对每个插值方法采用五折交叉插值验证方法，将n（西藏为39个，广东为85个）个实测站点分为五组站点集，每组站点集包含n/5个均匀分布于研究区域的实测站点。选取其中一组站点集数据作为验证集，将剩余四组站点集数据作为插值参考站点集，该过程重复五次，确保每组站点集都被插值测试。计算五次验证的误差结果，并对其进行平均，如表1、2所示。结合均方根误差、平均绝对误差和决定系数，得到元素池中各子方法精度排序。
西藏气温案例中插值方法元素池排序结果为：M={COK,RF,TPS,IDW,BP,MLR,OK,NN,SVM,LP}。
广东降水案例中插值方法元素池排序结果为：M={OK,COK,BP,IDW,RF,TPS,NN,MLR,SVM,LP}。
表1西藏气温案例各插值方法的精度评估值
表2广东降水案例各插值方法的精度评估值
S2、根据排序结果，选取前m（m初值设为2，）个插值方法作为待选子方法元素，分别使用m个待选子方法元素对n（西藏为39个，广东为85个）个实测站点进行留一法插值运算，得到m个待选子方法元素在每个实测站点上的插值结果。对比实测数据得到误差矩阵，进而求得隶属度函数值，构建模糊隶属度矩阵，具体内容为：
S201、精度排序在前m名的子方法元素，作为待选子方法元素。
S202、从n个实测站点中，选取一个站点作为待插值站点，同时将剩余n-1个站点作为参考站点，分别使用m个待选子方法元素进行插值计算，获得每个待选子方法元素在当前待插值站点上的插值结果，迭代执行该过程，直至完成对每一个实测站点的插值运算。最终得到m个待选子方法元素在每个实测站点的插值结果。
S203、将插值结果分别与n个实测站点的气象实测数据进行对比，获得每个待选子方法元素在每个实测站点的气象要素序列均方根误差，具体公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的气象要素序列均方根误差值，表示第i个实测站点某时段实测气象要素时间序列数据的序列长度，表示第i个实测站点气象要素时间序列数据中第row个实测值，表示第i个实测站点气象要素时间序列数据中第row个实测值对应的由第j个待选子方法元素插值得到的预测值。
S204、基于m个待选子方法元素在n个实测站点上的气象要素序列均方根误差值，获得误差矩阵，具体表达式为：
；
其中，表示误差矩阵，表示第m个待选子方法元素在第n个实测站点的气象要素序列均方根误差值。
S205、隶属度函数值的计算公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的隶属度函数值，；b表示控制因子，用于控制斜率衰减速度，b初始值设为1，通过网格搜索寻找最适值，搜索步长为0.1，且b＜200。
S206、基于隶属度函数值构建模糊隶属度矩阵，具体表达式为：
；
其中，表示模糊隶属度矩阵；表示第m个待选子方法元素在第n个实测站点的隶属度函数值。
S3、基于模糊隶属度矩阵，依据模糊规则与元素隶属度计算基于隶属度的权重系数矩阵，由每个待选子方法元素在每个实测站点的基于隶属度的权重系数组成，具体内容为：
S301、基于隶属度的权重系数计算公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的基于隶属度的权重系数，且。
S302、将m个待选子方法元素在n个实测站点处的基于隶属度的权重系数组成矩阵形式，具体表达式为：
；
其中，表示基于隶属度的权重系数矩阵，表示第m个待选子方法元素在第n个实测站点的基于隶属度的权重系数。
S4、将步骤S2中得到的插值结果与步骤S3中得到的基于隶属度的权重系数矩阵结合，进行实测站点插值数据融合，对比每个实测站点的融合数据与对应实测数据，得到m个待选子方法元素在研究区的精准度指数，具体内容为：
S401、将n个实测站点的插值数据进行融合，具体公式为：
；
其中，表示第i个实测站点的融合数据，表示第j个待选子方法元素在第i个实测站点的插值结果，i=1,2,...,n。
S402、将每个实测站点的融合数据与对应的实测数据进行对比，得到m个待选子方法元素基于隶属度权重系数插值融合后的精准度指数，具体公式为：
；
；
其中，表示精准度指数，表示第i个实测站点的实测数据序列中第l条实测值，R i 表示第i个实测站点的融合数据与对应实测数据OB i 的序列均方根误差，L表示计算序列长度，表示第i个实测站点的插值融合数据序列中第l条插值融合预测值。
精准度指数作为整体效果的评判指数，目的是将参数及确定下来。 越大表示精度越高。
S5、更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2-S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2-S4，直到精准度指数最大值不再随待选子方法元素个数的增加而提升时停止，达到饱和状态，此时找到最终自适应下最优子方法元素个数，具体内容为：
当时，其中，表示精准度指数的最大值，表明当下控制因子b控制的隶属度函数性能最优，能达到对应m下的精准度指数最大值，网格搜索完成，此时的b值即为当下待选子方法元素个数m的控制因子最适值；
更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2-S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2-S4，直至时，表明在最适值控制计算下的精准度指数最大值不再随待选子方法元素个数m递增而提高，停止步骤S2-S4的迭代，此时的待选子方法元素个数m减去1为最优子方法元素个数。
西藏气温案例中，取4，取5.1，具体过程及结果如图2所示；广东降水案例中，取3，取10.1，具体过程及结果如图3所示。
S6、使用步骤S1中精度排序第一的方法元素（西藏例中为COK，广东例中为OK），根据（西藏例中取值为4，广东例中取值为3）个最优子方法元素在每个实测站点的隶属度函数值进行空间插值，得到个最优子方法元素在每个预测点的隶属度函数值。
S7、根据步骤S6得到的预测点处隶属度函数值，计算个最优子方法元素在每个预测点的隶属度权重系数，具体内容为：
在实施例的检验中，为保证验证充分，对研究区内气象站点使用了留一法交叉验证，每一个实测站点都会被轮流作为预测点来进行插值效果比对。
由步骤S6中得到的预测点处隶属度函数值，计算个最优子方法元素在每个预测点的隶属度权重系数，具体公式为：
；
其中，表示第个最优子方法元素在第s个预测点的隶属度权重系数，且；表示第个最优子方法元素在第s个预测点的隶属度函数值；s表示预测点标号；表示最优子方法元素的标号，。
西藏气温案例中，4个最优子方法元素（COK,RF,TPS,IDW）在各预测点的隶属度权重系数值如下，可用矩阵（39×4）表示：
。
广东降水案例中，3个最优子方法元素（OK,COK,BP）在各预测点的隶属度权重系数值如下，可用矩阵（85×3）表示：
。
S8、利用实测站点数据对预测点分别进行个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果，并结合个最优子方法元素在每个预测点的隶属度权重系数，进行预测点的插值数据融合，最终得到预测点处基于模糊自适应寻优插值融合结果。具体内容为：
S801、利用n个实测站点数据对预测点分别进行个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果。
S802、依据步骤S7中得到的个最优子方法元素在每个预测点的隶属度权重系数，结合个最优子方法元素在每个预测点的空间插值结果，加权运算得到预测点的插值融合数据，具体公式为：
；
其中，表示第s个预测点的插值融合数据，表示第个最优子方法元素在第s个预测点的插值结果。
在实施例的检验中，对两研究区内气象站点使用了留一法交叉验证，利用本发明所提的一种基于模糊自适应寻优融合的气象要素插值方法的检验结果比元素池内各单一方法验证结果具有更低的均方根误差、更低的平均绝对误差和更高的决定系数。
本实施例进行的西藏自治区气温要素检验结果如图4所示，其中，图4的（a）为各个方法的RMSE结果图，图4的（b）为各个方法的MAE结果图，图4的（c）为各个方法的R2结果图。此图为箱线图，各箱体上下边界为上下四分位数，上下四分位距离越小表示数据的稳定性越高；中间的短线为中位数，折线为平均数连线。西藏地处中国西南部，隶属青藏高原地形，海拔极高，主要为高原气候，氧气稀薄，昼夜温差较大，且气象站点分布较为稀疏不均。如图4所示，对比传统插值方法如反距离权重（IDW）和普通克里金（OK）在西藏复杂地形的应用场景中，其性能显著降低。局部多项式（LP）表现较差，表明LP对于空间数据稀疏的敏感性以及在边界效应处理上的局限性。多元线性回归（MLR），其在西藏的较低R²值揭示了线性假设在复杂气候系统中的局限性。智能学习算法如随机森林（RF）、反向传播神经网络（BP）相较于前述方法则表现较为稳定。而本发明方法展示了更加优异的插值性能，如其最低的误差中位数和误差平均值以及最紧凑的四分位数范围，突显了本发明方法在适应复杂地形和气候条件方面的有效性与鲁棒性。
本实施例进行的广东省降水要素检验结果如图5所示，其中，图5的（a）为各个方法的RMSE结果图，图5的（b）为各个方法的MAE结果图，图5的（c）为各个方法的R2结果图。此图为箱线图。广东地处中国南部沿海地区，夏秋季节台风频发，降水丰沛。如图5所示，相较于其他方法，本发明方法保持了较低的误差指数和较高的拟合优度，有效缩小了降水量数据均方根误差，同时提高了决定系数值。由此可见，本发明方法可以有效提高单一方法插值结果的准确性及稳定性，降低误差，在不同地区不同气象要素上表现稳定，表明了其较好的适应性和鲁棒性，具有很好的实用价值。
本发明实施例还提出一种电子设备，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。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

1.一种基于模糊自适应寻优融合的气象要素插值方法，其特征在于，包括以下步骤：
S1、使用设定数量的插值方法分别对n个实测站点的气象观测数据进行k折交叉插值验证，并对插值方法进行精度排序；
S2、根据排序结果，选取前m个插值方法作为待选子方法元素，分别使用m个待选子方法元素对n个实测站点进行留一法插值运算，得到m个待选子方法元素在每个实测站点的插值结果，对比实测数据得到误差矩阵，进而求得隶属度函数值，构建模糊隶属度矩阵；并设定控制因子b的初始值；
S3、基于模糊隶属度矩阵，依据模糊规则与元素隶属度计算基于隶属度的权重系数矩阵；
S4、将步骤S2中得到的插值结果与步骤S3中得到的基于隶属度的权重系数矩阵结合，进行实测站点插值数据融合，对比每个实测站点的融合数据与对应实测数据，得到m个待选子方法元素的精准度指数；
S5、更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2-S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2-S4，直到精准度指数最大值不再随待选子方法元素个数的增加而提升时停止，此时找到最优子方法元素个数 ；
S6、使用步骤S1中精度排序第一的方法元素，根据个最优子方法元素在每个实测站点的隶属度函数值进行空间插值，得到个最优子方法元素在每个预测点的隶属度函数值；
S7、根据步骤S6中得到的预测点处隶属度函数值，计算个最优子方法元素在每个预测点的隶属度权重系数；
S8、利用实测站点数据对预测点分别进行个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果，并结合个最优子方法元素在每个预测点的隶属度权重系数，进行预测点的插值数据融合，得到预测点处基于模糊自适应寻优插值融合结果。
2.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S1中，精度排序包括以下子步骤：
S101、根据数字高程文件计算相应的坡度和坡向，并通过实测站点的经纬度信息获得对应的高程、坡度和坡向数据；
S102、将设定数量的插值方法作为子方法元素池，插值方法包括反距离权重法、普通克里金法、协同克里金法、最近邻法、局部多项式法、薄板样条函数法、多元线性回归法、随机森林法、支持向量机法和反向传播神经网络，其中协同克里金法将海拔高度作为协变量，多元线性回归法将经纬度外的高程、坡度、坡向作为辅助变量；
S103、对每个插值方法采用k折交叉插值验证方法，将n个实测站点分为k组站点集，每组站点集包含n/k个均匀分布的实测站点；选取其中一组站点集数据作为验证集，将剩余k-1组站点集数据作为插值参考站点集，该过程重复k次，完成每组站点集的插值测试；计算k次验证的误差结果，并对其进行平均，结合均方根误差、平均绝对误差和决定系数，得到元素池中各插值方法精度排序。
3.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S2中，构建模糊隶属度矩阵包括以下子步骤：
S201、精度排序在前m名的子方法元素，作为待选子方法元素；
S202、从n个实测站点中，选取一个站点作为待插值站点，同时将剩余n-1个站点作为参考站点，分别使用m个待选子方法元素进行插值计算，获得每个待选子方法元素在当前待插值站点上的插值结果，迭代执行该过程，直至完成对每一个实测站点的插值运算，得到m个待选子方法元素在每个实测站点的插值结果；
S203、将插值结果分别与n个实测站点的气象实测数据进行对比，获得每个待选子方法元素在每个实测站点的气象要素序列均方根误差，具体公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的气象要素序列均方根误差值，表示第i个实测站点某时段实测气象要素时间序列数据的序列长度，表示第i个实测站点气象要素时间序列数据中第row个实测值，表示第i个实测站点气象要素时间序列数据中第row个实测值对应的由第j个待选子方法元素插值得到的预测值；
S204、基于m个待选子方法元素在n个实测站点上的气象要素序列均方根误差值，获得误差矩阵，具体表达式为：
；
其中，表示误差矩阵，表示第m个待选子方法元素在第n个实测站点的气象要素序列均方根误差值；
S205、基于经典模糊理论规范要求并结合空间插值特点，设计含参非线性负相关隶属度函数,具体计算公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的隶属度函数值，；b表示斜率衰减速度控制因子，初始值设为1；
S206、基于隶属度函数值构建模糊隶属度矩阵，具体表达式为：
；
其中，表示模糊隶属度矩阵；表示第m个待选子方法元素在第n个实测站点的隶属度函数值。
4.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S3中，获得基于隶属度的权重系数矩阵包括以下子步骤：
S301、基于隶属度的权重系数计算公式为：
；
其中，表示第j个待选子方法元素在第i个实测站点的基于隶属度的权重系数，且；
S302、将m个待选子方法元素在n个实测站点处的基于隶属度的权重系数组成矩阵形式，具体表达式为：
；
其中，表示基于隶属度的权重系数矩阵，表示第m个待选子方法元素在第n个实测站点的基于隶属度的权重系数。
5.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S4中，得到精准度指数包括以下子步骤：
S401、将n个实测站点的插值数据进行融合，具体公式为：
；
其中，表示第i个实测站点的融合数据，表示第j个待选子方法元素在第i个实测站点的插值结果，i=1,2,...,n；
S402、将每个实测站点的融合数据与对应的实测数据进行对比，得到m个待选子方法元素基于隶属度权重系数插值融合后的精准度指数，具体公式为：
；
；
其中，表示精准度指数，表示第i个实测站点的实测数据序列中第l条实测值，R i 表示第i个实测站点的融合数据与对应实测数据OB i 的序列均方根误差，L表示计算序列长度，表示第i个实测站点的插值融合数据序列中第l条插值融合预测值。
6.根据权利要求5所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S5中，确定最优子方法元素个数包括以下子步骤：
当时，其中，表示精准度指数的最大值，表明当下控制因子b控制的隶属度函数性能最优，能达到对应m下的精准度指数最大值，网格搜索完成，此时的b值即为当下待选子方法元素个数m的控制因子最适值；
更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2-S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2-S4，直至时，表明在最适值控制计算下的精准度指数最大值不再随待选子方法元素个数m递增而提高，停止步骤S2-S4的迭代，此时的待选子方法元素个数m减去1为最优子方法元素个数。
7.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S7中，获得预测点处隶属度权重系数包括以下子步骤：
由步骤S6中得到的预测点处隶属度函数值，计算每个最优子方法元素在每个预测点的隶属度权重系数，具体公式为：
；
其中，表示第个最优子方法元素在第s个预测点的隶属度权重系数，且；表示第个最优子方法元素在第s个预测点的隶属度函数值；s表示预测点标号；表示最优子方法元素的标号，。
8.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S8中，预测点的插值数据融合包括以下子步骤：
S801、利用n个实测站点数据对预测点分别进行个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果；
S802、依据步骤S7中得到的个最优子方法元素在每个预测点的隶属度权重系数，结合个最优子方法元素在每个预测点的空间插值结果，加权运算得到预测点的插值融合数据，具体公式为：
；
其中，表示第s个预测点的插值融合数据，表示第个最优子方法元素在第s个预测点的插值结果，表示第个最优子方法元素在第s个预测点的隶属度权重系数。
9.一种电子设备，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计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至8中任一项所述的方法。
CN202410256885.5A 2024-03-07 2024-03-07 一种基于模糊自适应寻优融合的气象要素插值方法 Active CN117851736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410256885.5A CN117851736B (zh) 2024-03-07 2024-03-07 一种基于模糊自适应寻优融合的气象要素插值方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410256885.5A CN117851736B (zh) 2024-03-07 2024-03-07 一种基于模糊自适应寻优融合的气象要素插值方法

Publications (2)

Publication Number Publication Date
CN117851736A true CN117851736A (zh) 2024-04-09
CN117851736B CN117851736B (zh) 2024-05-14

Family

ID=90529445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410256885.5A Active CN117851736B (zh) 2024-03-07 2024-03-07 一种基于模糊自适应寻优融合的气象要素插值方法

Country Status (1)

Country Link
CN (1) CN117851736B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117794A (zh) * 2015-08-10 2015-12-02 中国农业大学 基于时间温度指示器的农产品品质预测方法及系统
CN106503458A (zh) * 2016-10-26 2017-03-15 南京信息工程大学 一种地面气温数据质量控制方法
CN109118009A (zh) * 2018-08-24 2019-01-01 山东师范大学 基于极坐标模糊信息粒的时间序列预测方法、系统及介质
CN110927065A (zh) * 2019-11-02 2020-03-27 生态环境部卫星环境应用中心 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置
CN111046120A (zh) * 2019-11-28 2020-04-21 安徽农业大学 一种极端气温语义反距离权重插值方法
CN112132344A (zh) * 2020-09-23 2020-12-25 南京信息工程大学 一种基于相似日和frs-svm的短期风电功率预测方法
CN117129556A (zh) * 2023-08-29 2023-11-28 中国矿业大学 基于无线传感器网络的室内tvoc浓度实时监测系统
CN117197332A (zh) * 2023-07-31 2023-12-08 三峡大学 一种基于空间反距离加权插值算法的三维温度场重构方法
CN117349795A (zh) * 2023-12-04 2024-01-05 水利部交通运输部国家能源局南京水利科学研究院 基于ann和gwr耦合的降水融合方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117794A (zh) * 2015-08-10 2015-12-02 中国农业大学 基于时间温度指示器的农产品品质预测方法及系统
CN106503458A (zh) * 2016-10-26 2017-03-15 南京信息工程大学 一种地面气温数据质量控制方法
CN109118009A (zh) * 2018-08-24 2019-01-01 山东师范大学 基于极坐标模糊信息粒的时间序列预测方法、系统及介质
CN110927065A (zh) * 2019-11-02 2020-03-27 生态环境部卫星环境应用中心 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置
CN111046120A (zh) * 2019-11-28 2020-04-21 安徽农业大学 一种极端气温语义反距离权重插值方法
CN112132344A (zh) * 2020-09-23 2020-12-25 南京信息工程大学 一种基于相似日和frs-svm的短期风电功率预测方法
CN117197332A (zh) * 2023-07-31 2023-12-08 三峡大学 一种基于空间反距离加权插值算法的三维温度场重构方法
CN117129556A (zh) * 2023-08-29 2023-11-28 中国矿业大学 基于无线传感器网络的室内tvoc浓度实时监测系统
CN117349795A (zh) * 2023-12-04 2024-01-05 水利部交通运输部国家能源局南京水利科学研究院 基于ann和gwr耦合的降水融合方法和系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
JOY DEBNATH 等: "Air Quality assessment using weighted interval type-2 fuzzy inference system", 《ECOLOGICAL INFORMATICS》, 15 July 2018 (2018-07-15), pages 133 - 146 *
QIAO SUN 等: "An ambient qir quality evaluation model based on improved evidence theory", 《SCIENTIFIC REPORTS》, 31 December 2022 (2022-12-31), pages 1 - 14 *
YINGCHAO ZHANG 等: "An Improved Self-Adaptive PSO Algorithm with Detection Function for Multimodal Function Optimization Problems", 《MATHEMATICAL PROBLEMS IN ENGINEERING》, 4 December 2013 (2013-12-04), pages 1 - 9 *
张颖超 等: "小区域气象要素不同方法插值的性能分析", 《气象水文海洋仪器》, vol. 40, no. 4, 15 December 2023 (2023-12-15), pages 31 - 35 *
张颖超 等: "自动站气温数据异常的补偿方法", 《计算机应用》, vol. 34, no. 3, 10 March 2014 (2014-03-10), pages 280 - 283 *
熊雄 等: "基于空间观测差异的地面气温资料质量控制算法研究", 《地球物理学报》, vol. 60, no. 3, 15 March 2017 (2017-03-15), pages 912 - 923 *
程新宇: "基于迁移学习的双极化气象雷达降水粒子分类方法设计", 《中国优秀硕士学位论文全文数据库》, 18 December 2023 (2023-12-18), pages 009 - 17 *
陈亮 等: "通共性的专业气象产品服务系统的设计与应用", 《计算机技术与发展》, 15 November 2018 (2018-11-15), pages 168 - 172 *

Also Published As

Publication number Publication date
CN117851736B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN112541302B (zh) 空气质量预测模型训练方法、空气质量预测方法及装置
CN113190654A (zh) 一种基于实体联合嵌入和概率模型的知识图谱补全方法
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN113076681B (zh) 一种基于滤波的锂电池核心与表面温度估计方法
CN110889630B (zh) 一种主动配电网分布式状态估计方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN114897264A (zh) 一种基于迁移学习的小样本场景下光伏出力区间预测方法
CN117851736B (zh) 一种基于模糊自适应寻优融合的气象要素插值方法
CN117455551A (zh) 一种基于行业关系复杂网络的行业用电量预测方法
CN110365014B (zh) 一种考虑电压灵敏度时变特性的电压分区方法
CN111830595A (zh) 气象要素的预测方法及设备
CN116486611A (zh) 一种城市道路车辆速度预测方法
CN116306266A (zh) 一种数据预测方法、预测模型的训练方法、装置及设备
CN115456247A (zh) 线路规划方法、装置、计算机设备和可读存储介质
CN115564989A (zh) 面向土地利用分类的随机森林算法
CN115577295A (zh) 数据检测方法、装置、计算机设备和存储介质
CN115310709A (zh) 一种基于粒子群算法的电力工程项目信息优化方法
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN112182739A (zh) 一种飞行器结构非概率可信可靠性拓扑优化设计方法
CN118195104B (zh) 商业综合体建筑电源系统优化配置方法、装置、介质及产品
CN118465588B (zh) 一种动态可重构电池模组的内阻一致性评价方法及系统
CN118226280B (zh) 基于多源多尺度高维状态空间建模的电池老化评估方法
CN112926174B (zh) 电池智能分流的控制方法及系统
CN118399387A (zh) 一种基于回声状态网络的光伏发电量集成预测方法
CN118131363A (zh) 局地尺度格点气象数据的计算方法、装置、介质及产品

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
GR01 Patent grant
GR01 Patent grant