CN118094127B - 基于高空数据与gm灰色迭代的降水量预测方法 - Google Patents

Abstract

本发明公开了一种基于高空数据与GM灰色迭代的降水量预测方法，包括：步骤1：将高空数据按照高度进行划分，得到X个高度层次数据；步骤2：针对某一时刻的降水量，建立该时刻的地面降水量与该时刻第i个高度层次数据中的第j个气象要素数据x_ij之间的合关系模型，进行多项式拟合；步骤3：基于GM灰色模型预测未来时间段内第i个高度层次的第j个气象要素数据；步骤4：采用与步骤3相同的方法预测未来时间段内的地面降水量；步骤5：计算最终预测的未来时间段内的地面降水量。发明结合高空与地面气象观测数据对降水量进行耦合分析，充分利用了高空气象探空仪的观测垂直精度，模型的灵敏度较高，所得预测结果较为客观准确。

Description

基于高空数据与GM灰色迭代的降水量预测方法

技术领域

本发属于大气科学技术领域，尤其涉及一种基于高空数据与GM灰色迭代的降水量预测方法。

背景技术

对于地面降水的观测与预测是气象业务的重要工作之一，常见的地面降水分析过程是通过收集区域内各地面观测站的降水时空资料，利用外推法、线性预测等常规手段对一定时间内的降水量数据进行预测。近年来地面观测自动化的普及以及高空气象要素的数据精度不断提高，为各类气象要素的预测提供了更多有价值的信息与支持。

随着智能算法的不断优化，现有技术通过机器学习等一系列智能算法对地面降水数据的预测进行了尝试，并取得了不错的进展。此类预测方法都是通过构建网络模型，分层次的进行数据处理，随后提取出各类数据的大致特征，利用这些特征进行一定程度的预测。但在地面降水的预测过程中，上述尝试只是单纯基于地区降水量来进行分析，而由长期的经验及统计结果来看，地区的降水量数据具有很强的非线性性质与不确定性，利用机器学习等预测手段对于地面降水量下一个时间节点或者降水整体的变化趋势或许是准确的，但针对未来多个时间节点的预测数据则存着较大的偏差。除此之外，利用机器学习等智能算法每次的出的预测结果都有可能不一样，所以对于降水量预测结果稳定度不能提供良好的保证，增加了降水量预测的不确定性，在面对降水量数据较少的情况下，几乎不能进行有效的预测。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提供了一种基于高空数据与GM灰色迭代的降水量预测方法。

技术方案：本发明提供了一种基于高空数据与GM灰色迭代的降水量预测方法，包括如下步骤：

步骤1：将高空数据按照高度进行划分，得到X个高度层次数据；

步骤2：针对某一时刻的地面降水量，建立该时刻的地面降水量与该时刻第i个高度层次数据中的第j个气象要素数据x_ij之间的合关系模型，进行多项式拟合；i=1,2,…,X；j=1,2,…,n；其中n表示第i个高度层次数据中气象要素的总个数；

步骤3：基于GM灰色模型预测未来时间段内第i个高度层次的第j个气象要素数据；

步骤4：采用与步骤3相同的方法预测未来时间段内的地面降水量，并将该预测的地面降水量加入到历史地面降水量序列中，得到地面降水量序列；

步骤5：将根据步骤2中的拟合关系模型以及步骤3中的第i个高度层次的第j个气象要素数据，得到未来时间段内第i个高度层次对应的降水量序列，将未来时间段内第i个高度层次对应的降水量序列加入至历史第i个高度层次对应的降水量序列中，得到第i个高度层次对应的降水量序列，将第i个高度层次对应的降水量序列与步骤4中的地面降水量序列进行归一化处理，根据归一化处理后的结果计算最终预测的未来时间段内的地面降水量。

进一步的，所述步骤2中的拟合关系模型表达式如下所示：

，

其中，w表示地面降水量，表示与第i个高度层次数据中的第j个气象要素相应的第k个多次项的未知的拟合系数，表示未知的多次项的总个数。

进一步的，所述步骤3具体为：

步骤3.1：设定初步的微分方程预测模型：

，

其中，和为与x_ij对应的未知参数，，其中T=1,2,…,d，d为历史有效数据时间节点的总个数，表示时刻t时第i个高度层次数据中的第j个气象要素数据；将构成序列，；

步骤3.2：计算紧邻均值，生成序列，：

，

步骤3.3：对上述微分方程预测模型进行更新：

，

采用最小二乘法求解微分方程预测模型中的和，并将已知的和代入如下方程，计算得到未来时间段内第i个高度层次的第j个气象要素数据：

，

其中，k₁为未来时间段内第一个时刻。

进一步的，所述步骤5具体为：将第i个高度层次对应的降水量序列与步骤4中的地面降水量序列进行归一化处理，得到归一化处理后的值，m=1,2,…,L， L表示未来时刻的总个数,I=1,2,…,X，X+1；其中X+1表示地面，根据的值得到最终预测的未来时刻m时的降水量数据：

，

其中，的表达式如下所示：

，

其中，C_I的表达式为：

，

其中，表示第I个高度层次数据对应的降水量与其他高度层次数据对应的降水量之间的相关程度，，表示第I个高度层次数据对应的降水量与第个高度层次数据对应的降水量之间的相关系数, 表示第I个高度层次数据对应的降水量序列的标准差。

进一步的，该方法还包括对步骤3和步骤4的预测数据进行检验，具体为：对步骤3或者步骤4得到数据序列进行相对误差与级比偏差检验，如果检验结果没有达到预设的标准，则删除该数据并采用均值替代异常值。

有益效果：

1.本发明结合高空与地面气象观测数据对降水量进行耦合分析，充分利用了高空气象探空仪的观测垂直精度，模型的灵敏度较高，所得预测结果较为客观准确。

2.本发明所采用的GM灰色迭代预测模型，在应对地面降水数据或高空气象要素数据量较少的情况下也能进行很好的预测，此外对于缺失数据还能进行可靠的数据填补，从而作为一种提升有效数据量的手段。

3.本发明利用不同高度层次的高空观测数据对地面降水量进行拟合预测，所得的预测结果可以相互比较，对于一些异常的预测值可以较容易的将其筛选出来并进行有效替换，即预测结果的检验便捷高效。

4.别名区域实用性较强，对于降水量较强的地区或降水量较弱的西部地区都适用，所得预测结果可对未来短期甚至中期的气象预报提供一定程度的数据参考，也可为短期的防灾减灾做出一定贡献。

附图说明

图1为本发明流程图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

如图1所示，本发明具体包括如下步骤：

S1：搜集特定区域内各气象观测站的高空气象要素资料与地面降水数据。

S2：分析高空气象要素数据与地面降水数据，构建与各高空气象要素相对应的降水量拟合预测模型。

S3：利用GM灰色模型对高空气象要素数据与降水量数据在一定的时间范围内进行迭代预测。

S4：基于各类别、各层次的高空气象要素数据对降水量进行相关性预测。

S5：利用CRITIC模型分析各类别，各层次高空气象要素对应降水量预测值的影响程度，最终对未来一段时间内的日降水量进行分析。

所述S1具体步骤为：

基于各地使用的高空气象探测仪探测数据记录标准，对其划分的各高度层次的平均湿度、平均气温以及温度露点差等高空气象要素数据按一定的时间范围进行分层收集，此处以1000hpa、925hpa、850hpa、700hpa、600hpa、500hpa、400hpa、300hpa、250hpa、150hpa、100hpa、70hpa、50hpa、40hpa以及30hpa的高度层次为范例。

除此之外，在所收集的高空观测站的有效范围内对其附近的地面气象站观测的地面降水数据按相同的时间范围进行收集。

所述S2具体步骤为：

S21、基于各个高空层次的高空气象观测数据与日降水量的非线性关系，构建起降水量与该时刻第i个高度层次数据中的第j个气象要素数据x_ij为基础，以待定预测指数与待定次数k为可求参数，因变量为日降水量的数据w的如下一系列非线性拟合方程组：

，

其中，w表示地面降水量，表示与第i个高度层次数据中的第j个气象要素相应的第k个多次项的未知的拟合系数，表示未知的多次项的总个数。

S22、在k最大为20的计算前提下，对上述x_ij进行自动拟合寻优处理，由此确定出各个高度层次气象要素对应的待定预测指数，随后将拟合好的非线性方程按对应高空气象要素的类别以及高度层次进行整理归纳。

所述S3具体步骤为：

S31、基于第i个高度层次第j个气象要素的数据x_ij及其对应的时间节点构建其微分方程预测模型，本实施例以一阶为例，在应对复杂情况时也可对微分方程的阶数进行一定程度的提高：

其中，和为与对应的未知参数，，其中T=1,2,…,d，d为历史有效数据时间节点的总个数，表示时刻t时第i个高度层次数据中的第j个气象要素数据；将构成序列，。

S32、计算紧邻均值，生成序列，：

，

结合原来的数据以及新得到的高空数据时间序列构建起如下的灰化方程：

其中，与为未知参量；

S33、对于上述灰化方程中的未知参量，本实施例利用最小二乘法对其进行求解，并将所得结果代入S31所构建的微分方程预测模型中，由此得到下一个单位时间节点对应高度层次气象要素的如下数据预测值：

其中, k₁为未来时间段内第一个时刻。

S34、将所得预测数据编入序列中，在一定的有效时间长度内重复上述步骤S31至S33的操作，进行不断迭代预测，从而得到未来短期内的一系列预测数据，L表示未来时刻节点的总个数。

除此之外，对于地面降水量的数据也同S34的方法一样，进行相同有效时间长度上的迭代预测处理，进而得到未来短期内的一系列地面降水预测数据。

S35、为了确保预测数据准确客观，在步骤S34操作结束后需对预测结果进行一定程度的相对误差与级比偏差检验，如果检验不达标准则考虑删去或采用均值替代的方法对异常值进行处理，直至检验完全达标。

所述S4具体步骤为：

根据步骤S2以及S3所得的拟合模型以及预测结果，将S3中所得有效的各高度层次的高空气象要素预测数据代入S2中所求得的拟合非线性拟合方程中，由此即可得到由各层次拟合出的降水量预估值。

所述S5具体步骤为：

S51、对和进行归一化处理，得到未来时刻m时，第I个高度层次对应的降水量归一化后的值，m=1,2,…,L， L表示未来时刻的总个数,I=1,2,…,X，X+1；其中X+1表示地面；

S52、利用标准差对每个时间节点所对应的降水预测值进行变异性分析，在通过相关系数建立起各个高度层次以及地面降水之间的相关性联系，基于GM预测出来的预测未来时间段内的降水量，计算未来时间段内第I个高度层次数据对应的降水量的标准差，而对于第i个高度层次与第个高度层次降水量预测数据的相关性程度用表示：

其中，表示第I个高度层次数据对应的降水量与第个高度层次数据对应的降水量之间的相关系数。

S53、基于步骤S52所得出的标准差以及各类数据的相关性程度，计算出各类预测降水的信息量数据，并利用信息量得出其对应的预测影响程度数据：

第i类降水预测值所对应的信息量数据C_I：

第i类降水预测值所对应的信息量影响程度：

由此即可分析出地面降水量在一定有效时间长度下的预测值：

其中，X+1表示地面层次。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (2)

1.基于高空数据与GM灰色迭代的降水量预测方法，其特征在于，包括如下步骤：

步骤1：将高空数据按照高度进行划分，得到X个高度层次数据；

步骤2：针对某一时刻的地面降水量，建立该时刻的地面降水量与该时刻第i个高度层次数据中的第j个气象要素数据x_ij之间的合关系模型，进行多项式拟合；i＝1，2，…，X；j＝1，2，…，n；其中n表示第i个高度层次数据中气象要素的总个数；

步骤3：基于GM灰色模型预测未来时间段内第i个高度层次的第j个气象要素数据；

步骤4：采用与步骤3相同的方法预测未来时间段内的地面降水量，并将该预测的地面降水量加入到历史地面降水量序列中，得到地面降水量序列；

步骤5：将根据步骤2中的拟合关系模型以及步骤3中的第i个高度层次的第j个气象要素数据，得到未来时间段内第i个高度层次对应的降水量序列，将未来时间段内第i个高度层次对应的降水量序列加入至历史第i个高度层次对应的降水量序列中，得到第i个高度层次对应的降水量序列，将第i个高度层次对应的降水量序列与步骤4中的地面降水量序列进行归一化处理，根据归一化处理后的结果计算最终预测的未来时间段内的地面降水量；

所述步骤2中的拟合关系模型表达式如下所示：

其中，w表示地面降水量，a_ij，k表示与第i个高度层次数据中的第j个气象要素相应的第k个多次项的未知的拟合系数，n′表示未知的多次项的总个数；

所述步骤3具体为：

步骤3.1：设定初步的微分方程预测模型：

其中，a_ij和u_ij为与x_ij对应的未知参数，其中T＝1，2，…，d，d为历史有效数据时间节点的总个数，表示时刻t时第i个高度层次数据中的第j个气象要素数据；将构成序列

步骤3.2：计算紧邻均值生成序列Z¹，Z¹＝{Z¹(2)，Z¹(3)，..，Z¹(T)，..，Z¹(d)}：

步骤3.3：对上述微分方程预测模型进行更新：

采用最小二乘法求解微分方程预测模型中的a_ij和u_ij，并将已知的a_ij和u_ij代入如下方程，计算得到未来时间段内第i个高度层次的第j个气象要素数据：

其中，k₁为未来时间段内第一个时刻；

所述步骤5具体为：将第i个高度层次对应的降水量序列与步骤4中的地面降水量序列进行归一化处理，得到归一化处理后的值w″_I(m)，m＝1，2，…，L，L表示未来时刻的总个数，I＝1，2，…，X，X+1；其中X+1表示地面，根据w_I(m)的值得到最终预测的未来时刻m时的降水量数据：

其中，Q_I的表达式如下所示：

其中，C_I的表达式为：

C_I＝S_I*R_I，

其中，R_I表示第I个高度层次数据对应的降水量与其他高度层次数据对应的降水量之间的相关程度，r_Ii′表示第I个高度层次数据对应的降水量与第i′个高度层次数据对应的降水量之间的相关系数，S_I表示第I个高度层次数据对应的降水量序列的标准差。

2.根据权利要求1所述的基于高空数据与GM灰色迭代的降水量预测方法，其特征在于，该方法还包括对步骤3和步骤4的预测数据进行检验，具体为：对步骤3或者步骤4得到数据序列进行相对误差与级比偏差检验，如果检验结果没有达到预设的标准，则删除该数据并采用均值替代异常值。