基于多种神经网络模型的洞庭湖流域月降水量预测对比研究

摘要

降水是一种时空复杂的气候过程，而月降水量预测可为水资源管理、水文预报分析、洪涝灾害预警提供关键参数。但是气象条件是复杂多样的，降水信息分布在预报因子不同频率的影响下，各预报因子与月降水量之间存在复杂的线性与非线性关系，然而传统的预报方法没有对预报因子进行处理和筛选，因此月降水量预测的精度普遍不高。为了提高洞庭湖月降水量的预测精度以及解决预报因子的处理与筛选问题，本文提出了一种小波互信息神经网络模型。首先，具有不同时滞的大尺度气候指数和标准化月降水量作为输入变量被分解到不同时间尺度下的子序列，并通过互信息相关性分析以确定最佳预报因子，然后使用多个基于粒子群算法优化各隐藏层神经元个数的cascade-forward(CF)神经网络对各频率下的标准化月降水量子序列分别进行预测，最后通过重构和逆标准化得到月降水量预测值。本文研究以洞庭湖流域27个观测站点的月降水量预测为例，收集和整理了时间跨度为1961-2012年的洞庭湖流域月降水量和六个大尺度气候指数:太平洋年代际振荡(Pacific Decadal Oscillation，PDO)、印度洋偶极子(Indian Ocean dipole mode，IOD)、南极涛动(Antarctic Atmospheric Oscillation，AAO)、北大西洋涛动(NorthAtlantic Oscillation，NAO)、北方涛动指数(North OscillationIndex，NOI)和全球平均气温距平(Global Mean TemperatureAnomalies，GMTA)。构建了神经网络、小波神经网络和小波互信息神经网络模型，其中，1961-1992年的标准化月降水量和大尺度气候指数用于训练神经网络，1993-2002年的数据用于验证神经网络，2003-2012年的数据用于测试神经网络。主要研究结果如下
　　(1)从Nash效率系数和相对误差的角度来看，小波互信息神经网络的预测精度最好，其次为小波神经网络，最差为神经网络。
　　(2)小波互信息神经网络不仅提高了洞庭湖流域总体月降水量预测精度，并对于各个站点极端月降水事件能提供更准确的预报值。
　　(3)神经网络、小波神经网络和小波互信息神经网络对洞庭湖流域月降水预测结果的平均Nash效率系数分别为0.64、0.69和0.71，平均相对误差分别为0.46、0.35和0.33。
　　(4)应用小波变换和互信息相关性分析来处理和筛选输入变量，可以有效识别最佳的预报因子，并提高洞庭湖流域月降水量的预测精度。

目录

摘要

缩略语表

1 引言

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 预报因子的预处理

1．2．2 预报因子的筛选

1．2．3 神经网络结构优化

1．2．4 时间序列

1．2．5 时间序列预测

1．2．6 传统时间序列分析方法

1．2．7 传统降水量预测模型

2 研究区概况及数据收集

2．1 研究区域

2．2 降水的形成

2．2．1 降水的时间变化

2．2．2 降水变率

2．2．3 降水的地理分布

2．2．4 洞庭湖流域降水量变化特征

2．2．5 洞庭湖流域月降水量数据

2．3 大尺度气候指数

2．3．1 印度洋偶极子

2．3．2 南极涛动

2．3．3 北大西洋涛动

2．3．4 全球平均气温距平

2．3．5 太平洋年代际振荡

2．3．6 北方涛动指数

3 研究方法

3．1小波分析

3．2 互信息相关性分析

3．3 神经网络

3．4 粒子群优化算法

3．5 评价标准

4 小波神经网络模型

4．1 神经网络模型

4．1．1 基本步骤

4．1．2 预报因子的筛选

4．1．3 粒子群算法优化cF神经网络结构

4．1．4 预测结果

4．2 小波神经网络模型基本步骤

4．3 小波神经网络模型预报因子处理

4．4 小波神经网络模型预测结果

5 小波互信息神经网络的预测模型

5．1 基本步骤

5．2 预报因子处理和筛选

5．3 预测结果

5．4 结果分析

6 结论与展望

6．1 主要结论

6．2 主要创新点

6．3 讨论与展望

参考文献

附录

致谢

声明