基于年降雨长期预报方法的矿区生态需水量计算方法技术

本发明专利技术公开了基于年降雨长期预报方法的矿区生态需水量计算方法，本发明专利技术先获取预报因子，该预报因子包括天文尺度因子、全球循环尺度因子和流域因子，并对该预报因子进行定量化处理，然后建立预报神经网络也即多层前馈神经网络，通过预报因子和历史降雨量对该预报神经网络进行训练，最后通过训练好的预报神经网络确定所述矿区的生态需水量，通过本方案，能够提高年降雨预报的准确性，从而精确地在预测年进行生态需水量的计算。进行生态需水量的计算。进行生态需水量的计算。

【技术实现步骤摘要】
基于年降雨长期预报方法的矿区生态需水量计算方法


[0001]本专利技术属于生态需水量计算
，具体涉及基于年降雨长期预报方法的矿区生态需水量计算方法。

技术介绍

[0002]年降雨长期预报是一种对于未来全年降雨的预报，其对于区域内生态需水量确定以及区域内水资源调配或汛期防汛、农作物指导等具有重要意义。
[0003]现有技术中一方面关于年降雨的长期预报的物理机制不明确，预报因子受到时间尺度和空间尺度限制，且预报因子的选择缺乏科学论证，预报结果的可靠度和精度不能满足工程实际的需要，另一方面关于年降雨的长期预报采用大气环流指数、厄尔尼诺数、高空气压场和降水气温等1431个因子，选用因子较多，且难以有效获得。
[0004]因此，如何提高年降雨长期预报的准确度从而精准的确定出矿区生态需水量，是本领域技术人员有待解决的技术问题。

技术实现思路

[0005]本专利技术的目的是为了提高年降雨长期预报的准确度从而精准的确定出矿区生态需水量，提出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。
[0006]本专利技术的技术方案为：基于年降雨长期预报方法的矿区生态需水量计算方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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。/>[0010]进一步地，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。
[0011]进一步地，所述预报神经网络具体为多层前馈神经网络。
[0012]进一步地，所述步骤S2具体包括以下分步骤：
[0013]S21、建立所述预报神经网络；
[0014]S22、初始化所述预报神经网络；
[0015]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。
[0016]进一步地，所述通过灰狼算法对所述预报神经网络进行优化具体为：通过所述灰
狼算法优化所述预报神经网络从而得到所述预报神经网络的最优参数。
[0017]进一步地，所述步骤S3具体包括以下分步骤：
[0018]S31、获取所述矿区预测年的预测预报因子；
[0019]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；
[0020]S33、基于所述年降雨预报信息确定出所述矿区生态需水量。
[0021]进一步地，所述步骤S33具体包括以下分步骤：
[0022]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；
[0023]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。
[0024]进一步地，所述步骤S332具体通过如下公式确定出所述预测年的生态需水量：
[0025][0026]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。
[0027]与现有技术相比，本专利技术具备如下有益效果：
[0028](1)本专利技术先获取预报因子，该预报因子包括天文尺度因子、全球循环尺度因子和流域因子，并对该预报因子进行定量化处理，然后根据矿区历史降雨量建立预报神经网络，通过预报因子和历史降雨量对该预报神经网络进行训练，最后通过训练好的预报神经网络确定所述矿区的生态需水量，通过本方案，能够提高年降雨预报的准确性，从而精确地在预测年进行生态需水量的计算。
[0029](2)本专利技术中用于年降雨预报的预报神经网络中的预报因子，是使用了天文尺度因子、全球循环尺度因子和流域因子，其中天文尺度因子具体为太阳黑子数和月球赤纬角，全球循环尺度因子具体为24节气，流域尺度因子为拉马德雷、厄尔尼诺和拉尼娜，通过本申请中预报因子并将预报神经网络进行训练后，其预测精度大大增加。
附图说明
[0030]图1所示为本专利技术实施例提供的基于年降雨长期预报方法的矿区生态需水量计算方法的流程示意图。
具体实施方式
[0031]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。
[0032]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：
[0033]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。
[0034]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。
[0035]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。
[0036]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。
[0037]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，所述方法包括以下步骤：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；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；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。2.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，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。3.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，所述预报神经网络具体为多层前馈神经网络。4.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，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。5.如权利要求4所述的基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，所述通过灰狼算法对所述预报神经网络进行优化具体为：通过所述灰狼算法优化所述预报神经网络从而得到所述预报神经网络的最优参数。6.如权利要求1所述的基于年...

【专利技术属性】
技术研发人员：柳长顺，雷冠军，梁犁丽，鞠茜茜，杜颖娟，王文川，徐冬梅，韩宇平，万芳，和吉，李庆云，赵盼盼，臧红飞，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：