基于改进BP神经网络拟合多种气候模式的气候变化预测方法及系统

摘要

本发明公开了一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法及系统，包括以下步骤：收集表征气候变化特征的降雨数据；对气候模式预测网格数据进行降尺度处理，得到与实测资料同分辨率的长系列资料；将降尺度后的气候模式预测系列进行均值校正；建立改进BP神经网络模型并确定网络模型结构；训练和检验所建立的BP神经网络模型；利用模型输出预测未来气候时空变化。本发明改进了BP神经网络的输入输出数据处理，并拟合多种气候模式用以预测未来气候变化，增加了预测结果的可靠性，弥补了以往单一模式在评估时偏差较大及多模式集合评估时未考虑流域空间不均匀性等不足。

说明书

技术领域

本发明属于气候学与水文水资源应用领域，尤其是一种利用气候模式预测未来气候变化的方法。

背景技术

气候变化背景下的未来气候预估是全球气候变化的重大科学问题之一。客观评价未来气候变化趋势，加强水资源适应性管理，趋利避害，是国家应对气候变化的重大战略需要。全球气候模式被认为是用于认识和归因过去气候变化并对未来进行预估的主要工具。因此，选择性能高的模式非常重要，模式是否能够合理地模拟出过去的气候变化，将直接影响到模式能否对当前气候年代际变化“再现能力”的评估，可以在一定程度上检验对未来气候变化预估的可信度。

目前，利用气候模式进行未来预测的方法主要分为两种：一种是利用单一模式进行预测，利用不同气候模式的模拟数据与实测资料进行控制试验和评价模式对平均状态的模拟效果，认识历史气候并筛选出模拟效果好的气候模式对未来气候进行预测；第二种是多模式集合进行预测，根据单一模式性能利用主观赋权法或客观赋权法给气候模式赋权得到多模式集合，并预测未来气候变化。然而，单一模式在评估特定流域气候变化趋势时，往往偏差较大；利用多模式集合时，一个流域用同一组权重值则未考虑流域空间的不均匀性，不能正确反映气候变化的时空分布情况。

此外，利用BP神经网络预报时，预报序列值不能外延的情况使得BP神经网络在气候预测中的应用受限。如何利用BP神经网络预测未来气候变化并得到可信度高的结果，也是亟待解决的技术难题。

发明内容

发明目的：一个目的是提供一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法，以解决现有技术存在的上述问题。进一步的目的是提供一种实现上述方法的系统。

技术方案：一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法，包括以下步骤：

步骤1、收集表征气候变化特征的降雨数据；

步骤2、对气候模式预测网格数据进行降尺度处理，得到与实测资料同分辨率的长系列资料；

步骤3、将降尺度后的气候模式预测系列进行均值校正；

步骤4、建立改进BP神经网络模型并确定网络模型结构；

步骤5、训练和检验所建立的BP神经网络模型；

步骤6、利用模型输出预测未来气候时空变化。

在进一步的实施例中，所述步骤1进一步为：

收集研究区域内历史时期的实测降雨资料系列，气候模式预测的历史和未来时期的降雨网格数据。

在进一步的实施例中，所述步骤2进一步为：

对气候模式预测网格数据进行降尺度时，采用ArcGIS中反距离权重插值法对气候模式网格数据进行逐年插值；利用ArcGIS中AnalysisTools模块中的spatialjoin工具连接气候模式空间分布与研究区域内雨量站位置，得到与实测资料同分辨率的气候模式预测雨量长系列资料。

在进一步的实施例中，所述步骤3进一步为：

对研究区域内k个雨量站的气候模式预测序列进行逐个校正，计算第j个雨量站历史时期多年平均实测雨量j＝1,2…k，计算第j个雨量站模式预测历史时期气象要素系列的均值j＝1,2…k，利用二者均值差Δ对未来预测气候资料系列进行逐年校正，

P_jt＝Y_预jt+Δ，

式中，Y_预jt为气候模式预测的未来第t年的降水量值；P_jt为修正后的第t年雨量值。

在进一步的实施例中，所述步骤4进一步为：

建立所述BP神经网络模型，包括输入层，隐层和输出层；输入层为校正后的多种气候模式预测系列，节点数为气候模式的个数；隐层节点数采用Lippmann经验公式确定；输出层为多模式集合的预测雨量系列，节点数为1；

针对预测阶段可能出现超过训练样本极值的数据外延情况，改进BP神经网络的输入输出数据处理，把输入数据规范到(α,β)之间：

$>a_k=\alpha +(\beta -\alpha )·\frac{X_k-X_{min}}{X_{max}-X_{min}},$>其中，

X_min、X_max分别为样本输入序列中的极大值和极小值，X_训max、X_预max分别为样本输入序列中训练期与预测期的极大值，a_k为输入数据规范后数值；

对于期望输出T_k同样进行上述变化把数据规范到(α,β)：

$>b_k=\alpha +(\beta -\alpha )·\frac{T_k-T_{\min }}{T_{max}-T_{min}},$>

其中，T_min、T_max分别为样本期望输出序列中的极大值和极小值，b_k为期望输出规范化后数值；

当模型训练完成、参数固定，使用模型进行预测，模型输出值仍介于(0，1)之间，需转换为实际值；

$>{\hat{T}}_k=T_{min}+(T_{max}-T_{min})(c_k-\alpha )/(\beta -\alpha ),$>c_k为模型实际输出数值。

在进一步的实施例中，所述步骤5中进一步为：

训练和检验所述BP神经网络；选用S型函数作为激发函数；设置初始学习速率和动量项；网络中权值、阈值随机生成；设置网络训练结束条件。

在进一步的实施例中，所述步骤6中进一步为：

针对每个雨量站都进行网络建模、预测，得到研究区域内每个雨量站神经网络输出的多模式集合雨量预测系列，统计不同时间窗的雨量站模式预测值，利用ArcGIS中的插值模块进行空间插值得到研究区域内未来气候时空分布。

一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法，主要包括如下模块：

用于收集表征气候变化特征的降雨数据的第一模块；

用于对气候模式预测网格数据进行降尺度处理，得到与实测资料同分辨率的长系列资料的第二模块；

用于将降尺度后的气候模式预测系列进行均值校正的第三模块；

用于建立改进BP神经网络模型并确定网络模型结构的第四模块；

用于训练和检验所建立的BP神经网络模型的第五模块；

用于利用模型输出预测未来气候时空变化的第六模块。

在进一步的实施例中，所述第一模块进一步用于收集研究区域内历史时期的实测降雨资料系列，气候模式预测的历史和未来时期的降雨网格数据；

所述第二模块进一步用于对气候模式预测网格数据进行降尺度时，采用ArcGIS中反距离权重插值法对气候模式网格数据进行逐年插值；利用ArcGIS中AnalysisTools模块中的spatialjoin工具连接气候模式空间分布与研究区域内雨量站位置，得到与实测资料同分辨率的气候模式预测雨量长系列资料；

所述第三模块进一步用于对研究区域内k个雨量站的气候模式预测序列进行逐个校正，计算第j个雨量站历史时期多年平均实测雨量j＝1,2…k，计算第j个雨量站模式预测历史时期气象要素系列的均值j＝1,2…k，利用二者均值差Δ对未来预测气候资料系列进行逐年校正，

P_jt＝Y_预jt+Δ，

式中，Y_预jt为气候模式预测的未来第t年的降水量值；P_jt为修正后的第t年雨量值。

在进一步的实施例中，所述第四模块进一步用于建立所述BP神经网络模型，包括输入层，隐层和输出层；输入层为校正后的多种气候模式预测系列，节点数为气候模式的个数；隐层节点数采用Lippmann经验公式确定；输出层为多模式集合的预测雨量系列，节点数为1；

针对预测阶段可能出现超过训练样本极值的数据外延情况，改进BP神经网络的输入输出数据处理，把输入数据规范到(α,β)之间：

$>a_k=\alpha +(\beta -\alpha )·\frac{X_k-X_{min}}{X_{max}-X_{min}},$>其中，

X_min、X_max分别为样本输入序列中的极大值和极小值，X_训max、X_预max分别为样本输入序列中训练期与预测期的极大值，a_k为输入数据规范后数值；

对于期望输出T_k同样进行上述变化把数据规范到(α,β)：

$>b_k=\alpha +(\beta -\alpha )·\frac{T_k-T_{min}}{T_{max}-T_{min}},$>

其中，T_min、T_max分别为样本期望输出序列中的极大值和极小值，b_k为期望输出规范化后数值；

当模型训练完成、参数固定，使用模型进行预测，模型输出值仍介于(0，1)之间，需转换为实际值；

$>{\hat{T}}_k=T_{\min }+(T_{max}-T_{min})(c_k-\alpha )/(\beta -\alpha ),$>c_k为模型实际输出数值；

所述第五模块进一步用于训练和检验所述BP神经网络；选用S型函数作为激发函数；设置初始学习速率和动量项；网络中权值、阈值随机生成；设置网络训练结束条件

所述第六模块进一步用于针对每个雨量站都进行网络建模、预测，得到研究区域内每个雨量站神经网络输出的多模式集合雨量预测系列，统计不同时间窗的雨量站模式预测值，利用ArcGIS中的插值模块进行空间插值得到研究区域内未来气候时空分布。

有益效果：

首先，本发明对气候模式的模拟数据与实测资料进行控制实验并进行均值校正，弥补了单一气候模式预测往往偏差较大的缺陷。

其次，利用BP神经网络良好的非线性映射能力及较好的识别和预报能力对研究区域内每个雨量站进行多模式拟合，弥补了以往研究一个流域用同一组权重值时未考虑流域空间的不均匀性。

最后，本发明针对BP神经网络预测阶段对超过训练样本极值的数据外延能力不足的缺点进行改进，改进BP神经网络的输入输出数据处理，增加多模式集合预测未来气候时空变化的可靠性。

附图说明

图1为本发明方法的流程图。

图2为均值校正后的雨量修正图。

图3为改进BP神经网络训练和检验多模式集合雨量系列图。

图4为多模式集合预测未来气候变化空间分布图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

申请人认为，利用气候模式预测气候变化实质上是利用气候模式的模拟数据与实测资料进行控制试验，选择评估效果好的气候模式或气候模式集合进行未来气候预测。研究发现现有的气候模式预测未来气候变化方案中利用单一模式或加权的多模式集合方法进行未来趋势预测，会出现偏差较大、及未考虑空间变化等问题。而申请人认为，在预测未来气候变化的过程中，采用可信度高的模式数据是至关重要的。

为解决现有技术存在的问题，本发明提出了一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法，对气候模式预测数据进行降尺度与均值校正处理，建立改进的BP神经网络模型，利用多种气候模式数据作为输入，经模型训练和校验后，得到多气候模式集合，预测未来气候时空变化。

下面通过实施例，并结合附图及ArcGIS软件等实现过程，对本发明的技术方案做进一步具体说明。

如图1所示，一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法，包括以下步骤：

步骤1，收集研究区域内历史时期的实测降雨资料系列，以及气候模式预测的历史和未来时期的降雨网格数据，并整理成统一时长的数据资料。

步骤2，对气候模式预测网格数据进行降尺度处理，得到与实测资料同分辨率的长系列资料：

将气候模式预测网格数据按照序号、年份、经度、纬度、雨量五列数值建立excel文件并导入到ArcGIS中，选择Tools→AddXYData工具定位气候模式网格位置，生成气候模式网格数据图层，将实测雨量站资料按照同样的方式生成实测雨量数据图层。选择SpatialAnalysisTools→Interpolation→IDW工具将气候模式预测数据插值得到空间分布，然后利用AnalysisTools→Overlay→SpatialJoin工具将气候模式空间分布与实测雨量站位置进行空间连接，得到实测雨量站的模式预测雨量系列资料。

步骤3，将降尺度后的气候模式预测系列进行均值校正：

图2为利用雨量站历史实测资料对模式预测资料进行均值校正的结果图。

对研究区域内k个雨量站的气候模式预测序列进行逐个校正，计算第j个雨量站历史时期多年平均实测雨量j＝1,2…k，计算第j个雨量站模式预测历史时期气象要素系列的均值j＝1,2…k，利用二者均值差Δ对未来预测气候资料系列进行逐年校正，

P_jt＝Y_预jt+Δ

式中，Y_预jt为气候模式预测的未来第t年的降水量值；P_jt为修正后的第t年雨量值。

步骤4，建立改进BP神经网络模型并确定网络模型结构：

建立所述BP神经网络模型，包括输入层，隐层，输出层。输入层为校正后的多种气候模式预测系列，节点数为气候模式的个数；隐层节点数采用Lippmann经验公式确定；输出层为多模式集合的预测雨量系列，节点数为1。针对预测阶段可能出现超过训练样本极值的数据外延情况，改进BP神经网络的输入输出数据处理，把输入数据规范到(α,β)之间：

$>a_k=\alpha +(\beta -\alpha )·\frac{X_k-X_{min}}{X_{max}-X_{min}}$>

其中，

X_min、X_max分别为样本输入序列(包括训练期与预测期)中的极大值和极小值，X_训max、X_预max分别为样本输入序列中训练期与预测期的极大值，a_k为输入数据规范后数值。

对于期望输出T_k同样进行上述变化把数据规范到(α,β)：

$>b_k=\alpha +(\beta -\alpha )·\frac{T_k-T_{min}}{T_{max}-T_{min}}$>

其中T_min、T_max分别为样本期望输出序列中的极大值和极小值，b_k为期望输出规范化后数值。

当模型训练完成、参数固定，使用模型进行预测，模型输出值仍介于(0，1)之间，需转换为实际值。

$>{\hat{T}}_k=T_{\min }+(T_{max}-T_{min})(c_k-\alpha )/(\beta -\alpha )$>

c_k为模型实际输出数值。

步骤5，训练和检验所建立的BP神经网络模型：

图3为利用改进BP神经网络模拟的多模式集合雨量系列与实测雨量系列的对比图，将历史时期分为模型训练期与检验期，训练期利用实测数据与多模式数据进行拟合，并预报出检验期的结果与实测资料进行对比以验证模型精度。

训练和检验所述BP神经网络；选用S型函数(Sigmoid函数)作为激发函数；设置初始学习速率和动量项；网络中权值、阈值随机生成；设置网络训练结束条件(误差达到要求或达到训练次数)。

步骤6，利用模型输出预测未来气候时空变化：

图4为利用各雨量站的多模式集合预测数据进行空间插值后得到的研究区域内雨量时空分布。图中颜色越深，表明该区域雨量越大。

对研究区域内所有雨量站逐个进行网络建模、预测，得到研究区域内每个雨量站网络输出的多模式合集雨量预测系列，统计不同时间窗(年或时期)的雨量站模式预测值，利用ArcGIS中的SpatialAnalysisTools→Interpolation→IDW插值模块进行空间插值得到研究区域内未来气候时空分布。

总之，针对现有技术的不足，本发明提出了一种基于改进BP神经网络拟合多种气候模式的气候变化预测方法，对气候模式预测数据进行降尺度与均值校正处理，建立改进的BP神经网络模型，利用多种气候模式数据作为输入，经模型训练和校验后，得到多气候模式集合，预测未来气候时空变化。本发明改进的BP神经网络的输入输出数据处理，并拟合多种气候模式用以预测未来气候变化，增加了预测结果的可靠性，弥补了以往单一模式在评估时偏差较大及多模式集合评估时未考虑流域空间不均匀性等不足。

需要说明的是，虽然在上述实施例中本发明的部分步骤是采用ArcGIS软件来实现，本发明的要义是提供一种利用气候模式预测未来气候变化的方法，ArcGIS是实现这种方法的技术手段之一，软件的实现过程可以看作是本发明技术思想的一种具体化的实施过程。当然也可以采用相似的软件或开发类似的软件来实现，在此不再赘述。

另外，本发明中的相关步骤的顺序并非是限定性，即本领域的技术人员可以调整，本发明中的顺序是一种案例性的撰写方式，而非限定性描述。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。