降雨預測方法

• DBNPF (Deep Belief Network for Precipitation Forecast)

  來源：張雷師兄論文：A deep-learning based precipitation forecasting

模型：

比較：RBF、SVM、ARIMA、ELM（extreme learning machine）、SAE（Sparse AutoEncoder）

數據集：

遵義市1956-2010

train data:1956-2000

test data:2000-2010

• 動態區域組合MLP

  來源：賈旸旸師兄論文：Short-term Rainfall Forecasting Using Multi-layer Perceptron

模型：

PCA：13個物理因子進行降維，輸入到MLP中

貪婪算法決定MLP的結構，

該模型的初始數據包括五個高空因素和八個地表因素。

在氣象學中，通常用位勢高度代替實際高度，用等壓面代替水平高度，因此，氣象數據總是采用等壓面格式。例如，500hpa通常相當于5.5km的高度。降雨系統通常由500hpa的天氣系統控制。根據區域經驗，該模型選擇的五個海拔因子分別是500hpa高度下的實際高度（x1）、溫度（x2）、溫度露點差（x3）、風向（x4）和風速（x5）。風向和風速影響著降雨系統的運動方向和速度。溫度露點差與濕度直接相關。溫度露點差、溫度和實際高度值影響著降雨系統的內能。地表因子代表該地區的局部大氣條件。不同地區地表因子的差異導致降雨不同。該模型中所用的八個面因子包括總云量（X6）、地表風速（X7）、地面風向（X8）、地面氣壓（X9）、地表3小時壓力變化（X10）、地表溫度露點差（X11）、地表溫度（X12）和過去三小時的降雨。周圍區域（x13）。對于同一個預測區域，每個周邊區域都與該預測區域建立一個MLP。表1顯示了所有13個因素。這些因素是我們模型的初始輸入。

最小-最大規范化。最常用的數據規范化方法之一是最小-最大規范化。它可以在0和1之間標準化數據。由于不同因素的大小不同，有必要對數據進行預處理。對于要處理的序列，序列的最大值對應于1，最小值對應于0，其余值在0和1之間按比例轉換。

主成分分析。歸一化后，PCA用于減小輸入的維數。確定新因子個數的標準是99%，即所選因子的特征值之和占總特征值的99%以上。經計算，新因子的總信息可以代表原始數據的99%以上。此標準定義了保留的信息量，但沒有指定所需的因子數量。對于不同的預測區域，因子的數量可能不同，但不會超過初始輸入，即13。在大多數情況下，需要的因素數量在3到8之間。PCA處理后，所需的計算資源大大減少。

MLP的輸入是Z1-Z4四個參數，輸出是降雨量

step1:

step2:中心預測點與其他地區各有一個MLP，兩個地區的距離決定了周圍MLP的數量。周圍多個MLP模型一起決策，如果預測降雨的MLP超過1，取均值。

比較：

數據集：

2015-2017年海拔（500hPa）測繪數據和數值預報結果。

train data:2015-2016

test data:2016-2017

• 基于雷達回波圖像的短期降雨預測

  來源：基于雷達回波圖像的短期降雨預測

模型：

卷積自編碼器的編碼模塊首先提取每幀輸入圖像特征，送入LSTM預報網絡；LSTM預報網絡的編碼模塊，對輸入信息提取時序特征，在此基礎上，由LSTM預測模塊產生關于未來時段回波圖像時序特征預測。

比較：

在MINIST數據集上對自編碼器的層數和LSTM層數預測效果進行對比

數據集：

石家莊地區 2010 -2017 年之間降雨天氣的雷達回波圖像 。

回波圖像每6分鐘采集一幀， 1個小時內得到 10 幀雷達回波圖像，構成一個時間序列。

• 常用方法

  常用的基于觀測和預報場的統計評分：

偏差值，均方根誤差，POD指數，CSI指數，FAR指數，TS評分，ETS評分

xgboost特性：

• • 允許用戶在交叉驗證時自定義誤差衡量方法，例如回歸中使用RMSE還是RMSLE，分類中使用AUC，分類錯誤率或是F1-score。
  • 允許用戶先迭代1000次，查看此時模型的預測效果，然后繼續迭代1000次，最后模型等價于一次性迭代2000次。
  • xgboost的模型和傳統的GBDT相比加入了對于模型復雜度的控制以及后期的剪枝處理，使得學習出來的模型更加不容易過擬合。

總結

以上是生活随笔為你收集整理的降雨预测方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。