具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种基于年降雨长期预报方法的矿区生态需水量计算方法，如图1所示，该方法包括以下步骤：

步骤S1、获取预报因子，所述预报因子包括天文尺度因子、全球循环尺度因子和流域尺度因子。

步骤S2、建立预报神经网络，并通过所述预报因子和所述历史降雨量对所述预报神经网络进行训练。

在本申请实施例中，所述天文尺度因子具体为太阳黑子相对数、月球赤纬角和二十四节气阴历日期，所述全球循环尺度因子具体为拉马德雷、厄尔尼诺和拉尼娜，所述流域尺度因子具体为秋季降雨量，其中，获取所述预报因子时对所述预报因子进行定量化处理，所述定量化处理具体为将所述拉马德雷的暖位相、所述拉马德雷的冷位相、所述厄尔尼诺、所述拉尼娜和所述天文尺度因子进行赋值。

具体的，获取所述预报因子时对所述预报因子进行定量化处理，所述预报神经网络具体为多层前馈神经网络，其中，天文尺度因子具体包括太阳黑子和月球赤纬角，全球循环尺度因子包括24节气，流域尺度因子包括拉马德雷、厄尔尼诺和拉尼娜。

其中，太阳黑子包括太阳黑子相对数的值，太阳黑子所在单双周，单周为1，双周为0，而月球赤纬角是将每年的月球赤纬角最大值作为预报因子，24节气则是将每年24节气的日期作为预报因子，流域因子通过数字化进行表征，拉马德雷若为冷位相，则为-1，拉马德雷若为暖位相，则为+1，若为厄尔尼诺年，则为+1，若为拉尼娜年，则为-1。

在本申请实施例中，所述步骤S2具体包括以下分步骤：

S21、建立所述预报神经网络；

S22、初始化所述预报神经网络；

S23、将所述预报因子和所述历史降雨量作为所述预报神经网络的输入，同时运用灰狼算法对所述预报神经网络进行优化，从而完成训练。

灰狼算法优化预报神经网络的步骤如下：

(1)初始化神经网络结构：以三层神经网络为网络结构，输入层神经元个数n₁、隐含层神经元个数n₂、输出层为1，其中n₂＝2×n₁+1；在[-0.5,0.5]区间随机初始化初始权值和阈值；

(2)初始化狼群个体：确定人工狼的上下限(ub，lb)，种群规模N，最大迭代次数I_max，基于参数个数确定狼群向量的维度n，基于狼群个体的适应度确定头狼、探狼、猛狼个体。

(3)狼群个体进化：经过探狼游走、猛狼奔袭行为、狼群围攻行为、狼群更新行为不断更新狼群个体的位置，不断更新最优的头狼个体，使得狼群个体向最优化方向进化，即适应度最优的方向进化。

(4)迭代终止检验：若满足迭代次数最大或迭代终止条件，则停止迭代，否则不断重复步骤3，直到寻找到最优的参数向量个体。

将预报因子作为预报神经网络的输入，通过灰狼算法选定最优参数值，参数值包括：输入层与隐含层间的连接权值W₁、隐含层与输出层间的连接权值W₂、隐含层节点的阈值B₁、输出层节点的阈值B₂，如下式所示：

式中，n-为序列的长度，m-为预报因子的个数，μ_mn为预报因子，v_n为待预报值。

为了提高预报神经网络的训练速度，需要将训练的输入和输出数据进行处理，本申请采用的处理方法是在输入模型前对数据进行归一化处理，在模型给出输出数据后对其进行反归一化处理，以获得真实的输出值。

1)[0,1]区间内的归一化处理

所采用的的函数映射如下式所示：

其中，μ_ij,μ′_ij∈Rⁿ，μ_jmin＝min(μ_j)，μ_jmax＝max(μ_j)，i＝1,2,...,n；j＝1,2,...,m。归一化的效果是原始数据转化为[0,1]范围内的数值。

2)[-1,1]区间内的归一化处理

所采用的的函数映射如下式所示：

其中，μ_ij,μ′_ij∈Rⁿ，μ_jmin＝min(μ_j)，μ_jmax＝max(μ_j)，i＝1,2,...,n；j＝1,2,...,m，归一化的效果是原始数据转化为[-1,1]范围内的数值，μ′_ij为归一化后的数据，μ_ij为数据矩阵元素，μ_jmin为第j列的最小值，μ_jmax为第j列的最大值。。

Matlab的内置函数mapminmax(·)可以实现上述归一化，将训练集和测试集放在一起归一化，每一维度大的最大值和最小值从训练集和测试集中确定。

步骤S3、基于训练好的所述预报神经网络确定出所述矿区的生态需水量。

在本申请实施例中，所述步骤S3具体包括以下分步骤：

S31、获取所述矿区预测年的预测预报因子；

S32、将所述预测预报因子输入所述预报神经网络得到所述预测年的所述年降雨预报信息；

S33、基于所述年降雨预报信息确定出所述矿区生态需水量。

在本申请实施例中，所述步骤S33具体包括以下分步骤：

S331、根据所述年降雨预报信息确定所述矿区在所述预测年的年预报信息，所述年预报信息具体为特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年和特枯水年；

S332、根据所述年预报信息确定所述矿区在所述预测年的生态需水量。

具体的，可通过空间环境预报中心的太阳活动周预报产品获取预测年的太阳黑子相对数，通过天文计算工具包确定出预测年的月球赤纬角，通过《天文年历》确定出预测年的24节气阴历日期，然后将预报因子输入至预报神经网络中得到预测年的年降雨预报，年预报信息可根据如下表1的降雨分型特征进行确定：

表1

基于上述，矿区在预测年的生态需水量可如下式所示：

式中，T_i为预测年的生态需水量，为所述预测年前的预设年数平均生态需水量的均值，i为预测年的年预报信息，其中，i为1时表示预测年为特丰水年，i为2时表示预测年为丰水年，i为3时表示预测年为偏丰水年，i为4时表示预测年为平水年，i为5时表示预测年为偏枯水年，i为6时表示预测年为枯水年，i为7时表示预测年为特枯水年，α₁为特丰水年的比例因子，具体是1.4，α₂为丰水年的比例因子，具体是1.2，α₃为偏丰水年的比例因子，具体是1.1，α₄为平水年的比例因子，具体是1，α₅为偏枯水年的比例因子，具体是0.9，α₆为枯水年的比例因子，具体是0.8，α₇为特枯水年的比例因子，具体是0.6。

需要说明的是，为所述预测年前的预设年数平均生态需水量的均值，其中预测年前的预设年数举例如：预测年为2025年，预设年数即为2025年前的2020至2024共五年的年生态需水量的均值。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。