阅读说明：本技术 一种基于统计动力的中长期降雨分级耦合预报方法及系统 (Medium-and-long-term rainfall grading coupling forecasting method and system based on statistical power ) 是由 徐高洪 邴建平 陈璐 王栋 徐长江 杨鑫 贾建伟 邓鹏鑫 汪飞 李林娟 刘昕 于 2020-05-27 设计创作，主要内容包括：本发明公开了一种基于统计动力的中长期降雨分级耦合预报方法及系统,属于降雨预报领域,包括：模型训练阶段：搜集目标区域和全球尺度的历史水文气象数据,并建立涵盖统计学模型和动力学模型的中长期降雨预报模型库,对于其中的每一个降雨预报模型,利用该模型对不同历史时间段的降雨量进行预报,并将预报结果划分为k个降雨量等级；基于神经网络建立各降雨量等级对应的耦合预报模型,并结合同期实测降雨量对其进行训练；降雨预报阶段：利用各降雨预报模型分别预报目标时间段的降雨量,确定相应的降雨量等级,并选取对应的耦合预报模型耦合各预报结果,得到最终预报结果。本发明能够提高中长期降雨预报的精度,并延长降雨预报的预见期。(The invention discloses a medium and long-term rainfall grading coupling forecasting method and system based on statistical power, belonging to the field of rainfall forecasting and comprising the following steps: a model training stage: collecting historical hydrological meteorological data of a target area and a global scale, establishing a medium-long term rainfall forecast model library covering a statistical model and a dynamic model, forecasting rainfall of different historical time periods by utilizing the model for each rainfall forecast model, and dividing forecast results into k rainfall levels; establishing a coupling forecasting model corresponding to each rainfall level based on a neural network, and training the coupling forecasting model by combining with the rainfall measured in the same period; a rainfall forecasting stage: and respectively forecasting the rainfall of the target time period by using each rainfall forecasting model, determining the corresponding rainfall level, and selecting the corresponding coupling forecasting model to couple each forecasting result to obtain the final forecasting result. The invention can improve the precision of the medium-long term rainfall forecast and prolong the forecast period of the rainfall forecast.)

一种基于统计动力的中长期降雨分级耦合预报方法及系统

技术领域

本发明属于降雨预报领域，更具体地，涉及一种基于统计动力的中长期降雨分级耦合预报方法及系统。

背景技术

中长期水文预报是指根据前期气象水文要素，基于成因分析与数理统计的方法，对未来较长时间内的水文要素进行科学的预测。中长期降雨预报可以为中长期水文预报提供降雨数据，是中长期水文预报的基础。流域降雨过程是一种强烈依赖于大气环流、地表蒸发、全球气候因子变化等动力特性的非线性时变过程，涉及的变量众多，并受自然条件胁迫和人类活动干扰，因此流域降雨时空变异规律异常复杂，如何提高中长期降雨预报的精度，是中长期水文预报中一个亟待解决的难题。

现有的中长期降雨预报方法，主要利用特定的模型进行降雨预报，这些方法在一定程度上能够实现中长期降雨预报，但是降雨预报精度通常受制于输入的数据质量、选用的预报模型结构和优选的模型参数，具体表现在以下方面：①输入方面：以大气环流、海表温度、海冰、积雪等气象因子为降雨模型主要输入信息，降雨预报预见期受观测降雨时效性的限制；②模型方面：对于研究区域，通常采用一种降雨预报模型进行降雨过程模拟，忽略了不同降雨预报模型的流域适应性，预报结果容易出现较大误差，导致决策风险；③参数率定方面：优选模型参数的目标函数单一，难以全面反映流域内不同降雨过程的峰值、雨量以及演化过程差异；④预报精度方面：忽略了模型预报误差对预报模型的指导意义，未充分利用模型的互补性特征，进行预报结果的校正。

此外，大流域降雨预报，在空间维度存在地形复杂、空间差异性大的特点，在时间维度存在不确定性强的特点，且受上述一种或多种问题的协同制约，现行降雨预报难以满足流域水文预报、防灾减灾及水资源科学管理对降雨预报精度及预见期的需求。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于统计动力的中长期降雨分级耦合预报方法及系统，其目的在于，提高中长期降雨预报的精度，并延长降雨预报的预见期。

为实现上述目的，按照本发明的一个方面，提供了一种基于统计动力的中长期降雨分级耦合预报方法，包括：

模型训练阶段：

搜集目标区域和全球尺度的历史水文气象数据，并建立涵盖统计学模型和动力学模型的中长期降雨预报模型库；中长期降雨预报模型库中每个降雨预报模型都用于预报预见期内任意一个时间段内的降雨量；

对于中长期降雨预报模型库中的每一个统计学模型，利用该模型根据所搜集的历史水文气象数据对不同历史时间段的降雨量进行预报，并通过聚类将预报结果划分为k个降雨量等级；对于中长期降雨预报模型库中的每一个动力学模型，利用该模型对不同历史时间段的降雨量进行预报，并通过聚类将预报结果划分为k个降雨量等级；其中，k≥1；

针对每一个降雨量等级，建立基于神经网络的耦合预报模型，用于耦合各降雨预报模型对于同一时间段的预报结果，作为相同时间段的最终预报结果；结合历史同期实测的降雨量，对各耦合预报模型模型进行训练，在训练完成后将各耦合预报模型作为各降雨量等级对应的中长期降雨耦合预报模型；

降雨预报阶段：

搜集目标区域和全球尺度的历史水文气象数据后，利用中长期降雨预报模型库中的各降雨预报模型分别预报目标时间段的降雨量，根据预报结果确定相应的降雨量等级，并选取对应的中长期降雨耦合预报模型耦合各预报结果，从而得到目标时间段内降雨量的最终预报结果。

本发明通过建立涵盖统计学模型和动力学模型的中长期降雨预报模型库，并进一步建立能够耦合多种降雨预报模型的预报结果的中长期降雨耦合预报模型，由此能够充分考虑不同降雨预报模型的流域适应性，利用模型的互补性特征，进行预报结果的校正，从而有效提高中长期降雨预报的预报精度；本发明通过聚类将降雨量划分为不同的降雨量等级，针对不同的降雨量等级，分别构建基于神经网络的中长期降雨耦合预报模型，由此能够充分考虑不同降雨量情形下各降雨预报模型的适应性特征，进一步提高中长期降雨预报的精度。基于高精度的中长期降雨预报结果，本发明可利用已获得的降雨预报结果对未来下一个时间段的降雨量进行预报，由此能够实现对未来多个时间段降雨量的预报，有效延长降雨预报的预见期。总的来说，本发明通过对降雨量进行等级划分，并针对各降雨量等级分别建立能够耦合多种降雨预报模型的预报结果的中长期降雨耦合预报模型，能够有效提高中长期降雨预报的精度，并有效延长降雨预报的预见期。

进一步地，对每一个降雨预报模型的预报结果都采用多种聚类算法进行聚类，并综合所有降雨预报模型对应的聚类结果确定每一个降雨预报模型对应的聚类结果，以使得不同降雨预报模型对同一时间段的降雨预报结果被划分到相同的降雨量等级。

本发明针对每个降雨预报模型都采用多种聚类算法对预报结果进行聚类，并综合所有预报模型对应的聚类结果进行筛选，由此能够使聚类效果稳定、分离度强且簇内紧凑度高。

进一步地，在任意时间段t的降雨量的最终预报结果为：

W_t ^*＝f_i(W_t,1,W_t,2,…W_t,m,…W_t,M)；

其中，W_t,m为中长期降雨预报模型库中第m个降雨预报模型对时间段t的降雨预报结果，1≤m≤M，M为中长期降雨预报模型库中降雨预报模型的总数；i为各降雨预报模型对时间段t的降雨量预报结果所属的降雨量等级，f_i()为第i个降雨量等级对应的中长期降耦合预报模型。

本发明利用神经网络模型耦合各降雨预报模型对于同一时间段的降雨预报结果，能够利用模型的互补性特征，进行预报结果的校正，提高预报精度。

进一步地，中长期降雨预报模型库中的降雨预报模型为：多元线性回归模型、随机森林模型、RegCM4模型和NCEP CFSv2；

其中，多元线性回归模型以多种大气-海洋-陆面过程物理因子为输入；随机森林以全球尺度下的多种大气-海洋-陆面遥相关因子为输入。

本发明所建立的降雨预报模型具体为多元线性回归模型、随机森林模型、RegCM4模型和NCEP CFSv2，其中，多元线性回归模型和随机森林模型为统计学模型，RegCM4模型和NCEP CFSv2为动力学模型；由于动力学模型反映了大气演化过程，因此，本发明所建立的中长期降雨耦合预报模型具有物理机制；由于多元线性回归模型和随机森林以目标区域内和全球尺度下的多种大气-海洋-陆面过程物理因子和遥相关因子为输入，本发明进行能够同时利用流域内以及全球尺度下的水文气象数据进行降雨预报，从而提高预报精度。

进一步地，多元线性回归模型为：

W＝αA+βO+γL+ε；

其中，W为多元线性回归模型的预报结果，A为大气因子集，O为海洋因子集，L为陆面因子集，α为大气因子的回归系数，β为海洋因子的回归系数，γ为陆面因子的回归系数，ε为残差项。

进一步地，本发明所提供的基于统计动力的中长期降雨分级耦合预报方法，在搜集目标区域的历史水文气象数据后，还包括：

计算所搜集的历史水文气象数据中各大气-海洋-陆面过程物理因子与目标区域内历史同期实测的降雨量之间的相关系数，并筛选出其中相关系数最大的topK个物理因子作为预报因子；

利用降雨预报模型进行降雨预报时，仅利用筛选出的预报因子进行预报；

其中，topK为正整数。

本发明仅筛选出历史水文气象数据中与历史实测降雨量之间的相关性较高的因子作为预报因子，用于后续的降雨预报，由此能够剔除无用的数据，防止过拟合，从而保证预报精度，还可以降低降雨预报的计算复杂度。

进一步地，相关系数的计算公式为：

其中，X表示因子序列，Y表示实测降雨量序列，Cov(X,Y)表示序列X和序列Y的协方差，Var(X)表示序列X的方差，Var(Y)表示序列Y的方差。

按照本发明的另一个方面，提供了一种基于统计动力的中长期降雨分级耦合预报系统，包括：计算机可读存储介质和处理器；

计算机可读存储介质用于存储可执行指令；

处理器用于读取计算机可读存储介质中存储的可执行指令，执行本发明提供的基于统计动力的中长期降雨分级耦合预报方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明通过对降雨量进行等级划分，并针对各降雨量等级分别建立能够耦合多种降雨预报模型的预报结果的中长期降雨耦合预报模型，能够有效提高中长期降雨预报的精度，并有效延长降雨预报的预见期。

(2)本发明针对每个降雨预报模型都采用多种聚类算法对预报结果进行聚类，并综合所有预报模型对应的聚类结果进行筛选，由此能够使聚类效果稳定、分离度强且簇内紧凑度高。

附图说明

图1为本发明实施例提供的基于统计动力的中长期降雨分级耦合预报方法示意图；

图2为本发明实施例提供的多元线性回归模型的降雨预报结果与同期实测降雨的对比示意图；

图3为本发明实施例提供的随机森林模型的降雨预报结果与同期实测降雨的对比示意图；

图4为本发明实施例提供的RegCM4模型的降雨预报结果与同期实测降雨的对比示意图；

图5为本发明实施例提供的NCEP CFSv2的降雨预报结果与同期实测降雨的对比示意图；

图6为本发明实施例提供的多种预报模型的预报结果及同期实测降雨的对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

为了提高中长期降雨预报的精度，并延长降雨预报的预见期，在本发明的一个实施例中，提供了一种基于统计动力的中长期降雨分级耦合预报方法，如图1所示，包括模型训练阶段和降雨预报阶段；

模型训练阶段包括：

搜集目标区域和全球尺度的历史水文气象数据，包括目标区域内的历史观测降雨、蒸发等水文气象数据，搜集大气环流指数、海温指数、太阳黑子、冷空气、台风数、北极海冰、青藏高原积雪等气候因子数据；建立涵盖统计学模型和动力学模型的中长期降雨预报模型库；中长期降雨预报模型库中每个降雨预报模型都用于预报预见期内任意一个时间段内的降雨量；

对于中长期降雨预报模型库中的每一个统计学模型，利用该模型根据所搜集的历史水文气象数据对不同历史时间段的降雨量进行预报，并通过聚类将预报结果划分为k个降雨量等级；对于中长期降雨预报模型库中的每一个动力学模型，利用该模型对不同历史时间段的降雨量进行预报，并通过聚类将预报结果划分为k个降雨量等级；其中，k≥1；

针对每一个降雨量等级，建立基于神经网络的耦合预报模型，用于耦合各降雨预报模型对于同一时间段的预报结果，作为相同时间段的最终预报结果；结合历史同期实测的降雨量，对各耦合预报模型模型进行训练，在训练完成后将各耦合预报模型作为各降雨量等级对应的中长期降雨耦合预报模型；

降雨预报阶段包括：

搜集目标区域和全球尺度的历史水文气象数据后，利用中长期降雨预报模型库中的各降雨预报模型分别预报目标时间段的降雨量，根据预报结果确定相应的降雨量等级，并选取对应的中长期降雨耦合预报模型耦合各预报结果，从而得到目标时间段内降雨量的最终预报结果。

在本实施例中，所建立的中长期降雨预报模型库中具体包括四个降雨预报模型，分别是多元线性回归模型、随机森林模型、RegCM4模型和NCEP CFSv2；

其中，多元线性回归模型以大气环流指数、海温指数、太阳黑子、冷空气、台风数、北极海冰、青藏高原积雪等多种大气-海洋-陆面过程物理因子为输入；随机森林以全球尺度下的亚洲纬向环流指数、南方涛动指数、亚洲区极涡强度指数等多种大气-海洋-陆面遥相关因子为输入；

在本实施例所建立的中长期降雨预报模型库中，多元线性回归模型和随机森林模型为统计学模型，RegCM4模型和NCEP CFSv2为动力学模型；在此所建立的四个降雨预报模型保证了中长期降雨预报模型库能够同时涵盖统计学模型和动力学模型，并且，这四个模型都已成功应用于中长期降雨预报，本实施例建立这四个降雨预报模型作为基础的降雨预报模型，能够保证模型的可靠性，保证了后续的耦合预报的可行性；

为了保证所建立的每一个降雨预报模型都能够可靠地应用于中长期降雨预报中，本实施例还利用历史水文气象数据分别对各降雨预报模型的预报精度进行了验证，元线性回归模型、随机森林模型、RegCM4模型和NCEP CFSv2的降雨预报结果与同期实测降雨的对比结果分别如图2～图5所示；多元回归和随机森林为统计模型，应用前要先利用历史数据拟合模型的参数，确定参数所采用的数据时间范围为率定期(1956-2006)，确定参数后要检查参数是否具有普遍性和合理性，就采用除率定期以外的数据进行验证(2007-2016)，如果计算精度与率定期接近，则证明所确定的参数合理，这段数据的时间范围为检验期；根据图2～图5所示的结果可知，本实施例所建立的四个降雨预报模型均具有较高的预报精度；

应当说明的是，本实施例中所建立的中长期降雨预报模型库，仅为本发明的一种可选的实施方式，不应理解为对本发明的唯一限定，只要能保证中长期降雨预报模型库同时涵盖统计学模型和动力学模型，且其中的各降雨预报模型均能可靠地应用于中长期降雨预报，本发明也可以建立不同的中长期降雨预报模型库。

本实施例中，在搜集目标区域的历史水文气象数据后，还包括：

计算所搜集的历史水文气象数据中各大气-海洋-陆面过程物理因子与目标区域内历史同期实测的降雨量之间的相关系数，并筛选出其中相关系数最大的topK个物理因子作为预报因子；其中，topK为正整数；

相关系数的计算公式为：

其中，X表示因子序列，Y表示实测降雨量序列，Cov(X,Y)表示序列X和序列Y的协方差，Var(X)表示序列X的方差，Var(Y)表示序列Y的方差；

和分别为序列X和序列Y的均值；N表示所搜集的历史水文气象数据中，各种因子和历史降雨的序列长度；

利用降雨预报模型进行降雨预报时，仅利用筛选出的预报因子进行预报；

本实施例所建立的多元线性回归模型为：

W＝αA+βO+γL+ε；

其中，W＝[w₁,w₂,…w_n]^T为多元线性回归模型的预报结果，A＝[a₁,a₂,…a_n]^T为大气因子集，O＝[o₁,o₂,…o_n]^T为海洋因子集，L＝[l₁,l₂,…l_n]^T为陆面因子集，α＝[α₁,α₂,…,α_n]^T为大气因子的回归系数，β＝[β₁,β₂,…,β_n]^T为海洋因子的回归系数，γ＝[γ₁,γ₂,…,γ_n]^T为陆面因子的回归系数，ε＝[ε₁,ε₂,…,ε_n]^T为残差项，预报结果W、大气因子集A、海洋因子集O、陆面因子集L、回归系数α、β和γ以及残差项ε均为矩阵形式；n为多元线性回归方程的阶数，用于表示采用多少个历史值对未来降雨进行预测；

本实施例通过筛选出历史水文气象数据中与历史实测降雨量之间的相关性较高的因子作为预报因子，用于后续的降雨预报，能够剔除无用的数据，防止过拟合，从而保证预报精度，还可以降低降雨预报的计算复杂度。

本实施例中，对每一个降雨预报模型的预报结果都采用K-means、BRICH、分层聚类等多种聚类算法进行聚类，并综合所有降雨预报模型对应的聚类结果确定每一个降雨预报模型对应的聚类结果，以使得不同降雨预报模型对同一时间段的降雨预报结果被划分到相同的降雨量等级；

本实施例针对每个降雨预报模型都采用多种聚类算法对预报结果进行聚类，并综合所有预报模型对应的聚类结果进行筛选，由此能够使聚类效果稳定、分离度强且簇内紧凑度高；本实施例中，具体将降雨预报结果划分为三个等级；

对于每一个降雨预报模型，确定其聚类结果的同时，可提取各类预报降雨的最大值和最小值作为对应的降雨量等级的上、下约束边界，以便于后续确定任意一个预报结果所属的降雨量等级；对于任意第m(m＝1，2，3，4)个降雨预报模型，以B_up,i和B_down,i分别表示第i(i＝1，2，3)个降雨量等级的上、下边界约束，则

B_up,i＝maxW_i,j，

B_down,i＝minW_i,j，

其中，W_i,j为第i个降雨量等级中第j个降雨量值。

本实施例以不同模型参数适应性和多模型结构互补性为切入点，基于神经网络与多目标参数优化原理，耦合不同模型雨量等级适应性特点，在降雨预报中实现了多模型耦合互校，有效提高了流域中长期降雨的高精度预报；在本实施例中针对所划分的三个降雨量等级，分别基于神经网络模型建立了用于耦合各降雨预报模型对于同一时间段的预报结果的耦合预报模型；在模型训练过程中，将历史降雨预报结果及同期历史实测降雨划分为训练期和检验期，以不同预报降雨量级下不同模型模拟结果作为输入，以历史实测降雨作为模型输出，对耦合模型进行训练；进一步，采用检验期的预报降雨作为输入，对训练好的神经网络耦合模型进行检验，将耦合模型预报结果与实测降雨进行对比，计算耦合模型的预报结果精度；整个训练过程结束后，得到的耦合模型即为各降雨量等级对应的中长期降雨耦合预报模型，其表达式为：

其中，W_{t,多元回归}、W_{t,随机森林}、W_t,NCEP和W_t,regcm4分别表示利用多元线性回归模型、随机森林模型、NCEP CFSv2和RegCM4模型对时间段t的降雨预报结果，W_t,*表示这四个降雨预报结果；f₁()、f₂()和f₃()分别表示第1、23个降雨量等级对应的中长期降耦合预报模型；

在本实施例中，可基于任意一种类型的神经网络建立耦合预报模型，例如，可以是BP神经网络，RBF神经网络，线性神经网络等常见的可用于数据分类的神经网络，也可以是其他的类型，在此将不作一一列举。

以汉江流域石泉站点以上区域的中长期降雨预报为例，采用上述方法实施例所提供的基于统计动力的中长期降雨分级耦合预报方法，进行降雨预报，降雨量等级划分结果如表1所示。

表1预报雨量精度等级划分结果

搜集上述四种降雨预报模型的同期历史降雨预报结果(2007年1月～2010年12月)，将上述历史同期降雨预报结果及同期历史实测降雨划分为训练期(2007年1月～2009年12月)和检验期(2009年1月～2010年12月)；

以不同预报降雨量级下不同模型模拟结果作为输入，以同期历史实测降雨作为模型输出，对基于神经网络的耦合预报模型进行训练；

采用检验期的预报降雨作为输入，对训练好的神经网络耦合预报模型进行检验，将耦合预报模型的预报结果与实测降雨进行对比，计算模型耦合结果的精度；各降雨预报模型的预报结果及耦合预报模型的预报结果如图6所示，相应的精度量化评价结果如表2所示。

表2各模型预报精度

由图6和表2可知，耦合预报模型预报结果的准确度要基本都高于任一单一降雨预报模型，不存在两项精度指标同时优于耦合预报模型的单一的降雨预报模型；算术平均法由于忽略了每种模型在不同条件下的适用性，导致其预报结果的精度相较于单一模型有所下降，加权平均法虽然能够在一定程度上改善降雨预报结果，但其精度水平仍低于耦合预报模型。由此可知，上述实施例所提供的基于统计动力的中长期降雨耦合分级预报方法能够有效提高中长期降雨预报的精度。

在本发明的另一个实施例中，提供了一种基于统计动力的中长期降雨分级耦合预报系统，包括：计算机可读存储介质和处理器；

计算机可读存储介质用于存储可执行指令；

处理器用于读取计算机可读存储介质中存储的可执行指令，执行上述方法实施例提供的基于统计动力的中长期降雨分级耦合预报方法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。