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。