CN105740991B - 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** - Google Patents
基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** Download PDFInfo
- Publication number
- CN105740991B CN105740991B CN201610109283.2A CN201610109283A CN105740991B CN 105740991 B CN105740991 B CN 105740991B CN 201610109283 A CN201610109283 A CN 201610109283A CN 105740991 B CN105740991 B CN 105740991B
- Authority
- CN
- China
- Prior art keywords
- climate
- prediction
- rainfall
- data
- neural network
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000005549 size reduction Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/08—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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法及***,包括以下步骤:收集表征气候变化特征的降雨数据;对气候模式预测网格数据进行降尺度处理,得到与实测资料同分辨率的长系列资料;将降尺度后的气候模式预测系列进行均值校正;建立改进BP神经网络模型并确定网络模型结构;训练和检验所建立的BP神经网络模型;利用模型输出预测未来气候时空变化。本发明改进了BP神经网络的输入输出数据处理,并拟合多种气候模式用以预测未来气候变化,增加了预测结果的可靠性,弥补了以往单一模式在评估时偏差较大及多模式集合评估时未考虑流域空间不均匀性等不足。
Description
技术领域
本发明属于气候学与水文水资源应用领域,尤其是一种利用气候模式预测未来气候变化的方法。
背景技术
气候变化背景下的未来气候预估是全球气候变化的重大科学问题之一。客观评价未来气候变化趋势,加强水资源适应性管理,趋利避害,是国家应对气候变化的重大战略需要。全球气候模式被认为是用于认识和归因过去气候变化并对未来进行预估的主要工具。因此,选择性能高的模式非常重要,模式是否能够合理地模拟出过去的气候变化,将直接影响到模式能否对当前气候年代际变化“再现能力”的评估,可以在一定程度上检验对未来气候变化预估的可信度。
目前,利用气候模式进行未来预测的方法主要分为两种:一种是利用单一模式进行预测,利用不同气候模式的模拟数据与实测资料进行控制试验和评价模式对平均状态的模拟效果,认识历史气候并筛选出模拟效果好的气候模式对未来气候进行预测;第二种是多模式集合进行预测,根据单一模式性能利用主观赋权法或客观赋权法给气候模式赋权得到多模式集合,并预测未来气候变化。然而,单一模式在评估特定流域气候变化趋势时,往往偏差较大;利用多模式集合时,一个流域用同一组权重值则未考虑流域空间的不均匀性,不能正确反映气候变化的时空分布情况。
此外,利用BP神经网络预报时,预报序列值不能外延的情况使得BP神经网络在气候预测中的应用受限。如何利用BP神经网络预测未来气候变化并得到可信度高的结果,也是亟待解决的技术难题。
发明内容
发明目的:一个目的是提供一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法,以解决现有技术存在的上述问题。进一步的目的是提供一种实现上述方法的***。
技术方案:一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法,包括以下步骤:
步骤1、收集表征气候变化特征的降雨数据;
步骤2、对多种气候模式预测网格数据进行降尺度处理,得到与实测资料同分辨率的长系列资料;
步骤3、将降尺度后的气候模式预测系列进行均值校正;
步骤4、建立改进BP神经网络模型并确定网络模型结构;
步骤5、训练和检验所建立的BP神经网络模型;
步骤6、利用模型输出预测未来气候时空变化。
所述步骤1进一步为:
收集研究区域内历史时期的实测降雨资料系列,多种气候模式模拟的历史时期的降雨网格数据和预测的未来时期的降雨网格数据。
在进一步的实施例中,所述步骤2进一步为:
对气候模式预测网格数据进行降尺度时,采用ArcGIS中反距离权重插值法对气候模式网格数据进行逐年插值;利用ArcGIS中Analysis Tools模块中的spatial join工具连接气候模式空间分布中的空间量与研究区域内雨量站位置,得到与实测资料同分辨率的气候模式预测雨量长系列资料。
所述步骤3进一步为:
对研究区域内k个雨量站的多种气候模式预测序列进行逐个校正,计算第j个雨量站历史时期多年平均实测雨量j=1,2…k,计算第j个雨量站模式模拟历史时期气象要素系列的均值j=1,2…k,利用二者均值差Δ对未来预测气候资料系列进行逐年校正,
式中,Y预jt为气候模式预测的未来第t年的降水量值;Pjt为修正后的第t年雨量值。
所述步骤4进一步为:
建立所述BP神经网络模型,包括输入层,隐层和输出层;输入层为校正后的多种气候模式预测系列,节点数为气候模式的个数;隐层节点数采用Lippmann经验公式确定;输出层为多模式集合的预测雨量系列,节点数为1;
针对预测阶段可能出现超过训练样本极值的数据外延情况,改进BP神经网络的输入输出数据处理,把输入数据规范到(α,β)之间:
其中Xk为样本输入序列,Xmin、Xmax分别为样本输入序列中的极大值和极小值,Xmax、X预max分别为样本输入序列中训练期与预测期的极大值,ak为输入数据规范后数值;
对于期望输出Tk同样进行上述变化把数据规范到(α,β):
其中,Tmin、Tmax分别为样本期望输出序列中的极大值和极小值,bk为期望输出规范化后数值;
当模型训练完成、参数固定,使用模型进行预测,模型输出值仍介于(0,1)之间,需转换为实际值;
在进一步的实施例中,所述步骤5中进一步为:
训练和检验所述BP神经网络;选用S型函数作为激发函数;设置初始学习速率和动量项;网络中权值、阈值随机生成;设置网络训练结束条件。
在进一步的实施例中,所述步骤6中进一步为:
针对每个雨量站都进行网络建模、预测,得到研究区域内每个雨量站神经网络输出的多模式集合雨量预测系列,统计不同时间窗的雨量站模式预测值,利用ArcGIS中的插值模块进行空间插值得到研究区域内未来气候时空分布。
一种基于改进BP神经网络拟合多种气候模式的气候变化预测***,主要包括如下模块:
用于收集表征气候变化特征的降雨数据的第一模块;
用于对多种气候模式预测网格数据进行降尺度处理,得到与实测资料同分辨率的长系列资料的第二模块;
用于将降尺度后的多种气候模式预测系列进行均值校正的第三模块;
用于建立改进BP神经网络模型并确定网络模型结构的第四模块;
用于训练和检验所建立的BP神经网络模型的第五模块;
用于利用模型输出预测未来气候时空变化的第六模块。
所述第一模块进一步用于收集研究区域内历史时期的实测降雨资料系列,多种气候模式模拟的历史时期的降雨网格数据和预测的未来时期的降雨网格数据;
所述第二模块进一步用于对气候模式预测网格数据进行降尺度时,采用ArcGIS中反距离权重插值法对气候模式网格数据进行逐年插值;利用ArcGIS中Analysis Tools模块中的spatial join工具连接气候模式空间分布中的空间量与研究区域内雨量站位置,得到与实测资料同分辨率的气候模式预测雨量长系列资料;
所述第三模块进一步用于对研究区域内k个雨量站的气候模式预测序列进行逐个校正,计算第j个雨量站历史时期多年平均实测雨量j=1,2…k,计算第j个雨量站模式模拟历史时期气象要素系列的均值j=1,2…k,利用二者均值差Δ对未来预测气候资料系列进行逐年校正,
式中,Y预jt为气候模式预测的未来第t年的降水量值;Pjt为修正后的第t年雨量值。
所述第四模块进一步用于建立所述BP神经网络模型,包括输入层,隐层和输出层;输入层为校正后的多种气候模式预测系列,节点数为气候模式的个数;隐层节点数采用Lippmann经验公式确定;输出层为多模式集合的预测雨量系列,节点数为1;
针对预测阶段可能出现超过训练样本极值的数据外延情况,改进BP神经网络的输入输出数据处理,把输入数据规范到(α,β)之间:
其中Xk为样本输入序列,Xmin、Xmax分别为样本输入序列中的极大值和极小值,X训max、X预max分别为样本输入序列中训练期与预测期的极大值,ak为输入数据规范后数值;
对于期望输出Tk同样进行上述变化把数据规范到(α,β):
其中,Tmin、Tmax分别为样本期望输出序列中的极大值和极小值,bk为期望输出规范化后数值;
当模型训练完成、参数固定,使用模型进行预测,模型输出值仍介于(0,1)之间,需转换为实际值;
所述第五模块进一步用于训练和检验所述BP神经网络;选用S型函数作为激发函数;设置初始学习速率和动量项;网络中权值、阈值随机生成;设置网络训练结束条件所述第六模块进一步用于针对每个雨量站都进行网络建模、预测,得到研究区域内每个雨量站神经网络输出的多模式集合雨量预测系列,统计不同时间窗的雨量站模式预测值,利用ArcGIS中的插值模块进行空间插值得到研究区域内未来气候时空分布。
有益效果:
首先,本发明对气候模式的模拟数据与实测资料进行控制实验并进行均值校正,弥补了单一气候模式预测往往偏差较大的缺陷。
其次,利用BP神经网络良好的非线性映射能力及较好的识别和预报能力对研究区域内每个雨量站进行多模式拟合,弥补了以往研究一个流域用同一组权重值时未考虑流域空间的不均匀性。
最后,本发明针对BP神经网络预测阶段对超过训练样本极值的数据外延能力不足的缺点进行改进,改进BP神经网络的输入输出数据处理,增加多模式集合预测未来气候时空变化的可靠性。
附图说明
图1为本发明方法的流程图。
图2为均值校正后的雨量修正图。
图3为改进BP神经网络训练和检验多模式集合雨量系列图。
图4为多模式集合预测未来气候变化空间分布图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
申请人认为,利用气候模式预测气候变化实质上是利用气候模式的模拟数据与实测资料进行控制试验,选择评估效果好的气候模式或气候模式集合进行未来气候预测。研究发现现有的气候模式预测未来气候变化方案中利用单一模式或加权的多模式集合方法进行未来趋势预测,会出现偏差较大、及未考虑空间变化等问题。而申请人认为,在预测未来气候变化的过程中,采用可信度高的模式数据是至关重要的。
为解决现有技术存在的问题,本发明提出了一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法,对气候模式预测数据进行降尺度与均值校正处理,建立改进的BP神经网络模型,利用多种气候模式数据作为输入,经模型训练和校验后,得到多气候模式集合,预测未来气候时空变化。
下面通过实施例,并结合附图及ArcGIS软件等实现过程,对本发明的技术方案做进一步具体说明。
如图1所示,一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法,包括以下步骤:
步骤1,收集研究区域内历史时期的实测降雨资料系列,以及气候模式预测的历史和未来时期的降雨网格数据,并整理成统一时长的数据资料。
步骤2,对气候模式预测网格数据进行降尺度处理,得到与实测资料同分辨率的长系列资料:
将气候模式预测网格数据按照序号、年份、经度、纬度、雨量五列数值建立excel文件并导入到ArcGIS中,选择Tools→Add XY Data工具定位气候模式网格位置,生成气候模式网格数据图层,将实测雨量站资料按照同样的方式生成实测雨量数据图层。选择SpatialAnalysis Tools→Interpolation→ID W工具将气候模式预测数据插值得到空间分布,然后利用Analysis Tools→Overlay→Spatial Join工具将气候模式空间分布与实测雨量站位置进行空间连接,得到实测雨量站的模式预测雨量系列资料。
步骤3,将降尺度后的气候模式预测系列进行均值校正:
图2为利用雨量站历史实测资料对模式预测资料进行均值校正的结果图。
对研究区域内k个雨量站的气候模式预测序列进行逐个校正,计算第j个雨量站历史时期多年平均实测雨量j=1,2…k,计算第j个雨量站模式预测历史时期气象要素系列的均值j=1,2…k,利用二者均值差Δ对未来预测气候资料系列进行逐年校正,
Pjt=Y预jt+Δ
式中,Y预jt为气候模式预测的未来第t年的降水量值;Pjt为修正后的第t年雨量值。
步骤4,建立改进BP神经网络模型并确定网络模型结构:
建立所述BP神经网络模型,包括输入层,隐层,输出层。输入层为校正后的多种气候模式预测系列,节点数为气候模式的个数;隐层节点数采用Lippmann经验公式确定;输出层为多模式集合的预测雨量系列,节点数为1。针对预测阶段可能出现超过训练样本极值的数据外延情况,改进BP神经网络的输入输出数据处理,把输入数据规范到(α,β)之间:
Xmin、Xmax分别为样本输入序列(包括训练期与预测期)中的极大值和极小值,Xmax、X预max分别为样本输入序列中训练期与预测期的极大值,ak为输入数据规范后数值。
对于期望输出Tk同样进行上述变化把数据规范到(α,β):
其中Tmin、Tmax分别为样本期望输出序列中的极大值和极小值,bk为期望输出规范化后数值。
当模型训练完成、参数固定,使用模型进行预测,模型输出值仍介于(0,1)之间,需转换为实际值。
ck为模型实际输出数值。
步骤5,训练和检验所建立的BP神经网络模型:
图3为利用改进BP神经网络模拟的多模式集合雨量系列与实测雨量系列的对比图,将历史时期分为模型训练期与检验期,训练期利用实测数据与多模式数据进行拟合,并预报出检验期的结果与实测资料进行对比以验证模型精度。
训练和检验所述BP神经网络;选用S型函数(Sigmoid函数)作为激发函数;设置初始学习速率和动量项;网络中权值、阈值随机生成;设置网络训练结束条件(误差达到要求或达到训练次数)。
步骤6,利用模型输出预测未来气候时空变化:
图4为利用各雨量站的多模式集合预测数据进行空间插值后得到的研究区域内雨量时空分布。图中颜色越深,表明该区域雨量越大。
对研究区域内所有雨量站逐个进行网络建模、预测,得到研究区域内每个雨量站网络输出的多模式合集雨量预测系列,统计不同时间窗(年或时期)的雨量站模式预测值,利用ArcGIS中的Spatial Analvsis Tools→Interpolation→ID W插值模块进行空间插值得到研究区域内未来气候时空分布。
总之,针对现有技术的不足,本发明提出了一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法,对气候模式预测数据进行降尺度与均值校正处理,建立改进的BP神经网络模型,利用多种气候模式数据作为输入,经模型训练和校验后,得到多气候模式集合,预测未来气候时空变化。本发明改进的BP神经网络的输入输出数据处理,并拟合多种气候模式用以预测未来气候变化,增加了预测结果的可靠性,弥补了以往单一模式在评估时偏差较大及多模式集合评估时未考虑流域空间不均匀性等不足。
需要说明的是,虽然在上述实施例中本发明的部分步骤是采用ArcGIS软件来实现,本发明的要义是提供一种利用气候模式预测未来气候变化的方法,ArcGIS是实现这种方法的技术手段之一,软件的实现过程可以看作是本发明技术思想的一种具体化的实施过程。当然也可以采用相似的软件或开发类似的软件来实现,在此不再赘述。
另外,本发明中的相关步骤的顺序并非是限定性,即本领域的技术人员可以调整,本发明中的顺序是一种案例性的撰写方式,而非限定性描述。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (5)
1.一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法,其特征在于,包括以下步骤:
步骤1、收集表征气候变化特征的降雨数据,包括:
收集研究区域内历史时期的实测降雨资料系列,多种气候模式模拟的历史时期的降雨网格数据和预测的未来时期的降雨网格数据;
步骤2、对多种气候模式预测网格数据进行降尺度处理,得到与实测资料同分辨率的长系列资料;
步骤3、将降尺度后的气候模式预测系列进行校正,包括以下过程:
对研究区域内k个雨量站的多种气候模式预测序列进行逐个校正,计算第j个雨量站历史时期多年平均实测雨量计算第j个雨量站模式模拟历史时期气象要素系列的均值利用二者均值差Δ对未来预测气候资料系列进行逐年校正,
式中,Y预jt为气候模式预测的未来第t年的降水量值;Pjt为修正后的第t年雨量值;
步骤4、建立改进BP神经网络模型并确定网络模型结构;
建立所述BP神经网络模型,包括输入层,隐层和输出层;输入层为校正后的多种气候模式预测系列,节点数为气候模式的个数;隐层节点数采用Lippmann经验公式确定;输出层为多模式集合的预测雨量系列,节点数为1;
所述改进BP神经网络模型针对预测阶段可能出现超过训练样本极值的数据外延情况,改进BP神经网络的输入输出数据处理,把输入数据规范到(α,β)之间:
其中Xk为样本输入序列,Xmin、Xmax分别为样本输入序列中的极大值和极小值,X训max、X预max分别为样本输入序列中训练期与预测期的极大值,ak为输入数据规范后数值;
对于期望输出Tk同样进行上述变化把数据规范到(α,β):
其中,Tmin、Tmax分别为样本期望输出序列中的极大值和极小值,bk为期望输出规范化后数值;
当模型训练完成、参数固定,使用模型进行预测,模型输出值仍介于(0,1)之间,需转换为实际值;
步骤5、训练和检验所建立的BP神经网络模型;
步骤6、利用模型输出预测未来气候时空变化。
2.根据权利要求1所述的基于改进BP神经网络拟合多种气候模式的气候变化预测方法,其特征在于,所述步骤2进一步为:
对气候模式预测网格数据进行降尺度时,采用ArcGIS中反距离权重插值法对气候模式网格数据进行逐年插值;利用ArcGIS中Analysis Tools模块中的spatial join工具连接气候模式空间分布中的空间量与研究区域内雨量站位置,得到与实测资料同分辨率的气候模式预测雨量长系列资料。
3.根据权利要求1所述的基于改进BP神经网络拟合多种气候模式的气候变化预测方法,其特征在于:所述步骤5中进一步为:
训练和检验所述BP神经网络;选用S型函数作为激发函数;设置初始学习速率和动量项;网络中权值、阈值随机生成;设置网络训练结束条件。
4.根据权利要求1所述的基于改进BP神经网络拟合多种气候模式的气候变化预测方法,其特征在于:所述步骤6中进一步为:
针对每个雨量站都进行网络建模、预测,得到研究区域内每个雨量站神经网络输出的多模式集合雨量预测系列,统计不同时间窗的雨量站模式预测值,利用ArcGIS中的插值模块进行空间插值得到研究区域内未来气候时空分布。
5.一种基于改进BP神经网络拟合多种气候模式的气候变化预测***,其特征在于,包括如下模块:
用于收集表征气候变化特征的降雨数据的第一模块;
用于对多种气候模式预测网格数据进行降尺度处理,得到与实测资料同分辨率的长系列资料的第二模块;
用于将降尺度后的多种气候模式预测系列进行均值校正的第三模块;
用于建立改进BP神经网络模型并确定网络模型结构的第四模块;
用于训练和检验所建立的BP神经网络模型的第五模块;
用于利用模型输出预测未来气候时空变化的第六模块;
所述第一模块进一步用于收集研究区域内历史时期的实测降雨资料系列,多种气候模式模拟的历史时期的降雨网格数据和预测的未来时期的降雨网格数据;
所述第二模块进一步用于对气候模式预测网格数据进行降尺度时,采用ArcGIS中反距离权重插值法对气候模式网格数据进行逐年插值;利用ArcGIS中Analysis Tools模块中的spatial join工具连接气候模式空间分布中的空间量与研究区域内雨量站位置,得到与实测资料同分辨率的气候模式预测雨量长系列资料;
所述第三模块进一步用于对研究区域内k个雨量站的气候模式预测序列进行逐个校正,计算第j个雨量站历史时期多年平均实测雨量计算第j个雨量站模式模拟历史时期气象要素系列的均值利用二者均值差Δ对未来预测气候资料系列进行逐年校正,
式中,Y预jt为气候模式预测的未来第t年的降水量值;Pjt为修正后的第t年雨量值;
所述第四模块进一步用于建立所述BP神经网络模型,包括输入层,隐层和输出层;输入层为校正后的多种气候模式预测系列,节点数为气候模式的个数;隐层节点数采用Lippmann经验公式确定;输出层为多模式集合的预测雨量系列,节点数为1;
针对预测阶段可能出现超过训练样本极值的数据外延情况,改进BP神经网络的输入输出数据处理,把输入数据规范到(α,β)之间:
其中Xk为样本输入序列,Xmin、Xmax分别为样本输入序列中的极大值和极小值,X训max、X预max分别为样本输入序列中训练期与预测期的极大值,ak为输入数据规范后数值;
对于期望输出Tk同样进行上述变化把数据规范到(α,β):
其中,Tmin、Tmax分别为样本期望输出序列中的极大值和极小值,bk为期望输出规范化后数值;
当模型训练完成、参数固定,使用模型进行预测,模型输出值仍介于(0,1)之间,需转换为实际值;
所述第五模块进一步用于训练和检验所述BP神经网络;选用S型函数作为激发函数;设置初始学习速率和动量项;网络中权值、阈值随机生成;设置网络训练结束条件;
所述第六模块进一步用于针对每个雨量站都进行网络建模、预测,得到研究区域内每个雨量站神经网络输出的多模式集合雨量预测系列,统计不同时间窗的雨量站模式预测值,利用ArcGIS中的插值模块进行空间插值得到研究区域内未来气候时空分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109283.2A CN105740991B (zh) | 2016-02-26 | 2016-02-26 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109283.2A CN105740991B (zh) | 2016-02-26 | 2016-02-26 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740991A CN105740991A (zh) | 2016-07-06 |
CN105740991B true CN105740991B (zh) | 2020-04-03 |
Family
ID=56248681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610109283.2A Active CN105740991B (zh) | 2016-02-26 | 2016-02-26 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740991B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227706B (zh) * | 2016-07-25 | 2018-07-24 | 河海大学 | 一种多气候模式输出数据综合校正及不确定性评估方法 |
CN106874511B (zh) * | 2017-03-06 | 2020-05-05 | 云南电网有限责任公司电力科学研究院 | 一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 |
CN107403237A (zh) * | 2017-07-03 | 2017-11-28 | 上海海洋大学 | 基于不同气候条件的中西太平洋鲣鱼渔场预报方法 |
CN107423811B (zh) * | 2017-07-04 | 2018-12-14 | 河海大学 | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 |
CN109146194A (zh) * | 2018-09-05 | 2019-01-04 | 重庆工商大学 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
CN109726867B (zh) * | 2018-12-27 | 2020-07-28 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
US10871594B2 (en) * | 2019-04-30 | 2020-12-22 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
CN110442937B (zh) * | 2019-07-24 | 2023-01-24 | 武汉大学 | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 |
CN110555554A (zh) * | 2019-08-28 | 2019-12-10 | 向波 | 一种基于客观定量化的智能气候预测技术 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和*** |
CN111126684A (zh) * | 2019-12-13 | 2020-05-08 | 北京心中有数科技有限公司 | 气候预测方法、装置、计算机可读存储介质和服务器 |
CN111145304B (zh) * | 2019-12-27 | 2023-10-10 | 新奥数能科技有限公司 | 一种数据处理方法、装置、智能终端及存储介质 |
CN111488974B (zh) * | 2020-04-14 | 2023-05-02 | 四川北控清洁能源工程有限公司 | 基于深度学习神经网络的海洋风能降尺度方法 |
CN111784046B (zh) * | 2020-06-30 | 2023-12-22 | 中国人民解放军国防科技大学 | 一种预估风暴轴活动未来变化趋势的方法 |
US11687620B2 (en) | 2020-12-17 | 2023-06-27 | International Business Machines Corporation | Artificial intelligence generated synthetic image data for use with machine language models |
JP7170763B2 (ja) * | 2021-02-18 | 2022-11-14 | ソフトバンク株式会社 | 電磁波の減衰を予測する装置、方法及びプログラム |
CN113011683A (zh) * | 2021-04-26 | 2021-06-22 | 中国科学院地理科学与资源研究所 | 基于校正作物模型的作物估产方法及*** |
CN113592132B (zh) * | 2021-04-29 | 2022-04-05 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
CN113361766B (zh) * | 2021-06-03 | 2024-04-09 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
CN113850420A (zh) * | 2021-09-13 | 2021-12-28 | 江苏海洋大学 | 一种基于改进的遗传算法优化bp神经网络的气象数据预测方法 |
CN115640956A (zh) * | 2022-09-27 | 2023-01-24 | 中国长江三峡集团有限公司 | 一种未来水资源供需平衡分析方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2464677A (en) * | 2008-10-20 | 2010-04-28 | Univ Nottingham Trent | A method of analysing data by using an artificial neural network to identify relationships between the data and one or more conditions. |
CN101852871A (zh) * | 2010-05-25 | 2010-10-06 | 南京信息工程大学 | 基于经验模态分解和数值集合预报的短期气候预测方法 |
CN102122370A (zh) * | 2011-03-07 | 2011-07-13 | 北京师范大学 | 一种流域气候变化预测及趋势分析方法 |
CN102495937A (zh) * | 2011-10-18 | 2012-06-13 | 南京信息工程大学 | 一种基于时间序列的预测方法 |
CN103838979A (zh) * | 2014-03-26 | 2014-06-04 | 武汉大学 | 一种基于支持向量机算法的统计降尺度方法 |
US9471884B2 (en) * | 2014-05-30 | 2016-10-18 | International Business Machines Corporation | Multi-model blending |
CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
-
2016
- 2016-02-26 CN CN201610109283.2A patent/CN105740991B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105740991A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** | |
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
Leutbecher | Ensemble size: How suboptimal is less than infinity? | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及*** | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及*** | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN108763648A (zh) | 基于核磁共振t2分布获取毛管压力曲线的方法和装置 | |
CN112560173A (zh) | 一种基于深度学习的车辆耐候性温度预测方法及装置 | |
Tak et al. | System‐Level Seismic Risk Assessment of Bridge Transportation Networks Employing Probabilistic Seismic Hazard Analysis | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
Devak et al. | Downscaling of precipitation in Mahanadi basin, India | |
Muthusamy et al. | Comparison of different configurations of quantile regression in estimating predictive hydrological uncertainty | |
Mawada et al. | Climate change impacts on the extreme rainfall for selected sites in North Western England | |
CN116541681A (zh) | 一种基于协同克里金插值的复合灾害空间变异性识别方法 | |
Oesting et al. | Sampling from a Max‐Stable Process Conditional on a Homogeneous Functional with an Application for Downscaling Climate Data | |
Lee et al. | Forecasting korean stock price index (kospi) using back propagation neural network model, bayesian chiao's model, and sarima model | |
CN113487069B (zh) | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 | |
Condeixa et al. | Wind speed time series analysis using TBATS decomposition and moving blocks bootstrap | |
Lee | Climate change inspector with intentionally biased bootstrapping (CCIIBB ver. 1.0)–methodology development | |
Herath et al. | Downscaling approach to develop future sub-daily IDF relations for Canberra Airport Region, Australia | |
Liu et al. | A method for deterministic statistical downscaling of daily precipitation at a monsoonal site in Eastern China | |
Chen et al. | Uncertainty analysis of hydrologic forecasts based on copulas | |
CN111461287A (zh) | 一种基于残差图卷积的共享单车空闲车桩预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |