一种基于气候网络的降水率预测方法

本发明涉及降水率预测，具体涉及一种基于气候网络的热带多雨地区多雨季节降水率预测方法。

背景技术：

1、多雨地区一般属于热带季风气候区，主要受到东南季风和西南季风的影响。降水量的大小和分布对于农业生产、生态环境和旅游业等有着直接的影响。过多或过少的降水都会影响作物的生长和收成，也会影响土壤水分和水文循环等生态系统功能。另外，降水对于旅游业也有着重要的影响，如降水过多会影响游客出行，而降水过少则可能导致水资源短缺和森林火灾等问题。因此，准确地预测多雨热带地区例如我国海南省的降水情况对于农业、生态环境和旅游业等方面都具有重要的意义。

2、然而，随着全球变暖趋势的不断加剧，气候系统变得更加复杂和不稳定，气候模式中的不确定性也更加显著。因此，传统的气候预测方法的准确度和精度下降，长期或中期气候变化方面的预测能力也受到了限制。此外，当前针对降水率的预测方法主要使用了统计学、机器学习、神经网络、灰色系统等理论。这些理论通常基于统计学模型、历史气候数据及模型来预测未来的气候模式，但无法考虑复杂的气候现象机制和原理。另外，全球变暖也导致历史数据不再能够完全反映未来的气候模式。

3、复杂网络理论提供了一种强大的工具，用于研究复杂系统的结构、动态和功能。由于气候系统内部和不同层级之间存在非线性的相互作用和反馈环路，因此气候系统是典型的复杂自适应系统。气候网络为气候复杂系统的研究提供了一种新的理论分析框架，已经成功地被用来揭示和预测多种重要的气候机制和现象。

技术实现思路

1、发明目的：提供一种基于气候网络的多雨地区多雨季节降水率预测方法。

2、技术方案：一种基于气候网络的降水率预测方法，包括以下步骤：

3、1)数据获取与数据预处理：

4、1-1)数据获取：通过再分析数据集即ncep-ncar reanalysis i数据集获取全球区域y1年至yn年中每年的降水率r，即precipitation rate，月平均数据以及2米高度层气温t即air temperature天数据；

5、1-2)等距选取覆盖全球的ng个格点作为气候网络结点：将地球假设为一个正球体，其半径为re，则在固定的经向分辨率hsr(°)下，赤道上选取相等间距为的ne个格点，其中从而，在任意纬度θ对应周长为recosθ的圆周上，选取[necosθ]个格点使得其满足任意邻近两点间距为d0，从而

6、1-3)气候异常值计算：通过下式对ng个格点中，格点i在y年中第d天的原始气温时间序列计算异常值tiy(d)以去掉季节性趋势：

7、

8、其中

9、

10、σ(tiy(d))同理计算；

11、2)预测目标的选取与处理：

12、首先，选取代表多雨地区nh个格点，分别计算y1年至yn年，每年雨季，nh个格点的平均总降水率：

13、

14、作为各年雨季总降水率，其中表示格点i在y年m月的降水率月平均数据，故得到多雨地区雨季总降水率数据时间序列集：并将其作为预测方案的预测目标；

15、3)气候网络的建立：

16、3-1)通过下式计算结点i,j间气温异常值时间序列tiy(d)的pearson时延互相关函数：

17、

18、

19、其中，中括号表示过去n天的平均值，即

20、

21、其中τ∈[0,τmax]，y表示年份，d表示时间序列终点，n为时间序列长度；接下来，计算下式

22、

23、并以此值对网络边进行赋权；

24、3-2)定义pearson互相关函数的最小值，即式(3.4)中对应的时间延迟τ为即并通过θi,j的符号确定结点i,j间边的方向；接下来，定义网络结点i的度为由结点i指向其余结点的有向边的平均权重：

25、

26、这里，气候网络邻接矩阵

27、

28、4)预测指数的确定：

29、4-1)将降水率数据时间序列，共计n年，分为学习阶段即数据的前m年，其中m<n，与测试阶段；在学习阶段，通过每年降水率与其前一年网络指标之间的线性相关性来评估不同结点的网络指标与降水率之间的关联程度与统计显著性，从而初步确定预测降水率的地理区域即网络结点；在测试阶段，利用先前选择的区域的网络指标进行预测，并评估其预测效果；其中y≤ym；

30、4-2)在学习阶段，为了量化某一阶段的降水率与网络指标之间的相关性，选取该学习阶段的最后l(l<m)年的降水率，即第m-l+1年至第m年，记为相应的，对网络中每一个结点i，选取其m-l年至m-1年的网络指标，即然后利用student’s t检验来量化任一网络结点i的网络指标与降水率之间线性相关性的统计显著性，并记作从0％到100％取值，取值越小说明降水率与结点i处网络指标的线性相关性越显著；从而，得不同长度l+μ，μ＝0,1,...,m-l下具有99％置信度的点集：

31、4-3)定义上述m-l+1个点集sl+μ，μ＝0,1,...,m-l中，重复出现至少一半，即(≥(m-l)/2)次的点为鲁棒点，记作ir，由这些点构成的集合记作sr；这些结点每年的网络指标与其下一年多雨地区的降水率之间呈现较稳定的线性相关性，作为预测降水率的潜在指标；

32、4-4)检验集合sr中不同结点ir的预测能力：为了预测第γ年(m<γ<n)的多雨地区降水率，选取前α年该地区降水率时间序列与结点ir提前一年的网络指标时间序列建立一元线性回归模型：

33、y＝βx+c，                     (4.1)

34、其中β为拟合参数；将第γ-1年的网络指标带入式(4.1)，从而得到第γ年的降水率预测值，即

35、4-5)计算预测值与观测值之间的均方误差rmse，即

36、

37、对预测性能进行定量评估，其中rmse越小说明预测率越高；最后，改变α的大小，对任一α＝5,6,7,...,m计算相应的rmseiα，进而关于学习长度α求平均rmse，即

38、

39、选取平均rmes最小的结点作为用于预测的最优结点，由这些点构成的集合记为spred。

40、5)预测模型的优化及实施：

41、选取学习阶段前α年集合spred中结点的网络指标时间序列与对应的多雨地区降水率时间序列，进而建立了岭回归模型，其参数估计为

42、

43、其中λ为岭参数，iα为α阶单位矩阵；参照4-5)中式(4.2)计算了rmseα,λ，并通过最小rmse值的对应参数确定最终预测模型的岭回归参数以及最佳学习长度

44、通过上述过程确定的预测因子及模型参数建立岭回归模型

45、

46、这里的|spred|表示集合spred中的元素个数；通过该模型，利用第γ-1年的网络指标预测第γ年的降水率，其值为

47、

48、有益效果

49、本技术方案运用了复杂网络这一强有力的数据分析工具，建立了全球结点间气温异常值的pearson时滞互相关网络，找到了一个用于预测多雨地区比如海南省雨季总降水率的关键区域，并通过岭回归方式针对该区域网络指标时间序列构建了一个稳健、自适应的预测模型。因此，该模型的优势在于紧密结合物理学机制，运用简单的统计学模型提前一年达到平均百分比误差(mape)低于6.8％，rmse低于0.0002138kg/m2/s的热带多雨地区雨季总降水率预测。为热带多雨地区的区域降水率的长期气候预测提供了新思路。