降雨預(yù)測(cè)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(shù)據(jù)集：

遵義市1956-2010

train data:1956-2000

test data:2000-2010

• 動(dòng)態(tài)區(qū)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(gè)物理因子進(jìn)行降維，輸入到MLP中

貪婪算法決定MLP的結(jié)構(gòu)，

該模型的初始數(shù)據(jù)包括五個(gè)高空因素和八個(gè)地表因素。

在氣象學(xué)中，通常用位勢(shì)高度代替實(shí)際高度，用等壓面代替水平高度，因此，氣象數(shù)據(jù)總是采用等壓面格式。例如，500hpa通常相當(dāng)于5.5km的高度。降雨系統(tǒng)通常由500hpa的天氣系統(tǒng)控制。根據(jù)區(qū)域經(jīng)驗(yàn)，該模型選擇的五個(gè)海拔因子分別是500hpa高度下的實(shí)際高度（x1）、溫度（x2）、溫度露點(diǎn)差（x3）、風(fēng)向（x4）和風(fēng)速（x5）。風(fēng)向和風(fēng)速影響著降雨系統(tǒng)的運(yùn)動(dòng)方向和速度。溫度露點(diǎn)差與濕度直接相關(guān)。溫度露點(diǎn)差、溫度和實(shí)際高度值影響著降雨系統(tǒng)的內(nèi)能。地表因子代表該地區(qū)的局部大氣條件。不同地區(qū)地表因子的差異導(dǎo)致降雨不同。該模型中所用的八個(gè)面因子包括總云量（X6）、地表風(fēng)速（X7）、地面風(fēng)向（X8）、地面氣壓（X9）、地表3小時(shí)壓力變化（X10）、地表溫度露點(diǎn)差（X11）、地表溫度（X12）和過去三小時(shí)的降雨。周圍區(qū)域（x13）。對(duì)于同一個(gè)預(yù)測(cè)區(qū)域，每個(gè)周邊區(qū)域都與該預(yù)測(cè)區(qū)域建立一個(gè)MLP。表1顯示了所有13個(gè)因素。這些因素是我們模型的初始輸入。

最小-最大規(guī)范化。最常用的數(shù)據(jù)規(guī)范化方法之一是最小-最大規(guī)范化。它可以在0和1之間標(biāo)準(zhǔn)化數(shù)據(jù)。由于不同因素的大小不同，有必要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)于要處理的序列，序列的最大值對(duì)應(yīng)于1，最小值對(duì)應(yīng)于0，其余值在0和1之間按比例轉(zhuǎn)換。

主成分分析。歸一化后，PCA用于減小輸入的維數(shù)。確定新因子個(gè)數(shù)的標(biāo)準(zhǔn)是99%，即所選因子的特征值之和占總特征值的99%以上。經(jīng)計(jì)算，新因子的總信息可以代表原始數(shù)據(jù)的99%以上。此標(biāo)準(zhǔn)定義了保留的信息量，但沒有指定所需的因子數(shù)量。對(duì)于不同的預(yù)測(cè)區(qū)域，因子的數(shù)量可能不同，但不會(huì)超過初始輸入，即13。在大多數(shù)情況下，需要的因素?cái)?shù)量在3到8之間。PCA處理后，所需的計(jì)算資源大大減少。

MLP的輸入是Z1-Z4四個(gè)參數(shù)，輸出是降雨量

step1:

step2:中心預(yù)測(cè)點(diǎn)與其他地區(qū)各有一個(gè)MLP，兩個(gè)地區(qū)的距離決定了周圍MLP的數(shù)量。周圍多個(gè)MLP模型一起決策，如果預(yù)測(cè)降雨的MLP超過1，取均值。

比較：

數(shù)據(jù)集：

2015-2017年海拔（500hPa）測(cè)繪數(shù)據(jù)和數(shù)值預(yù)報(bào)結(jié)果。

train data:2015-2016

test data:2016-2017

• 基于雷達(dá)回波圖像的短期降雨預(yù)測(cè)

  來源：基于雷達(dá)回波圖像的短期降雨預(yù)測(cè)

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(yù)報(bào)網(wǎng)絡(luò)；LSTM預(yù)報(bào)網(wǎng)絡(luò)的編碼模塊，對(duì)輸入信息提取時(shí)序特征，在此基礎(chǔ)上，由LSTM預(yù)測(cè)模塊產(chǎn)生關(guān)于未來時(shí)段回波圖像時(shí)序特征預(yù)測(cè)。

比較：

在MINIST數(shù)據(jù)集上對(duì)自編碼器的層數(shù)和LSTM層數(shù)預(yù)測(cè)效果進(jìn)行對(duì)比

數(shù)據(jù)集：

石家莊地區(qū) 2010 -2017 年之間降雨天氣的雷達(dá)回波圖像 。

回波圖像每6分鐘采集一幀， 1個(gè)小時(shí)內(nèi)得到 10 幀雷達(dá)回波圖像，構(gòu)成一個(gè)時(shí)間序列。

• 常用方法

  常用的基于觀測(cè)和預(yù)報(bào)場(chǎng)的統(tǒng)計(jì)評(píng)分：

偏差值，均方根誤差，POD指數(shù)，CSI指數(shù)，FAR指數(shù)，TS評(píng)分，ETS評(píng)分

xgboost特性：

• • 允許用戶在交叉驗(yàn)證時(shí)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(cuò)誤率或是F1-score。
  • 允許用戶先迭代1000次，查看此時(shí)模型的預(yù)測(cè)效果，然后繼續(xù)迭代1000次，最后模型等價(jià)于一次性迭代2000次。
  • xgboost的模型和傳統(tǒng)的GBDT相比加入了對(duì)于模型復(fù)雜度的控制以及后期的剪枝處理，使得學(xué)習(xí)出來的模型更加不容易過擬合。

總結(jié)

以上是生活随笔為你收集整理的降雨预测方法的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。