基于显式遗传算法和奇异谱分析的气象水文要素预报方法技术

技术编号:14746930 阅读:50 留言:0更新日期:2017-03-01 23:29
本发明专利技术涉及一种基于显式遗传算法和奇异谱分析的气象水文要素预报方法,属于气象预报保障领域。该方法包括以下步骤:利用高精度的站点气象水文要素时间序列数据,结合奇异谱分析方法,将要素非线性时间序列分解为滤波时间序列和残余时间序列;结合遗传算法,针对要素滤波和残余时间序列,分别构建相对应的显式预报模型;结合要素滤波和残余时间序列预报模型,构建站点气象水文要素预报模型,开展预报试验。该方法仅利用过去若干时刻观测资料、计算量小、精度可靠,可为气象预报保障提供一种新的方法和资料。

【技术实现步骤摘要】

本专利技术涉及天气预测领域,尤其涉及一种基于显式遗传算法和奇异谱分析的气象水文要素预报方法。适用于利用历史站点气象水文要素时间序列数据(包括观测数据或预报数据),开展单站气象水文要素的预报。气象水文要素包括风(包括风速或纬向风和径向风)、浪、海表温度、相对湿度、降水、海表气压异常、潜流等。
技术介绍
海面风为一个重要的海洋学物理变量。海面风预报包括两方面,一是海面风速预报,另一方面为海面风分量(又可称为风矢量)预报(包括纬向风和径向风)。海面风速的预报对许多海洋活动的计划、实施等都非常重要;同时,海面风分量为海洋大气模式进行海洋状态预报的重要变量和输入信息。目前,对于海面风分量预报,主要依赖于数值模式,并取得了很大成功,但数值模式仍然存在包括物理过程难以准确描绘,初始状态变量场不准确等缺陷,影响着海面风场预报的精度。尤其是在我们仅关于某一特定站点海面风的预报时,数值模式预报计算量很大,并且需要包括初始时刻的湿度场、温度场等在内的大量输入信息。因此,发展不依赖于复杂数值模式且计算量较小的海面风预报方法,一直以来受到气象人员的广泛关注。国内外学者先后开展了多种方法研究,包括线性回归方法、人工神经网络方法,遗传算法(GA)等等。其中,GA算法为目前一种先进有效的预报算法,其主要基于达尔文进化理论(Szpiro,1997;Alvarea,2003),为一种有效的非线性数据拟合方法。GA算法的一个重要优点在于其仅需要利用过去若干时刻的观测资料信息,同时,其可以提供显式的预报方程(Sheng,2012)。目前,GA算法在气象领域开展了包括阿拉伯海海表温度(Alvarez等,2000),印度夏季降雨(Kishtawal等,2003),Ligurian海海表温度和海平面异常(Alvarez等,2004),北印度洋波高(Basu等,2005;Sinha等,2013)和涌浪(Remaya等,2012)等变量在内的预报应用研究。同时,GA算法亦应用于北印度洋的站点insitu资料和散射计资料海面风预报,结果表明GA算法相对持续模型预报在1到3天预报中具有明显的优越性(Basu等,2005)。由于GA算法的特性,不同站点和不同海域对应的海面风预报模型并不相同,均需要重新构建(Basu等,2005;Sinha等,2013)。本专利技术中,针对GA算法在中国南海(SCS)站点海面风预报中开展应用研究。Basu等(2005)中,构建了北印度洋站点海面风的GA算法预报模型。本专利技术研究相对Basu等(2005)研究工作,不仅在于研究海域不同,同时,在实施GA算法前,本专利技术采用奇异谱分析(SSA)方法对海面风时间序列实施噪音滤除,这在Basu等(2005)研究中并未采用。其基本原因是由于GA算法理论上仅能用于预报确定性不包含噪音的时间序列。然而,散射计海面风资料由于其观测误差和反演误差的存在,不可避免的存在一定程度的噪音,这些噪音的存在会在一定程度上影响GA算法预报方程的精度,进而影响预报效果。因此,在对海面风时间序列实施GA算法构建预报模型前实施噪音滤除非常有必要,而SSA方法为目前削弱噪音的最有效方法(Sharma等,2007)。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术提供一种较高优越性的基于显示遗传算法和奇异谱分析的站点海面风预报方法,该方法仅利用站点气象水文要素过去若干时次的资料时间序列数据,奇异谱分析分离要素时间序列的噪音,遗传算法对噪音分离后的要素滤波和残余时间序列构建相应的显式预报模型,最终实现利用站点过去若干时次资料开展气象水文要素预报。该方法计算量小,精度可靠,可为气象预报保障提供一种新的方法和资料。本专利技术解决上述问题所采用的技术方案为:一种基于显式遗传算法和奇异谱分析的气象水文要素预报方法,首先,对不同站点的海面风时间序列(包括风速时间序列和风分量时间序列)实施SSA方法滤除噪音;之后,对SSA滤波后的滤波非线性时间序列和扰动时间序列分别实施GA算法进行预报;最后,利用预报的滤波非线性时间序列和扰动时间序列构建预报风时间序列,并与真实风进行比较以便评估预报质量。GA算法的基本理论在前人工作中有详细说明(Alvarez,2003;Basu等,2005),在此仅作简单介绍。简单来说,对于时间序列,存在投影满足,其中,表示嵌入维数,表示单位时间间隔步长。方程(1)为进行时步预报的预报方程,其中,投影利用过去的观测时间序列得到。GA算法主要通过生物进化理论对投影进行有效估计。其首先通过随机方式产生个种群,之后进行如下几个主要步骤操作,包括:(1)初始化;(2)计算拟合度;(3)种群基因排序;(4)种群选择;(5)复制和交叉;(6)变异。关于该算法的具体实施过程和细节见Sharma等(2007)。第个方程种群拟合度计算可表示为其中,,表示训练样本总的个数。第个种群强度指数为其中,其中,表示训练样本的平均值。为预报值和观测值之间相关系数的平方,其可表示为第个种群训练样本的方差百分比。可知,越趋近于1,第个种群就越好。上述过程不断进行循环,直到满足停止条件,如强度指数不再增加等。当得到最佳种群后,相应的强度指数表示为。由于散射计海面风资料存在一定程度观测误差和反演误差,因此其站点海面风时间序列不可避免存在一定程度噪音。由于GA算法主要基于Takens理论,理论上仅可应用于时间序列无噪音情形,时间序列存在一定程度噪音时将影响算法的有效性,因此在进行GA算法预报前削弱噪音影响非常有必要。SSA方法为目前广泛应用于削弱时间序列噪音的最有效方法,其详细理论说明具体见Alvarez(2003)。其基本原理简单表述为,对于时间序列,可构建数组,具体形式为,其中,表示时间序列总的个数,表示滤波窗口长度。然后,计算的协方差矩阵,并计算相应的特征值和特征矩阵。最后,对特征值按大小进行排序,选择前若干个特征值及其对应的特征矩阵可重构得到滤波后新的时间序列,认为其余特征值表示噪音。本专利技术中滤波窗口,用以包括年循环。同时,选择前80个特征值重构滤波时间序列。本专利技术的原理是利用数学领域先进的非线性时间序列预报方法——显式遗传算法,应用于站点气象水文预报领域,在采用奇异谱分析有效分离要素时间序列数据噪音的基础上,利用显式遗传算法构建气象水文要素时间序列的预报模型。基于显式遗传算法和奇异谱分析的站点气象水文要素预报方法包括以下几个步骤:步骤一:对站点非线性气象水文要素时间序列实施奇异谱分析分离噪音(分解为要素滤波时间序列和残余时间序列)对于站点非线性气象水文要素时间序列,简化为。利用时间序列数据,构建滞后自协方差矩阵,具体形式为:其中,表示时间序列总的个数,表示滤波窗口长度。计算矩阵的协方差矩阵,具体形式为:计算协方差矩阵对应的特征值(按由大到小进行排序)和特征向量。计算的状态向量在特征向量上的投影,具体形式为:其中,特征向量反映了序列的时间演变型,称为时间(简称);是所反映的时间演变型在原序列的时段的权重,称为时间主成分(简称)。重构滤除噪音后的要素滤波时间序列:选择前若干个特征值和对应的特征矩阵,重构要素滤波时间序列,其中,表示特征值截断数。由第个和计算得到,具体形式为:计算要素残余时间序列:要素非线性时间序列与要素滤波时间序列之差,本文档来自技高网
...

【技术保护点】
一种基于显式遗传算法和奇异谱分析的气象水文要素预报方法,其特征在于包括以下几个步骤:步骤一:对站点非线性气象水文要素时间序列实施奇异谱分析分离噪音,分解为要素滤波时间序列和残余时间序列对于站点非线性气象水文要素时间序列,利用时间序列数据,构建滞后自协方差矩阵,具体形式为:其中,表示时间序列总的个数,表示滤波窗口长度;计算矩阵的协方差矩阵,具体形式为:计算协方差矩阵对应的特征值和特征向量,计算的状态向量在特征向量上的投影,具体形式为:其中,特征向量反映了序列的时间演变型,称为时间;是所反映的时间演变型在原序列的时段的权重,称为时间主成分;重构滤除噪音后的要素滤波时间序列:选择前若干个特征值和对应的特征矩阵,重构要素滤波时间序列,其中,表示截断的特征值数,由第个时间和时间主成分计算得到,具体形式为:计算要素残余时间序列:要素非线性时间序列与要素滤波时间序列之差,即;步骤二:对要素滤波和残余时间序列实施遗传算法构建显示预报模型对于站点要素滤波或残余时间序列,时间序列预报模型一般形式为:其中,表示预报模型,表示时间序列时间间隔,表示提前预报的天数,为嵌入维数,表示利用过去资料的天数,遗传算法用以最优估计预报方程,遗传算法通过对上述拟合度计算、种群排序、种群选择、复制和交叉以及变异五个过程不断进行迭代循环,直到达到迭代终止条件,迭代终止条件为,达到最大迭代次数,或者强度指数不再增加,遗传算法迭代终止后,得到最优预报模型;针对要素滤波和残余时间序列,设定合理的遗传算法参数设置,包括方程数即种群数、变量和算子可允许总数、利用过去历史资料长度范围、变异概率、最大迭代次数等,分别实施遗传算法,得到滤波和残余时间序列的预报模型,分别记为和;步骤三:利用构建的预报模型开展站点气象水文要素预报利用显式的气象水文要素滤波和残余时间序列预报模型,构建要素预报模型,基于气象水文要素预报模型,利用过去若干时次要素数据,得到要素预报时间序列,计算预报模型的均方根预报误差。...

【技术特征摘要】
1.一种基于显式遗传算法和奇异谱分析的气象水文要素预报方法,其特征在于包括以下几个步骤:步骤一:对站点非线性气象水文要素时间序列实施奇异谱分析分离噪音,分解为要素滤波时间序列和残余时间序列对于站点非线性气象水文要素时间序列,利用时间序列数据,构建滞后自协方差矩阵,具体形式为:其中,表示时间序列总的个数,表示滤波窗口长度;计算矩阵的协方差矩阵,具体形式为:计算协方差矩阵对应的特征值和特征向量,计算的状态向量在特征向量上的投影,具体形式为:其中,特征向量反映了序列的时间演变型,称为时间;是所反映的时间演变型在原序列的时段的权重,称为时间主成分;重构滤除噪音后的要素滤波时间序列:选择前若干个特征值和对应的特征矩阵,重构要素滤波时间序列,其中,表示截断的特征值数,由第个时间和时间主成分计算得到,具体形式为:计算要素残余时间序列:要素非线性时间序列与要素滤波时间序列之差,即;步骤二:对要素滤波和残余时间序列实施遗传算法构建显示预报模...

【专利技术属性】
技术研发人员:钟剑吴玉琴姜旻魏新马卫民张伟周炯
申请(专利权)人:中国卫星海上测控部
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1