一种基于GA-LSSVM模型的降水量预测方法
技术领域
本发明涉及降水量预测技术领域，具体来说，涉及一种基于GA-LSSVM模型的降水量预测方法。
背景技术
随着人口的急剧膨胀，河流的污染程度也随之上升，如何充分利用好地球上宝贵的水资源，是人类所面临的严峻问题，降水作为水文系统循环过程中的一个非常重要的环节，在整个水循环中起着关键性的作用，而降水量在较短时间内的剧烈变化，极易引发区域环境的旱涝灾害，从而对整个区域的经济发展造成严重的危害，为此，如何更好的在较短的时间内对未来降水量进行精准预测，是目前水信息领域亟需解决的关键问题之一。
降水量的预测在近几十年取得了较大的发展，常使用的一类模型是物理统计模型，即选择的因子具有一定的物理意义，并利用前兆信息因子与后期汛期的遥相关原理，对降水的轻重程度进行划分，物理统计模型对数据的质量要求严格，区域所处地域对预测效果影响极大，在实际的使用中不够灵活，并易受不稳定因素的影响，并且其类似于线性刻画的方式，并不能很稳定的去预测降水量，存在较大的随机性。
因此亟需一种基于GA-LSSVM模型的降水量预测方法。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于GA-LSSVM模型的降水量预测方法，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种基于GA-LSSVM模型的降水量预测方法，包括以下步骤：
步骤S1，预先获取温度廓线特征信息，并基于月尺度对每条温度廓线特征信息在预定范围内进行垂向插值；
步骤S2，获取温度廓线特征信息均值并滑动平均，确定源区的背景温度廓线TB；
步骤S3，获取温度扰动廓线T，其中包括通过二次项拟合趋势；
步骤S4，获取月尺度的重力波势能，其中包括标定重力波势能和标定浮力频率的平方；
步骤S5，标定GA-LSSVM模型；
步骤S6，将获取的重力波势能作为所述GA-LSSVM模型的输入，进行降水量预测。
进一步的，所述预定范围包括在10km-50km的范围内进行分辨率为200m的垂向插值。
进一步的，步骤所述获取温度廓线特征信息均值并滑动平均，包括以下步骤：
预先剔除超出[-100,+10]摄氏度范围的温度廓线特征信息；
通过3sigma准则(三西格玛准则)对温度廓线特征信息进行预处理。
进一步的，步骤所述温度扰动廓线T，包括以下步骤：
将原始所述温度廓线特征信息减去所述背景温度廓线TB，获取温度扰动廓线T。
进一步的，包括以下步骤：
标定带通宽度为2-10km的六阶巴特沃斯滤波器；
滤除重力波之外的其它波；
获取月尺度的重力波势能。
进一步的，所述标定重力波势能，表示为：
其中，g＝9.8m/s2。
进一步的，所述标定浮力频率的平方，表示为：
其中，g＝9.8m/s2,cp＝1.005×103J/(kg·k)，z表示海拔高度。
本发明的有益效果：
本发明基于GA-LSSVM模型的降水量预测方法，通过预先获取温度廓线特征信息，并基于月尺度对每条温度廓线特征信息在预定范围内进行垂向插值；获取温度廓线特征信息均值并滑动平均，确定源区的背景温度廓线TB；获取温度扰动廓线T，在获取月尺度的重力波势能，标定GA-LSSVM模型将获取的重力波势能作为所述GA-LSSVM模型的输入，进行降水量预测，实现实时降水预测，不仅降水预测成本低，而且降水预测精度高，应用范围广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于GA-LSSVM模型的降水量预测方法的流程示意图；
图2是根据本发明实施例的一种基于GA-LSSVM模型的降水量预测方法的场景示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种基于GA-LSSVM模型的降水量预测方法。
如图1所示，根据本发明实施例的基于GA-LSSVM模型的降水量预测方法，包括以下步骤：
步骤S1，预先获取温度廓线特征信息，并基于月尺度对每条温度廓线特征信息在预定范围内进行垂向插值；
步骤S2，获取温度廓线特征信息均值并滑动平均，确定源区的背景温度廓线TB；
步骤S3，获取温度扰动廓线T，其中包括通过二次项拟合趋势；
步骤S4，获取月尺度的重力波势能，其中包括标定重力波势能和标定浮力频率的平方；
步骤S5，标定GA-LSSVM模型；
步骤S6，将获取的重力波势能作为所述GA-LSSVM模型的输入，进行降水量预测。
借助于上述方案，通过预先获取温度廓线特征信息，并基于月尺度对每条温度廓线特征信息在预定范围内进行垂向插值；获取温度廓线特征信息均值并滑动平均，确定源区的背景温度廓线TB；获取温度扰动廓线T，在获取月尺度的重力波势能，标定GA-LSSVM模型将获取的重力波势能作为所述GA-LSSVM模型的输入，进行降水量预测，实现实时降水预测，不仅降水预测成本低，而且降水预测精度高，应用范围广。
其中，所述预定范围包括在10km-50km的范围内进行分辨率为200m的垂向插值。
其中，步骤所述获取温度廓线特征信息均值并滑动平均，包括以下步骤：
预先剔除超出[-100,+10]摄氏度范围的温度廓线特征信息；
通过3sigma准则(三西格玛准则)对温度廓线特征信息进行预处理。
其中，步骤所述温度扰动廓线T，包括以下步骤：
将原始所述温度廓线特征信息减去所述背景温度廓线TB，获取温度扰动廓线T。
其中，包括以下步骤：
标定带通宽度为2-10km的六阶巴特沃斯滤波器；
滤除重力波之外的其它波；
获取月尺度的重力波势能。
其中，所述标定重力波势能，表示为：
其中，g＝9.8m/s2。
其中，所述标定浮力频率的平方，表示为：
其中，g＝9.8m/s2,cp＝1.005×103J/(kg·k)，z表示海拔高度。
另外，具体的，如图2所示，在一个实施例中，表示如下：
步骤一：预先下载COSMIC level2干温度廓线数据，月尺度上对每条廓线在10km-50km的范围内进行分辨率为200m的垂向插值。
步骤二：剔除超出[-100,+10]摄氏度范围的温度廓线，通过3sigma准则(三西格玛准则)对温度廓线进行预处理，将处理后的温度廓线求均值并滑动平均，得到源区的背景温度廓线TB
步骤三：将原始温度廓线减去背景温度廓线即可得温度扰动廓线T，，并通过二次项拟合去趋势。利用带通宽度为2-10km的六阶巴特沃斯滤波器滤除重力波之外的其他波，计算月尺度的重力波势能，其中分别计算重力波势能和浮力频率的平方
步骤四：建立GA-LSSVM(最小二乘支持向量机)模型，并优选参数。
步骤五：将计算出的重力波势能融入到模型，对长期降水量进行预测。
综上所述，借助于本发明的上述技术方案，通过预先获取温度廓线特征信息，并基于月尺度对每条温度廓线特征信息在预定范围内进行垂向插值；获取温度廓线特征信息均值并滑动平均，确定源区的背景温度廓线TB；获取温度扰动廓线T，在获取月尺度的重力波势能，标定GA-LSSVM模型将获取的重力波势能作为所述GA-LSSVM模型的输入，进行降水量预测，实现实时降水预测，不仅降水预测成本低，而且降水预测精度高，应用范围广。
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、改进等，均应包含在本发明的保护范围之内。
