RU2480825C2 - Способ прогнозирования времени наступления и уровня паводков - Google Patents
Способ прогнозирования времени наступления и уровня паводков Download PDFInfo
- Publication number
- RU2480825C2 RU2480825C2 RU2010140576/08A RU2010140576A RU2480825C2 RU 2480825 C2 RU2480825 C2 RU 2480825C2 RU 2010140576/08 A RU2010140576/08 A RU 2010140576/08A RU 2010140576 A RU2010140576 A RU 2010140576A RU 2480825 C2 RU2480825 C2 RU 2480825C2
- Authority
- RU
- Russia
- Prior art keywords
- values
- gradient
- temperature field
- local temperature
- point
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Изобретение относится к области гидрометеорологии и может быть использовано для прогнозирования паводков и других гидрометеорологических явлений. Техническим результатом является увеличение адресной точности, уменьшение погрешности, снижение трудоемкости процесса прогноза. Способ осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением распределяющего слоя Кохонена, и прогнозирующей двухслойной персептронной сети, входной вектор математической модели нейронной сети включает ежесуточные значения градиента локального поля температур, выраженные координатами, и соответствующие значения уровня воды за предшествующие восемь дней в точке прогнозирования, перед использованием математической модели проводится ее обучение на ежесуточных 20-летних данных, в результате которого слой Кохонена накапливает информацию о классах хода значений градиента локального поля температуры и уровня воды в точке прогнозирования путем выделения кластеров значений, соответствующих наблюденным синоптическим ситуациям, при прогнозировании на вход слоя Кохонена подается входной вектор, включающий ежесуточные значения градиента локального поля температур и соответствующие значения уровня воды за предшествующие восемь дней, на выходе слоя Кохонена формируется вектор значений, соответствующий определенному кластеру, который затем подается на вход персептронной сети, которая на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры в точке прогнозирования и уровнем воды вычисляет прогнозные значения градиента локального поля температуры и уровня воды. 4 з.п. ф-лы, 2 табл., 4 ил., 1 пр.
Description
Изобретение относится к способам прогнозирования паводков и других гидрометеорологических явлений (зажоров, заторов, времени наступления ледохода и ледостава). Предлагаемый способ, проиллюстрированный на примере паводков, оптимизирует процессы прогнозирования широкого спектра гидрометеорологических явлений, обусловленных ходом синоптической ситуации, и выявления неблагоприятных и опасных метеорологических ситуаций.
Известен способ прогнозирования погоды (патент RU №2279699 C2, МПК G01W 1/10), заключающийся в измерении информативных метеорологических величин, при этом значения предыдущих и последующих измерений метеорологических величин делят нацело в цикле от 1 до n и вычитают до получения значения "0", n - показатель изменения погоды, по вычисленным значениям получают зависимости изменения погоды во времени, выделяют по ним погодные кластеры, по изменению знака зависимости судят о границах кластеров, по характеру зависимости внутри кластера и по смене типа зависимости и типу пограничных с ним кластеров составляют прогноз погоды, отличающийся тем, что измерения метеорологических величин осуществляют с минимальным базовым временным интервалом, а изменения погоды вычисляют как по базовому временному интервалу, так и по выбранным на его основе другим временным интервалам, не превышающим предельный максимальный интервал, путем попеременной засылки значений предыдущих и последующих измерений в пару регистров микрокомпьютера.
К недостаткам способа, снижающим оправдываемость прогноза, относятся:
- прогнозирование без учета синоптической ситуации;
- прогнозирование на основе математической обработки наблюденных рядов прогнозируемых величин без учета факторов, определяющих порядок их хода.
Известна сигнализирующая система для автоматического локально-зависимого распознавания рисков наводнения (патент РСТ WO 2006/002566 A1, MPK G08B 21/10), при которой состояние паводка передается на центральное устройство и определяются локально-зависимые вероятностные значения паводка, отличающаяся
тем, что центральное устройство включает многомерную справочную таблицу, соответствующую пространственной матрице высокого разрешения, основанной на децентрализованных измерениях факторов риска наводнений конкретной территории, тогда как факторы риска наводнений, ассоциирующиеся с матрицей, показывают усредненную частоту и/или чувствительность к наводнениям внутри ячейки матрицы;
тем, что система включает распределенные измерительные станции, принимая во внимание то, что параметры речного стока измеряются распределенными измерительными станциями внутри ячейки матрицы и передаются по сети на центральное устройство, параметры речного стока включают, по меньшей мере, значения периода временного ряда и/или интенсивность измеряемых событий;
тем, что центральное устройство включает модуль корреляции, генерирующий специфичное для данного события усредненное вероятностное значение высоты воды для события паводка, основываясь на связанных факторах риска наводнения и значениях речного стока, и привязанных вероятностных значений высоты воды, соответствующих ячейке матрицы;
тем, что система включает модуль арбитра ячейки, действующий, по крайней мере, на основанном на матрице модуле построения согласно усредненным вероятностным значениям высоты воды.
Недостатком способа является значительная мера условности:
- определяемого в баллах фактора риска;
- зависимости между частотой, периодом наводнения и уровнем воды;
- получаемых величин уровня воды в результате интерполяции относительно высоты местности и расстояния;
- прогноза усредненных вероятностных значений уровня воды.
Недостатком способа является также его трудоемкость, заключающаяся в необходимости анализа больших массивов гидрологических данных за весь период инструментальных наблюдений и исторических данных.
Задачей предложенного способа прогнозирования времени наступления и уровня паводков является повышение оправдываемости прогноза, увеличение его адресной точности, уменьшение его погрешности, снижение трудоемкости процесса прогноза, доступности расчета прогноза для региональных структур сети гидрометеорологических наблюдений.
Существенные отличия
Предложенный способ обеспечивает прогнозирование уровней воды на гидропостах, относительно которых в дальнейшем возможно определение мощности слоя затопления в каждой координированной точке.
Способ основан на применении в качестве предиктора величин, определяющих в точке прогнозирования порядок хода синоптической ситуации, и построении прогноза связанных с этим ходом проявлений гидрометеорологических явлений и величин метеорологических факторов, в том числе уровней воды. В частности, вследствие известной генетической связи полей температуры и осадков (Клименко Л.В. Атмосферные процессы на Восточно-Европейской равнине за последние 100 лет / Л.В.Клименко. - М.: Геогр. фак. МГУ, 1999. - 128 с.) для прогнозирования паводков в качестве признака хода синоптической ситуации, использован градиент локального поля температуры в точке прогнозирования, обусловливающий направление, остроту и скорость движения атмосферных фронтов.
Областью расчета градиента локального поля температуры служит территория, по площади соответствующая горизонтальным размерам барических систем, с условием, что пункты прогнозирования находятся в центральной части выделенной области, далее локальное поле температуры.
Среднесуточные данные по уровням воды, вычисляемый градиент локального поля температуры в точке прогнозирования за период естественного изменения климатической системы - предыдущие 20 лет, используются для выявления кластеров, описывающих классы признаков хода синоптической ситуации и уровней воды в точке прогнозирования.
Распределение признаков хода синоптических ситуаций и уровней воды в точке прогнозирования по классам, а затем их прогноз проводится автоматически, в качестве инструмента используют математическую модель нейронной сети, выделяющую кластеры не только по признаку подобия, но и по признаку преобладания, который существенен в условиях стохастичности поведения параметров климатической системы.
Структура математической модели нейронной сети (далее нейронная сеть, фиг.1) представляет собой гибридную сеть с каскадным подключением распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети. Входным вектором нейронной сети является ход ежесуточных признаков синоптической ситуации, включающий значения градиента локального поля температуры, выраженного координатами, и соответствующее значение уровня воды за предшествующие восемь дней в точке прогнозирования (x01, у01, h01, х02, y02, h02 … х08, y08, h08). Выходной вектор формируется на выходе второго слоя персептронной сети и состоит из 3 нейронов, содержащих значения прогнозируемых параметров: градиента локального поля температуры (координаты х и у) и уровня воды.
Для использования нейронной сети в качестве инструмента прогноза проводят ее обучение с целью выявления кластеров, описывающих классы признаков хода синоптической ситуации и уровней воды в точке прогнозирования.
Нейронная сеть обучается на ежесуточных 20-летних данных по уровням воды и значениям градиента локального поля температуры в точке прогнозирования. Слой Кохонена представляет собой сеть с самоорганизацией на основе конкуренции нейронов. При обучении слоя используют алгоритм нейронного газа.
В процессе обучения слой Кохонена накапливает информацию о классах признаков хода синоптической ситуации, наблюдавшихся за последние 20 лет, по подобию и преобладанию, и формирует кластеры. Персептронная сеть автоматически сопоставляет входным сигналам, отнесенным к конкретным кластерам, соответствующие им режимы хода градиента локального поля температуры и уровней воды. Персептронная сеть находит зависимости в данных, которые не обнаруживаются стандартными статистическими методами, и строит прогноз хода уровня воды и градиента локального поля температуры.
Обучение персептронных слоев проводят на основе итерационного градиентного алгоритма обратного распространения ошибки, минимизирующего среднеквадратичное отклонение текущих значений выходов от требуемых, для многослойных нейронных сетей с последовательными связями.
После обучения нейронная сеть используется для прогноза уровня воды и значения градиента локального поля температур в точке прогнозирования.
При построении прогноза на вход распределяющего слоя Кохонена поступает входной вектор значений хода ежесуточных признаков синоптической ситуации и уровней воды в точке прогнозирования и активирует нейроны, принадлежащие определенному кластеру признаков хода синоптической ситуации, и граничные нейроны других кластеров, которые уточняют значения на выходе слоя. Сформированный на выходе слоя Кохонена вектор подается на вход прогнозирующего перспептронного слоя.
Персептронный слой на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры и уровнями воды в точке прогнозирования вычисляет прогнозные значения градиента локального поля температуры и уровней воды.
Описанным способом получают прогноз на следующие сутки, сдвигом вперед на сутки и путем добавления во входной вектор уже спрогнозированных значений можно получить прогноз на 2, 3, 4 и т.д. суток.
Порядок выполнения действий
1. Экспертным путем выделяется область локального поля температуры, по площади соизмеримая с горизонтальными размерами барических систем, с условием, что точки прогнозирования, в которых производится прогноз, находятся в центральной части области. Локальное поле температуры принимается за плоское (в плоскости XY) в Декартовой системе координат.
2. Для получения автоматизированного прогноза разрабатывается программное обеспечение, состоящее из модуля обработки базы данных, модуля построения, анализа нейронной сети и прогноза. Подготавливаются данные для обучения нейронной сети. В базу данных экспортируются ежесуточные значения уровня воды в точке прогнозирования и среднесуточные значения температур в пунктах, расположенных на границе выделенной области локального поля температуры (далее граничные точки) и в точке прогнозирования за период естественного изменения климатической системы - 20 лет.
3. В модуле обработки базы данных рассчитываются фоновые значения градиента локального поля температуры в точке прогнозирования по формуле (1)
где Т - значение температуры;
gradTi0 - градиент локального поля температуры в точке прогнозирования;
i0 - точка прогнозирования.
Порядок вычисления
Определяется градиент локального поля температуры в точке прогнозирования относительно каждой граничной точки 
по формуле (2)
где i0 - точка прогнозирования;
j - граничные точки, j=1…k;
k - количество граничных точек.
По формуле (3) вычисляется в метрической системе координат расстояние между точкой прогнозирования и граничными точками Ri0,j
где хi0, yi0 - координаты точки прогнозирования;
xj, yj - координаты граничной точки, j=1…k;
k - количество граничных точек.
Определяются значения градиента локального поля температуры в точке прогнозирования относительно граничных точек на каждый день наблюдения |gradTi0,j| по формуле (4)
где ΔTi0,j=tj-ti0 - разность температур;
Ri0,j - расстояние между точками;
i0 - точка прогнозирования;
j - граничная точка, j=1…k;
k - количество граничных точек.
Значения полученных векторов задаются через их проекции на оси координат, которые вычисляются по формуле (5)
где V - вектор;
ϕ - угол между вектором и осью координат.
Косинусы угла между векторами и осями координат вычисляются по формуле (6)
Подставив эти выражения в формулу (5), получают координаты вектора градиента локального поля температуры в точке прогнозирования относительно граничных точек gradTi0,j, формулы (7):
По правилу сложения векторов вычисляется градиент локального поля температуры в точке прогнозирования gradTi0. При сложении двух векторов суммируются их соответствующие координаты по формуле (8).
где xj, yj - координаты вектора градиента локального поля температур в точке прогнозирования относительно граничной точки j.
Результат сохраняется в таблице базы данных «Градиенты локального поля температуры гидропоста».
4. Обучение нейронной сети.
4.1 Загружают в модуль построения и анализа нейронной сети ежесуточные 20-летние данные по уровням воды и значениям градиента локального поля температуры в точке прогнозирования в координатах (х, y), заданных в метрической системе, что позволяет организовать входные данные в едином метрическом пространстве.
4.2 На первом уровне, представляющем собой самоорганизующуюся сеть Кохонена, входные сигналы автоматически группируются в кластеры по признакам совпадения свойств. При обучении сети используют алгоритм нейронного газа, учитывающий активность нейронов, считающийся наиболее эффективным средством самоорганизации нейронов.
4.3 На втором уровне используют персептрон. Персептрон автоматически сопоставляет входным сигналам, отнесенным к определенным кластерам, соответствующие им режимы хода градиента локального поля температуры и уровней воды. Персептрон находит зависимости в данных, которые не обнаруживаются стандартными статистическими методами, и вычисляет прогнозные значения градиента локального поля температуры и уровня воды.
Количество нейронов в первом слое персептрона автоматически рассчитывается в соответствие с количеством нейронов слоя Кохонена.
Второй слой персептрона формирует выходной вектор модели нейронной сети и состоит из 3 нейронов, содержащих значения прогнозируемых параметров - градиента локального поля температуры (координаты х и y) и уровня воды (h).
Обучение персептронных слоев производится на основе итерационного градиентного алгоритма обратного распространения ошибки, минимизирующего среднеквадратичное отклонение текущих значений выходов от требуемых для многослойных моделей нейронных сетей с последовательными связями.
5. Прогноз на основе обученной модели нейронной сети проводят по входным данным величины градиента локального поля температуры (координаты х, y) и уровня воды за 8 предыдущих дней - период развития синоптической ситуации. Таким образом, входной вектор текущего прогноза обученной модели нейронной сети состоит из 24 (три параметра за предыдущие восемь дней) элементов.
Изобретение поясняется графическими материалами.
Фиг.1. Структура математической модели нейронной сети. Структура математической модели нейронной сети состоит из распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети. Входной вектор включает координаты градиента локального поля температуры и соответствующее значение уровня воды за предшествующие восемь дней в точке прогнозирования (x01, y01, h01, х02, y02, h02 … х08, y08, h08). Выходной вектор состоит из прогнозных значений координат градиента локального поля температуры (х09, y09) и уровня воды (h09).
Фиг.2. Расчет градиента локального поля температуры в точке прогнозирования (х. Грозный) на 26.02.2004 г. Локальное поле температуры определяется граничными точками: Керчь, Ростов-на-Дону, Армавир, Пятигорск, Сочи. Векторы градиента локального поля температуры показаны в полярной системе координат. Результирующий вектор gradTi0 определяется как сумма векторов градиентов локального поля температуры относительно граничных точек gradTi0,j.
Фиг.3. Ход градиента локального поля температуры в пункте прогнозирования за период от 26.02.2004 по 08.03.2004 г. Векторы градиента локального поля температуры показаны в полярной системе координат за каждый из дней указанного периода.
Фиг.4. График прогноза значений уровня подъема воды (гидропост х.Грозный р.Белая, 2004 год).
Пример прогноза уровня воды на основе обученной модели нейронной сети
В качестве точки прогнозирования рассмотрим гидропост на р. Белая (хутор Грозный, Республика Адыгея). Выполним расчет градиента локального поля температуры за период повышения уровня воды до опасного - от 26.02.2004 г. по 8.03.2004 г.
Для прогноза использованы данные: среднесуточная температура воздуха метеостанций г.Сочи, г.Ростов-на-Дону, г.Армавир, г.Керчь, являющихся граничными точками выделенной области локального поля температуры, и в точке прогнозирования; а также уровни подъема воды в точке прогнозирования (таблица 1).
| Таблица 1 | ||||||
| Мониторинг параметров области локального поля температуры и уровней подъема воды в точке прогнозирования (за период от 26.02.2004 г. по 8.03.2004 г.) | ||||||
| Дата | х. Грозный, р. Белая | Среднесуточная температура | ||||
| Уровень воды, см | Среднесуточная температура | Армавир | Керчь | Ростов | Сочи | |
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 26.2 | 167 | +8 | 5.3 | 6.4 | 2.8 | 11 |
| 27.2 | 218 | 11 | 6.1 | 8.7 | 2.1 | 12.6 |
| 28.2 | 223 | 11 | 8.9 | 10.1 | 6.9 | 17.4 |
| 29.2 | 250 | 13.5 | 12.5 | 9.6 | 10.1 | 15.8 |
| 1.3 | 245 | 9.5 | 10.1 | 10.8 | 6.8 | 13.9 |
| 2.3 | 290 | 9 | 8.2 | 3.6 | 4.7 | 9.7 |
| 3.3 | 218 | 8 | 7.9 | 3.1 | 2.5 | 9.2 |
| Продолжение таблицы 1 | ||||||
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 4.3 | 206 | 4.5 | 6.4 | 2 | 1.8 | 8.5 |
| 5.3 | 445 | -1.4 | 2.3 | 0.3 | -0.3 | 5.4 |
| 6.3 | 330 | -2.5 | -1.7 | -2 | -2.4 | 3.1 |
| 7.3 | 246 | -3.5 | -4.4 | -1.2 | -2.8 | 1.3 |
| 8.3 | 210 | -2.5 | -4 | 1.2 | 1.4 | 1.7 |
По данным таблицы 1 с применением формул (3, 4) строится градиент локального поля температуры в точке прогнозирования относительно граничных точек на каждый день наблюдения. Определяется градиент локального поля температуры в точке прогнозирования по формуле (8).
Расчет градиента локального поля температуры в точке прогнозирования на 26.02.2004 показан на фигуре 2.
Вычисление градиента локального поля температуры производится на каждый день периода мониторинга (таблица 2; фигура 3).
| Таблица 2 | |||||
| Градиент локального поля температуры (за период с 26.02.2004 г. по 8.03.2004 г.; х.Грозный, р.Белая) | |||||
| Дата | Уровень воды, см | Градиент локального поля температуры в точке прогнозирования | Координаты градиента в полярной системе координат | ||
| Координата X | Координата Y | Радиус (R), метрическая система координат | Угол (F), градусы | ||
| 1 | 2 | 3 | 4 | 5 | 6 |
| 26.2 | 167 | -0.024782236 | -0.060389499 | 0.065276725 | 202.3119358 |
| 27.2 | 218 | -0.037572007 | -0.074365104 | 0.083317611 | 206.8045975 |
| 28.2 | 223 | -0.030417526 | -0.081579334 | 0.087065571 | 200.4483845 |
| 29.2 | 250 | -0.001086306 | -0.040638289 | 0.040652805 | 181.5312137 |
| Продолжение таблицы 2 | |||||
| 1 | 2 | 3 | 4 | 5 | 6 |
| 1.3 | 245 | -0.008493515 | -0.041758108 | 0.042613136 | 191.4970112 |
| 2.3 | 290 | 0.009796154 | -0.030228818 | 0.031776502 | 162.0442163 |
| 3.3 | 218 | 0.013826699 | -0.033871286 | 0.036584718 | 157.7940793 |
| 4.3 | 206 | 0.01640906 | -0.03440038 | 0.038113559 | 154.4987508 |
| 5.3 | 445 | 0.010936389 | -0.054374313 | 0.055463236 | 168.6277427 |
| 6.3 | 330 | -0.0082315 | -0.042329224 | 0.043122161 | 191.0046076 |
| 7.3 | 246 | -0.027612763 | -0.041777137 | 0.050077878 | 213.4628661 |
| 8.3 | 210 | -0.035711525 | -0.041110183 | 0.054455121 | 220.9801383 |
Вычисленные значения градиента локального поля температуры сохраняют в базе данных и подают на вход обученной модели нейронной сети вместе со значениями уровня воды для построения прогноза. Входной вектор содержит значения перечисленных параметров за предыдущие 8 дней и состоит из 24 компонент. График прогноза и соответствующих фактических значений уровней воды в пункте прогнозирования приведен на фигуре 4.
Условия осуществления действий
Обязательными условиями осуществления действий служат:
- положение точки прогнозирования вблизи центра выделенной локальной области поля температуры;
- наличие ежесуточных данных по уровням воды в точке прогнозирования и значениям температуры в граничных точках локальной области поля температуры и точке прогнозирования за период, не меньший, чем период естественного изменения климатической системы;
- наличие данных по уровням воды и значениям температуры в граничных точках локальной области поля температуры за предшествующие прогнозу 8 дней.
Чувствительность математической модели нейронной сети позволяет прогнозировать ситуации, не зарегистрированные за период наблюдения. В этом случае получение достоверных результатов прогнозирования обеспечивает возможность подстройки модели нейронной сети под изменения климатической системы путем дообучения исходя из решаемой задачи.
Claims (5)
1. Способ прогнозирования времени наступления и уровня паводков путем введения информации о предшествующих значениях хода ежесуточных признаков синоптической ситуации и уровня воды, включая предпрогнозные значения параметров и получения прогноза уровня воды, отличающийся тем, что
в качестве признака синоптической ситуации и предиктора используется вычисляемое значение в точке прогнозирования градиента локального поля температуры,
реализация способа осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети,
входной вектор математической модели нейронной сети включает ежесуточные значения градиента локального поля температур, выраженные координатами, и соответствующие значения уровня воды за предшествующие восемь дней в точке прогнозирования,
перед использованием математической модели нейронной сети для прогноза проводится ее обучение, в результате которого слой Кохонена накапливает информацию о классах хода значений градиента локального поля температуры и уровня воды в точке прогнозирования путем выделения кластеров значений, соответствующих наблюденным синоптическим ситуациям,
обучение математической модели нейронной сети проводится на ежесуточных 20-летних данных по уровням воды и значениям градиента локального поля температуры в точке прогнозирования, представляющих период естественного изменения климатической системы,
при прогнозировании на вход слоя Кохонена подается входной вектор, включающий ежесуточные значения градиента локального поля температур и соответствующие значения уровня воды за предшествующие восемь дней, на выходе слоя Кохонена формируется вектор значений, соответствующий определенному кластеру, который затем подается на вход персептронной сети, которая на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры в точке прогнозирования и уровнем воды вычисляет прогнозные значения градиента локального поля температуры и уровня воды.
в качестве признака синоптической ситуации и предиктора используется вычисляемое значение в точке прогнозирования градиента локального поля температуры,
реализация способа осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети,
входной вектор математической модели нейронной сети включает ежесуточные значения градиента локального поля температур, выраженные координатами, и соответствующие значения уровня воды за предшествующие восемь дней в точке прогнозирования,
перед использованием математической модели нейронной сети для прогноза проводится ее обучение, в результате которого слой Кохонена накапливает информацию о классах хода значений градиента локального поля температуры и уровня воды в точке прогнозирования путем выделения кластеров значений, соответствующих наблюденным синоптическим ситуациям,
обучение математической модели нейронной сети проводится на ежесуточных 20-летних данных по уровням воды и значениям градиента локального поля температуры в точке прогнозирования, представляющих период естественного изменения климатической системы,
при прогнозировании на вход слоя Кохонена подается входной вектор, включающий ежесуточные значения градиента локального поля температур и соответствующие значения уровня воды за предшествующие восемь дней, на выходе слоя Кохонена формируется вектор значений, соответствующий определенному кластеру, который затем подается на вход персептронной сети, которая на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры в точке прогнозирования и уровнем воды вычисляет прогнозные значения градиента локального поля температуры и уровня воды.
2. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение градиента локального поля температуры в точке прогнозирования, вычисляемого в плоской Декартовой системе координат.
3. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение градиента локального поля температуры в точке прогнозирования, вычисляемого по локальному полю температуры, заданного граничными пунктами (граничными точками) наблюдений с известными значениями температур.
4. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение градиента локального поля температуры в точке прогнозирования gradTi0, вычисляемое как сумма градиентов локального поля температуры в точке прогнозирования относительно граничных точек gradTi0,j, выраженные через координаты векторов xj, yj
.
5. Способ по п.1, отличающийся тем, что для обучения математической модели нейронной сети используются алгоритм нейронного газа для слоя Кохонена и итерационный градиентный алгоритм обратного распространения ошибки для двухслойной персептронной сети.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010140576/08A RU2480825C2 (ru) | 2010-10-04 | 2010-10-04 | Способ прогнозирования времени наступления и уровня паводков |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010140576/08A RU2480825C2 (ru) | 2010-10-04 | 2010-10-04 | Способ прогнозирования времени наступления и уровня паводков |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2010140576A RU2010140576A (ru) | 2012-04-10 |
| RU2480825C2 true RU2480825C2 (ru) | 2013-04-27 |
Family
ID=46031443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2010140576/08A RU2480825C2 (ru) | 2010-10-04 | 2010-10-04 | Способ прогнозирования времени наступления и уровня паводков |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2480825C2 (ru) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2571470C2 (ru) * | 2013-10-24 | 2015-12-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа данных телеметрии по фонду скважин |
| RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
| RU2690206C2 (ru) * | 2014-04-28 | 2019-05-31 | МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи | Интерактивное предсказание в реальном времени |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115440317B (zh) * | 2022-07-20 | 2023-05-26 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
| CN115755219B (zh) * | 2022-10-18 | 2024-04-02 | 长江水利委员会水文局 | 基于stgcn的洪水预报误差实时校正方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006002566A1 (en) * | 2004-06-30 | 2006-01-12 | Swiss Reinsurance Company | Method and system for automated location-dependent recognition of flood risks |
| RU2279699C2 (ru) * | 2002-11-28 | 2006-07-10 | Удмуртский государственный университет | Способ прогнозирования погоды |
| CN101634721A (zh) * | 2009-04-15 | 2010-01-27 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警系统 |
-
2010
- 2010-10-04 RU RU2010140576/08A patent/RU2480825C2/ru active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2279699C2 (ru) * | 2002-11-28 | 2006-07-10 | Удмуртский государственный университет | Способ прогнозирования погоды |
| WO2006002566A1 (en) * | 2004-06-30 | 2006-01-12 | Swiss Reinsurance Company | Method and system for automated location-dependent recognition of flood risks |
| CN101634721A (zh) * | 2009-04-15 | 2010-01-27 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2571470C2 (ru) * | 2013-10-24 | 2015-12-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа данных телеметрии по фонду скважин |
| RU2690206C2 (ru) * | 2014-04-28 | 2019-05-31 | МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи | Интерактивное предсказание в реальном времени |
| US10510012B2 (en) | 2014-04-28 | 2019-12-17 | Microsoft Technology Licensing Llc | Real time interactive prediction |
| RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2010140576A (ru) | 2012-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
| RU2480825C2 (ru) | Способ прогнозирования времени наступления и уровня паводков | |
| Khaled et al. | TFGAN: Traffic forecasting using generative adversarial network with multi-graph convolutional network | |
| Velasco et al. | Week-ahead rainfall forecasting using multilayer perceptron neural network | |
| CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
| CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
| US7894926B2 (en) | Global predictive monitoring system for a manufacturing facility | |
| WO2020043027A1 (zh) | 一种大气污染预测中对区域边界优化的方法 | |
| CN112884243A (zh) | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 | |
| Singh et al. | SCADA system dataset exploration and machine learning based forecast for wind turbines | |
| CN114881323A (zh) | 基于深度神经网络的基坑降水区地下水位预测与更新方法 | |
| Tripathy et al. | Multi-time instant probabilistic PV generation forecasting using quantile regression forests | |
| CN116776745B (zh) | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 | |
| CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN117408171B (zh) | 一种Copula多模型条件处理器的水文集合预报方法 | |
| Essa et al. | A LSTM recurrent neural network for lightning flash prediction within southern africa using historical time-series data | |
| WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
| Zanella et al. | Internet of things for hydrology: Potential and challenges | |
| CN116451554A (zh) | 考虑多种气象因子的电网气象风险预测方法 | |
| CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| Chinforoush et al. | A novel method for forecasting surface wind speed using wind-direction based on hierarchical markov model | |
| Munandar | Multilayer perceptron (MLP) and autoregressive integrated moving average (ARIMA) models in multivariate input time series data: Solar irradiance forecasting | |
| CN112380778A (zh) | 一种基于海温的气象干旱预报方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PD4A | Correction of name of patent owner |