利用分類擬合法預(yù)判目標(biāo)區(qū)域未來平均云量的方法
【專利摘要】本發(fā)明提供了一種利用分類擬合法預(yù)判目標(biāo)區(qū)域未來旬平均云量的方法。該方法中，對(duì)FY?2E數(shù)據(jù)進(jìn)行小波分解，分別提取低頻趨勢(shì)時(shí)間序列與高頻隨機(jī)時(shí)間序列，分別將ARMA系列時(shí)間序列模型應(yīng)用于低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)，將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于高頻隨機(jī)時(shí)間序列的預(yù)測(cè)，通過整合得到預(yù)測(cè)的未來旬平均云量，結(jié)果可以供遙感衛(wèi)星訂購(gòu)用戶做參考，預(yù)判目標(biāo)區(qū)域有效數(shù)據(jù)獲取的可行性，從而提高了預(yù)測(cè)的準(zhǔn)確度。
【專利說明】
利用分類擬合法預(yù)判目標(biāo)區(qū)域未來平均云量的方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及衛(wèi)星遙感技術(shù)領(lǐng)域，尤其涉及一種利用分類擬合法預(yù)判目標(biāo)區(qū)域未來 平均云量的方法。
【背景技術(shù)】
[0002] 云量預(yù)測(cè)對(duì)于光學(xué)遙感增加獲取無云或者少云衛(wèi)星數(shù)據(jù)的可能性，獲取感興趣區(qū) 域無云或者少云時(shí)間段的衛(wèi)星數(shù)據(jù)，提高衛(wèi)星資源利用率以及衛(wèi)星數(shù)據(jù)獲取率具有重要的 指導(dǎo)意義。在傳統(tǒng)的衛(wèi)星數(shù)據(jù)成像規(guī)劃和數(shù)據(jù)獲取能力評(píng)估等情況應(yīng)用中，國(guó)際衛(wèi)星云氣 候計(jì)劃（ISCCP)提供的云量數(shù)據(jù)一直是國(guó)內(nèi)外研究者廣泛研究的資料集。近年來，隨著遙感 技術(shù)的發(fā)展，越來越多的遙感應(yīng)用需要高質(zhì)量、高分辨率的衛(wèi)星遙感數(shù)據(jù)為其提供空間信 息支持。面對(duì)新的數(shù)據(jù)需求，ISCCP的低空間分辨率、低時(shí)間分辨率的特性大大限制了云量 預(yù)測(cè)的應(yīng)用，與此同時(shí)，高空間分辨率、高時(shí)間分辨率的FY-2E數(shù)據(jù)逐漸成為云量預(yù)測(cè)的研 究熱點(diǎn)。然而，F(xiàn)Y-2E數(shù)據(jù)集與傳統(tǒng)ISCCP數(shù)據(jù)集的差異性使得基于ISCCP的時(shí)間序列云量預(yù) 測(cè)模型不再適用于FY-2E，這制約了新數(shù)據(jù)在云量預(yù)測(cè)上的廣泛應(yīng)用。因此，基于FY-2E數(shù)據(jù) 集的云量預(yù)測(cè)模型的研究對(duì)于高分辨率衛(wèi)星數(shù)據(jù)獲取和應(yīng)用研究具有重要的意義。
[0003] FY-2即風(fēng)云二號(hào)氣象衛(wèi)星是我國(guó)自行研制的第一代地球同步軌道氣象衛(wèi)星，與極 地軌道氣象衛(wèi)星相輔相成，構(gòu)成我國(guó)氣象衛(wèi)星應(yīng)用體系。這些衛(wèi)星作用是獲取白天可見光 云圖、晝夜紅外云圖和水氣分布圖，進(jìn)行天氣圖傳真廣播，收集氣象、水文和海洋等數(shù)據(jù)收 集平臺(tái)的氣象監(jiān)測(cè)數(shù)據(jù)，供國(guó)內(nèi)外氣象資料利用站接收利用，監(jiān)測(cè)太陽(yáng)活動(dòng)和衛(wèi)星所處軌 道的空間環(huán)境，為衛(wèi)星工程和空間環(huán)境科學(xué)研究提供監(jiān)測(cè)數(shù)據(jù)。FY-2E云量數(shù)據(jù)集以經(jīng)煒度 投影以及等面積投影兩種投影方式，將全球按照不同的空間分辨率劃分為網(wǎng)格陣列，記錄 了日尺度數(shù)量級(jí)、旬尺度數(shù)量級(jí)以及月尺度數(shù)量級(jí)三種時(shí)間分辨率下的云量數(shù)據(jù)。
[0004] 以FY-2E云量數(shù)據(jù)集為例，選取等面積投影方式，對(duì)全球范圍按照標(biāo)準(zhǔn)網(wǎng)格劃分， 例如140km*140km分辨率下，全球共劃分為26410個(gè)網(wǎng)格，其中，覆蓋中國(guó)的有效網(wǎng)格為626 個(gè)。根據(jù)FY系列衛(wèi)星多年來收集的數(shù)據(jù)，國(guó)內(nèi)外學(xué)者對(duì)云的空間和時(shí)間分布及其變化規(guī)律 進(jìn)行了大量的研究，但基本不涉及未來云量的預(yù)判問題。
[0005] 現(xiàn)有技術(shù)一般采用基于時(shí)間序列特征分類的ARMA系列時(shí)間序列模型擬合方法計(jì) 算未來一年月平均云量的方法。如圖1所示，以FY-2E的140km*140km分辨率數(shù)據(jù)集為例，該 方法包括：
[0006] 步驟S101，從數(shù)據(jù)集中獲取某一網(wǎng)格的η年某年的旬平均云量序列Ci,j。
[0007] 其中，i為網(wǎng)格編號(hào)，取值范圍[l，626];j為旬序列，取值范圍[l，36]，Ci,j為36Xn 個(gè)數(shù)組成的序列；
[0008] 步驟S102,采用ADF單位根檢驗(yàn)法檢驗(yàn)所述旬平均云量序列C1U的平穩(wěn)性，如果所 述旬平均云量序列C 1U的數(shù)據(jù)平穩(wěn)，則為平穩(wěn)時(shí)間序列，執(zhí)行子步驟S103;如果所述旬平均 云量序列C1U的數(shù)據(jù)不平穩(wěn)，則執(zhí)行步驟S105
[0009] 步驟S104,利用ARMA自回歸滑動(dòng)平均模型對(duì)旬平均云量進(jìn)行處理，得到未來旬平 均云量。
[0010]步驟S105,采用36步差分運(yùn)算對(duì)判定為非平穩(wěn)序列的旬平均云量序列Ci,j進(jìn)行差 分計(jì)算，檢驗(yàn)序列的周期性。如果序列具有周期性特點(diǎn)，并且在滯后期36的整數(shù)倍出現(xiàn)峰 值，則存在季節(jié)特征，執(zhí)行步驟S106，否則執(zhí)行步驟S107
[0011] 步驟S106,利用SARMA季節(jié)性差分自回歸滑動(dòng)平均模型對(duì)旬平均云量進(jìn)行處理， 得到未來旬平均云量。
[0012] 步驟S107,利用AR頂A自回歸積分滑動(dòng)平均模型對(duì)旬平均云量進(jìn)行處理，得到未來 旬平均云量。
[0013] 然而，在實(shí)現(xiàn)本發(fā)明的過程中，
【申請(qǐng)人】發(fā)現(xiàn)上述的預(yù)判未來月云量的方法存在如 下缺陷:上述方法僅適用于時(shí)間分辨率與空間分辨率都較低的ISCCP數(shù)據(jù)，其數(shù)據(jù)空間分辨 率為280km*280km，時(shí)間分辨率為月，對(duì)于時(shí)間分辨率與空間分辨率大幅度提高，空間分辨 率最高達(dá)到35km*35km，時(shí)間分辨率為旬，數(shù)據(jù)集體量明顯豐滿的FY-2E數(shù)據(jù)集，預(yù)測(cè)準(zhǔn)確度 較低。

【發(fā)明內(nèi)容】

[0014] (一)要解決的技術(shù)問題
[0015] 鑒于上述技術(shù)問題，本發(fā)明提供了一種利用分類擬合法預(yù)判目標(biāo)區(qū)域未來平均云 量的方法。
[0016] (二)技術(shù)方案
[0017] 本發(fā)明利用分類擬合法預(yù)判目標(biāo)區(qū)域未來平均云量的方法包括：
[0018] 步驟A:讀取云氣候?qū)W數(shù)據(jù)集中目標(biāo)區(qū)域所在網(wǎng)格的往年的平均云量序列C;
[0019] 步驟B:采用小波分解的分析方法，將平均云量序列C進(jìn)行分解與重構(gòu)，得到低頻趨 勢(shì)時(shí)間序列妒?·)與高頻隨機(jī)時(shí)間序列〇*(s)，其中，s = l，2,3. . .，S，S為平均云量序列C中 的云量數(shù)據(jù)的個(gè)數(shù)；
[0020] 步驟C:對(duì)于低頻趨勢(shì)時(shí)間序列和高頻趨勢(shì)時(shí)間序列〇*(s)，分別建立模型進(jìn) 行擬合預(yù)測(cè)，得到相應(yīng)的低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果和高頻趨勢(shì)時(shí)間序列的預(yù)測(cè) 結(jié)果以及
[0021 ]步驟D:對(duì)低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果#(?)和高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果 進(jìn)行整合，得到最終云量預(yù)測(cè)的時(shí)間序列亡，實(shí)現(xiàn)目標(biāo)區(qū)域未來平均云量的預(yù)測(cè)。 [0022](三)有益效果
[0023]從上述技術(shù)方案可以看出，本發(fā)明利用分類擬合法預(yù)判目標(biāo)區(qū)域未來旬平均云量 的方法具有以下有益效果：
[0024] (1)對(duì)FY-2E數(shù)據(jù)進(jìn)行小波分解，分別提取低頻趨勢(shì)時(shí)間序列與高頻隨機(jī)時(shí)間序 列，能夠規(guī)避密集時(shí)間節(jié)點(diǎn)帶來的大量云量數(shù)據(jù)對(duì)未來云量變化趨勢(shì)的掩蓋，也能夠充分 利用數(shù)據(jù)量增加帶來的提高預(yù)測(cè)準(zhǔn)確度的優(yōu)勢(shì)；
[0025] (2)自回歸滑動(dòng)平均模型(ARMA)、自回歸積分滑動(dòng)平均模型(ARIMA)和季節(jié)性求和 自回歸滑動(dòng)平均模型(SARIMA)能夠充分利用時(shí)間序列自身的規(guī)律性，得出較為準(zhǔn)確的預(yù)判 值;神經(jīng)網(wǎng)絡(luò)對(duì)隨機(jī)無序時(shí)間序列的高擬合性能保證對(duì)高頻隨機(jī)時(shí)間序列進(jìn)行擬合并作出 較為準(zhǔn)確的預(yù)判。本發(fā)明結(jié)合歷史旬平均云量序列特征，分別將ARMA系列時(shí)間序列模型應(yīng) 用于低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)，將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于高頻隨機(jī)時(shí)間序列的預(yù)測(cè)，通過整 合得到預(yù)測(cè)的未來旬平均云量，結(jié)果可以供遙感衛(wèi)星訂購(gòu)用戶做參考，預(yù)判目標(biāo)區(qū)域有效 數(shù)據(jù)獲取的可行性。
【附圖說明】
[0026]圖1為本發(fā)明實(shí)施例利用FY-2E云氣候?qū)W數(shù)據(jù)預(yù)測(cè)未來旬云量的方法的流程圖； [0027]圖2為對(duì)于北京地區(qū)利用2009年到2012年4年數(shù)據(jù)預(yù)判2013年36個(gè)旬的預(yù)判圖； [0028]圖3為北京地區(qū)2013年采用傳統(tǒng)方法與本發(fā)明WTNC方法進(jìn)行云量預(yù)測(cè)結(jié)果比較 圖；
[0029]圖4為北京地區(qū)2013年本發(fā)明WTNC方法云量變化斜率95 %置信區(qū)間評(píng)判圖。
【具體實(shí)施方式】
[0030]本發(fā)明提供了一種適用于高空間分辨率云氣候?qū)W數(shù)據(jù)利用分類擬合法預(yù)測(cè)未來 平均云量的方法，提高原有方法預(yù)判結(jié)果的準(zhǔn)確性。
[0031] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照 附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。
[0032] 在本發(fā)明的一個(gè)示例性實(shí)施例中，提供了一種利用FY-2E云氣候?qū)W數(shù)據(jù)通過分類 擬合法預(yù)測(cè)未來旬云量的方法。請(qǐng)參照?qǐng)D1，該方法包括四個(gè)步驟：
[0033] 步驟A:讀取FY-2E等面積投影數(shù)據(jù)集中140km*140km分辨率數(shù)據(jù)目標(biāo)區(qū)域所在網(wǎng) 格的預(yù)設(shè)年份段【2009-2012】的旬平均云量序列C:
[0034]
(1 )
[0035] 其中，C為4X36行1列的向量，
.為年份，j代表旬編號(hào)。
[0036]讀取目標(biāo)區(qū)域所在網(wǎng)格的云氣候?qū)W數(shù)據(jù)中的旬平均云量數(shù)據(jù)可以按照FY-2E數(shù)據(jù) 集的說明進(jìn)行。
[0037]步驟B:采用小波分解的分析方法，將旬平均云量序列C進(jìn)行分解與重構(gòu)，選用db4 小波，得到兩類時(shí)間序列，即低頻趨勢(shì)時(shí)間序列與高頻隨機(jī)時(shí)間序列At);
[0038]該將云氣候數(shù)據(jù)進(jìn)行小波分解的步驟B進(jìn)一步包括：
[0039] 子步驟B1:指定分解尺度n，通過小波分解，利用Mallat算法將旬平均云量序列C逐 級(jí)極限逼近，分解得到低頻序列的小波系數(shù)數(shù)據(jù)爐與高頻序列的小波系數(shù)數(shù)據(jù)σ;
[0040] (2)
[0041 ] (3)
[0042] 其中，L為系數(shù)序列的項(xiàng)數(shù)，具體取值與旬平均云量序列C計(jì)算有關(guān)。
[0043] 子步驟Β2:對(duì)兩類小波系數(shù)數(shù)據(jù)史和〇分別使用Mallat算法逆運(yùn)算，重構(gòu)到原尺度 上，分別得到低頻趨勢(shì)時(shí)間序列妒 #(幻和高頻隨機(jī)時(shí)間序列#(s)。
[0044] 此步驟實(shí)現(xiàn)了旬平均云量序列C的分解拆分，其中，低頻趨勢(shì)時(shí)間序列夢(mèng)#〇)與高 頻隨機(jī)時(shí)間序列#(s)的疊加可以得到完整的旬平均云量序列C，即：
[0045]
(4)
[0046] 步驟C:對(duì)于低頻趨勢(shì)時(shí)間序列和高頻趨勢(shì)時(shí)間序列#(s)，分別建立模型進(jìn) 行擬合預(yù)測(cè)，預(yù)測(cè)未來t時(shí)間節(jié)點(diǎn)的平均云量，得到相應(yīng)的預(yù)測(cè)結(jié)果#(?和士⑴,其中，t = 1，2,3. . .，T，T為預(yù)測(cè)未來云量數(shù)據(jù)的個(gè)數(shù)；
[0047] 該步驟C包括：
[0048] 子步驟C1:將低頻趨勢(shì)時(shí)間序列的數(shù)據(jù)作為模型訓(xùn)練樣本，利用ARMA系列時(shí) 間序列模型擬合預(yù)測(cè)，預(yù)測(cè)未來t時(shí)間節(jié)點(diǎn)的平均云量，得到低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果 十⑴：
[0049] 該子步驟C1進(jìn)一步包括：
[0050] 子分步驟Cla:建立檢驗(yàn)的原假設(shè)Ho:低頻趨勢(shì)時(shí)間序列爐#〇)是非平穩(wěn)序列;相應(yīng) 的備擇假設(shè)ft:低頻趨勢(shì)時(shí)間序列?幻是平穩(wěn)序列；
[0051] 子分步驟Clb，查找ADF檢驗(yàn)法統(tǒng)計(jì)表，對(duì)比檢驗(yàn)低頻趨勢(shì)時(shí)間序列<^(S)的統(tǒng)計(jì)量 與顯著性水平α相應(yīng)的分位點(diǎn)，如果小于分位點(diǎn)，拒絕原假設(shè)，低頻趨勢(shì)時(shí)間序列為 平穩(wěn)序列;如果大于該分位點(diǎn)，則接受該原假設(shè)，低頻趨勢(shì)時(shí)間序列fls)為非平穩(wěn)序列； [0052]其中，統(tǒng)計(jì)量t是ADF檢驗(yàn)得出的，顯著性水平α是查找ADF檢驗(yàn)法統(tǒng)計(jì)表得出的， 本領(lǐng)域技術(shù)人員非常清楚其計(jì)算過程，此處不再贅述。
[0053]子分步驟Clc，當(dāng)?shù)皖l趨勢(shì)時(shí)間序列為非平穩(wěn)序列時(shí)，對(duì)低頻趨勢(shì)時(shí)間序列 進(jìn)行s = 36的差分計(jì)算，得到新的時(shí)間序列<^(幻，對(duì)(^(5〕重復(fù)子分步驟Cla與Clb， 如果為平穩(wěn)序列，則低頻趨勢(shì)時(shí)間序列滬 #〇)為季節(jié)性非平穩(wěn)序列;如果為非 平穩(wěn)序列，則低頻趨勢(shì)時(shí)間序列識(shí)*〇)為普通非平穩(wěn)序列；
[0054] 子分步驟Cld，對(duì)平穩(wěn)序列的選擇自回歸滑動(dòng)模型，即ARMA模型，進(jìn)行以T為 預(yù)測(cè)步長(zhǎng)的擬合;對(duì)于普通非平穩(wěn)序列f:(S)選擇自回歸積分滑動(dòng)平均模型，即ARIMA模 型，進(jìn)行以T為預(yù)測(cè)步長(zhǎng)的擬合;或?qū)τ诩竟?jié)性非平穩(wěn)序列少+(>)選擇季節(jié)性差分自回歸滑 動(dòng)平均模型，即SARMA模型，進(jìn)行以T為預(yù)測(cè)步長(zhǎng)的擬合，從而得到低頻趨勢(shì)時(shí)間序列的預(yù) 測(cè)結(jié)果少⑴。
[0055] 子步驟C2:對(duì)高頻隨機(jī)時(shí)間序列f(s)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型擬合預(yù)測(cè)，預(yù)測(cè)未來t時(shí) 間節(jié)點(diǎn)的平均云量，得到高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果
[0056] 該子步驟C2進(jìn)一步包括：
[0057]子分步驟C2a，提取高頻隨機(jī)時(shí)間序列#(s)中的144個(gè)時(shí)間節(jié)點(diǎn)的云量數(shù)據(jù)；
[0058]子分步驟C2b，以該144個(gè)時(shí)間節(jié)點(diǎn)的云量數(shù)據(jù)為初始輸入，選用BP算法進(jìn)行權(quán)值 修正，設(shè)第k步系統(tǒng)的實(shí)際輸出為yd(k)，計(jì)算網(wǎng)絡(luò)的學(xué)習(xí)指標(biāo)函數(shù)即誤差平方和函數(shù)，得到 誤差平方和E(k);
[0059] 誤差平方和E(k)的計(jì)算過程參見下述方程：
[0060]
(3)
[0061 ]其中，y (k)為第k步神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入的數(shù)值，yd (k)為第k步神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸出的 數(shù)值，η為總步數(shù)。
[0062] 子分步驟C2c，根據(jù)梯度下降法，分別計(jì)算誤差平方和E(k)對(duì)權(quán)值的偏導(dǎo)數(shù)，使誤 差沿梯度方向下降，即令偏導(dǎo)數(shù)為〇,得到Elman網(wǎng)絡(luò)的學(xué)習(xí)算法；
[0063]
[0064]
[0065]
[0066]
[0067]
[0068]
[0069] 式中，Aw2和w3分別表示神經(jīng)網(wǎng)絡(luò)中間層到輸出層、輸入層到中間層，承接層到中 間層的連接權(quán)值，ηι，Π2，Π 3分別是E lman網(wǎng)絡(luò)中w1，w2和w3的學(xué)習(xí)步長(zhǎng)，xj (k)為第j次迭代在 第k步的初始值;Δν?^·代表i，j次迭代中承接層到中間層的權(quán)值差;Uq(k-l)為第(k-Ι)步（即 上一步)q層中間值;為i輸出層的校驗(yàn)系數(shù)為中間層的校驗(yàn)系數(shù);yd.dk)為k步神經(jīng) 網(wǎng)絡(luò)輸出數(shù)值;g\( ·)為輸出神經(jīng)元傳遞函數(shù);f、（ ·）代表中間層神經(jīng)元的傳遞函數(shù)。
[0070] 子分步驟C2d:使用以下參數(shù)為Elman網(wǎng)絡(luò)的學(xué)習(xí)算法賦閾值:輸入單元層m= 144， 輸出單元層n = 3，隱含層單元數(shù)r = 10，最大迭代次數(shù)mix = 2000，訓(xùn)練誤差指標(biāo)Θ = 0.15; [0071]子分步驟C2e:以2009至2012年4年的144個(gè)云量數(shù)據(jù)作為144個(gè)初始值輸入數(shù)據(jù)， 讓神經(jīng)網(wǎng)絡(luò)模型對(duì)時(shí)間序列進(jìn)行訓(xùn)練學(xué)習(xí)，當(dāng)達(dá)到設(shè)定的閾值標(biāo)準(zhǔn)時(shí)，即存在確定的訓(xùn)練 模型權(quán)值，由此權(quán)值得到36維結(jié)果輸出，即獲得高頻隨機(jī)時(shí)間序列預(yù)測(cè)結(jié)果。
[0072]步驟D:對(duì)低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果和高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果 進(jìn)行整合，得到最終云量旬平均預(yù)測(cè)的時(shí)間序列匕，實(shí)現(xiàn)目標(biāo)區(qū)域未來平均云量的預(yù) 測(cè)。
[0073] 該步驟D包括：
[0074] 子步驟D1，整理低頻趨勢(shì)時(shí)間序列預(yù)測(cè)結(jié)果#(?與高頻隨機(jī)時(shí)間序列預(yù)測(cè)結(jié)果 士⑴；
[0075] 此子步驟屬于數(shù)據(jù)準(zhǔn)備，本領(lǐng)域技術(shù)人員很清楚數(shù)據(jù)準(zhǔn)備的方法，此處不再重述， 另外，在某些情況下，該數(shù)據(jù)準(zhǔn)備步驟也可以省略。
[0076] 子步驟D2,通過疊加計(jì)算，將低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果與高頻趨勢(shì)時(shí)間 序列的預(yù)測(cè)結(jié)果整合在一起，得到最終云量旬平均預(yù)測(cè)的時(shí)間序列
[0077]
(11)
[0078] 至此，得到最終云量旬平均預(yù)測(cè)的時(shí)間序列亡，預(yù)測(cè)過程結(jié)束。
[0079]依據(jù)以上描述，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)對(duì)本發(fā)明利用FY-2E云氣候?qū)W數(shù)據(jù)預(yù)測(cè)未來 旬平均云量的方法有了清楚的認(rèn)識(shí)。以下給出應(yīng)用本實(shí)施例方法進(jìn)行北京地區(qū)的云量預(yù)判 具體結(jié)果。
[0080] 實(shí)際應(yīng)用實(shí)例：
[0081 ]以北京所在網(wǎng)格為例，在時(shí)間上，選取2013年份進(jìn)行預(yù)判和驗(yàn)證。用2009年到2012 年5年數(shù)據(jù)預(yù)判2013年36個(gè)旬云量。
[0082]將傳統(tǒng)方法（即單純使用ARMA系列時(shí)間序列模型進(jìn)行擬合預(yù)測(cè)的方法）的預(yù)測(cè)結(jié) 果、本發(fā)明方法（a Wavelet Transform，Time series model，Neural network combined method，簡(jiǎn)稱WTNC方法）的預(yù)測(cè)結(jié)果和實(shí)際云量值進(jìn)行比較，結(jié)果如圖3所示。
[0083] 請(qǐng)參照?qǐng)D3,橫坐標(biāo)軸表示時(shí)間的旬節(jié)點(diǎn)，縱坐標(biāo)軸表示云量所占百分比，實(shí)線線 段為實(shí)際云量值，虛線線段為傳統(tǒng)方法預(yù)測(cè)值，點(diǎn)線段為本發(fā)明WTNC方法的預(yù)測(cè)值。從圖中 可以看出，整體上，傳統(tǒng)方法并沒有反映出云量的變化趨勢(shì)，尤其在第20旬到30旬部分，預(yù) 測(cè)效果偏差較大。另一方面，在細(xì)節(jié)上，傳統(tǒng)方法的預(yù)測(cè)結(jié)果并沒有體現(xiàn)細(xì)節(jié)信息，多以平 滑的曲線描繪掩蓋了波動(dòng)細(xì)節(jié)，同時(shí)出現(xiàn)了大量錯(cuò)誤的波動(dòng)預(yù)測(cè)，而本發(fā)明WTNC方法不僅 如實(shí)反映了變化趨勢(shì)，而且在大部分點(diǎn)上準(zhǔn)確地刻畫了波動(dòng)變化信息，相較傳統(tǒng)方法，具有 明顯的優(yōu)勢(shì)。
[0084]通過云量趨勢(shì)符合度K值對(duì)預(yù)測(cè)云量趨勢(shì)上升或下降變化正確的節(jié)點(diǎn)數(shù)進(jìn)行定量 的判斷。由定義可知，云量趨勢(shì)符合度K值反映了預(yù)測(cè)結(jié)果符合真實(shí)波動(dòng)情況的百分比，K值 越高，云量預(yù)測(cè)變化的符合度也就越高，反之，K值越低，云量預(yù)測(cè)變化的結(jié)果就越不能反映 真實(shí)云量的變化趨勢(shì)。以下是北京458網(wǎng)格傳統(tǒng)方法與本發(fā)明WTNC方法預(yù)測(cè)結(jié)果的云量趨 勢(shì)符合度K值的統(tǒng)計(jì)表。
[0085]表1北京地區(qū)傳統(tǒng)方法與本發(fā)明WTNC方法預(yù)測(cè)結(jié)果參數(shù)比較
[0086]
[0087] 由上述計(jì)算結(jié)果分析可知，與傳統(tǒng)方法相比，本發(fā)明WTNC方法在平均絕對(duì)誤差，平 均相對(duì)誤差，以及均方根誤差上都有所降低，其中，平均絕對(duì)誤差降低了 1.36,平均相對(duì)誤 差降低了 0.03,均方根誤差降低了 2.66。平均絕對(duì)誤差、平均相對(duì)誤差以及均方根誤差都是 預(yù)測(cè)得到的一整年結(jié)果中每一個(gè)時(shí)間節(jié)點(diǎn)，與當(dāng)年實(shí)際云量中對(duì)應(yīng)時(shí)間節(jié)點(diǎn)云量的誤差計(jì) 算累計(jì)結(jié)果，因此，這三個(gè)數(shù)值體現(xiàn)了整體預(yù)測(cè)結(jié)果的誤差情況。對(duì)比結(jié)果表明，從以上三 個(gè)方面的全方位考量，本發(fā)明WTNC方法整體預(yù)測(cè)結(jié)果的符合度較傳統(tǒng)方法有一定的提升。 對(duì)于云量趨勢(shì)符合度K值，本發(fā)明WTNC方法高出近23%，趨勢(shì)符合度顯著提高，證明本發(fā)明 WTNC方法在時(shí)間序列節(jié)點(diǎn)方向變化的預(yù)測(cè)效果上有明顯的優(yōu)勢(shì)。
[0088] 由符合度K值得到了預(yù)測(cè)時(shí)間節(jié)點(diǎn)變化趨勢(shì)正確率的統(tǒng)計(jì)，再對(duì)預(yù)測(cè)時(shí)間節(jié)點(diǎn)上 升與下降的程度進(jìn)行進(jìn)一步定量的評(píng)估。計(jì)算預(yù)測(cè)時(shí)間節(jié)點(diǎn)變化的斜率，并與實(shí)際真實(shí)變 化的斜率進(jìn)行比較，結(jié)合95%置信區(qū)間進(jìn)行進(jìn)一步驗(yàn)證。結(jié)果如圖4所示。
[0089] 圖4中，橫坐標(biāo)軸表示時(shí)間的旬節(jié)點(diǎn)，縱坐標(biāo)軸表示云量所占百分比，實(shí)線線段為 實(shí)際云量值，虛線線段為實(shí)際云量數(shù)值95%置信區(qū)間，點(diǎn)為本發(fā)明WTNC方法的預(yù)測(cè)結(jié)果各 時(shí)間節(jié)點(diǎn)斜率值。從圖中可知，實(shí)際云量變化斜率值絕大部分落在預(yù)測(cè)云量斜率值的95% 置信區(qū)間內(nèi)，置信區(qū)間內(nèi)落點(diǎn)達(dá)到91.27%，僅有3個(gè)點(diǎn)落在置信區(qū)間之外，也就是說，有 95%的把握認(rèn)為，預(yù)測(cè)的斜率值是在可接受范圍之內(nèi)。預(yù)測(cè)結(jié)果的斜率值十分理想。
[0090] 由以上試驗(yàn)可知，對(duì)于北京地區(qū)，本發(fā)明WTNC方法的預(yù)測(cè)結(jié)果優(yōu)于傳統(tǒng)方法，并且 與真實(shí)值的變化趨勢(shì)相一致，取得了理想的效果。
[0091] 此外，上述方法并不僅限于實(shí)施方式中提到的各種具體算法，本領(lǐng)域的普通技術(shù) 人員可對(duì)其進(jìn)行簡(jiǎn)單地熟知地替換，例如：
[0092] (1)步驟B中db4小波還可以使用其他小波代替；
[0093] (2)步驟C2中參數(shù)估計(jì)環(huán)節(jié)提到的最速梯度法還可以使用高斯牛頓法或阻尼最小 二乘法代替。
[0094] (3)步驟C2中的閾值設(shè)定環(huán)節(jié)可以設(shè)置其他閾值修正模型權(quán)值；
[0095] (4)除FY-2E數(shù)據(jù)集外，本發(fā)明方法還能適用于其他的同類數(shù)據(jù)，空間分辨率小于 280km*280km，時(shí)間分辨率小于月，以時(shí)間序列形式呈現(xiàn)的云量數(shù)據(jù)。
[0096] 綜上所述，本發(fā)明基于小波分解的分析理論，將云量時(shí)間序列分解為低頻趨勢(shì)時(shí) 間序列與高頻隨機(jī)時(shí)間序列，選用不同的模型來分別預(yù)測(cè)未來旬平均云量，具有適用于高 分辨率數(shù)據(jù)、可靠性高、應(yīng)用廣泛的優(yōu)勢(shì)，可廣泛應(yīng)用于經(jīng)濟(jì)、氣象、農(nóng)業(yè)、生物科學(xué)等領(lǐng)域， 具有較好的應(yīng)用前景。
[0097]以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳 細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡 在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保 護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種利用分類擬合法預(yù)判目標(biāo)區(qū)域未來平均云量的方法，其特征在于，包括： 步驟A:讀取云氣候?qū)W數(shù)據(jù)集中目標(biāo)區(qū)域所在網(wǎng)格的往年的平均云量序列C; 步驟B:采用小波分解的分析方法，將平均云量序列C進(jìn)行分解與重構(gòu)，得到低頻趨勢(shì)時(shí) 間序列φ'·(句與高頻隨機(jī)時(shí)間序列0^S)，其中，S = 1，2，3.. .，S，S為平均云量序列C中的云 量數(shù)據(jù)的個(gè)數(shù)； 步驟C:對(duì)于低頻趨勢(shì)時(shí)間序列取A(幻和高頻趨勢(shì)時(shí)間序列o^s)，分別建立模型進(jìn)行擬 合預(yù)測(cè)，得到相應(yīng)的低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果φ*貨)和高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果 的擬及 步驟D:對(duì)低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果如*的和高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果?Τ巧 進(jìn)行整合，得到最終云量預(yù)測(cè)的時(shí)間序列d%實(shí)現(xiàn)目標(biāo)區(qū)域未來平均云量的預(yù)測(cè)。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟C包括： 子步驟C1:將低頻趨勢(shì)時(shí)間序列護(hù)(句的數(shù)據(jù)作為模型訓(xùn)練樣本，利用ARMA系列時(shí)間序 列模型擬合預(yù)測(cè)，預(yù)測(cè)未來t時(shí)間節(jié)點(diǎn)的平均云量，得到低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果 批（0擬及 子步驟C2:對(duì)高頻隨機(jī)時(shí)間序列0作)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型擬合預(yù)測(cè)，預(yù)測(cè)未來t時(shí)間節(jié)點(diǎn) 的平均云量，得到高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果巧中，* = 1，2,3...，1'，1'為預(yù)測(cè)未來 云量數(shù)據(jù)的個(gè)數(shù)。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述子步驟C1包括： 子分步驟Cla:建立檢驗(yàn)的原假設(shè)冊(cè):低頻趨勢(shì)時(shí)間序列護(hù)村是非平穩(wěn)序列;相應(yīng)的備 擇假設(shè)出:低頻趨勢(shì)時(shí)間序列與*"(：句是平穩(wěn)序列； 子分步驟Qb，查找ADF檢驗(yàn)法統(tǒng)計(jì)表，對(duì)比檢驗(yàn)低頻趨勢(shì)時(shí)間序列與句的統(tǒng)計(jì)量tT與 顯著性水平α相應(yīng)的分位點(diǎn)，如果小于分位點(diǎn)，拒絕原假設(shè)，低頻趨勢(shì)時(shí)間序列取^5)為平穩(wěn) 序列;如果大于該分位點(diǎn)，則接受該原假設(shè)，低頻趨勢(shì)時(shí)間序列取為非平穩(wěn)序列； 子分步驟Clc，當(dāng)?shù)皖l趨勢(shì)時(shí)間序列取*0)為非平穩(wěn)序列時(shí)，對(duì)低頻趨勢(shì)時(shí)間序列 於(句進(jìn)行s = 36的差分計(jì)算，得到新的時(shí)間序列歹對(duì)石^重復(fù)子分步驟Cla與Qb， 如果為平穩(wěn)序列，則低頻趨勢(shì)時(shí)間序列麥^(S)為季節(jié)性非平穩(wěn)序列;如果為非 平穩(wěn)序列，則低頻趨勢(shì)時(shí)間序列得*0)為普通非平穩(wěn)序列； 子分步驟Cld，對(duì)平穩(wěn)序列的取s'(S)選擇自回歸滑動(dòng)模型進(jìn)行WT為預(yù)測(cè)步長(zhǎng)的擬合;對(duì) 于普通非平穩(wěn)序列巧勾:;選擇自回歸積分滑動(dòng)平均模型進(jìn)行WT為預(yù)測(cè)步長(zhǎng)的擬合;或?qū)?于季節(jié)性非平穩(wěn)序列麥^(旬選擇季節(jié)性差分自回歸滑動(dòng)平均模型進(jìn)行WT為預(yù)測(cè)步長(zhǎng)的擬 合，從而得到低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果4. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述子步驟C2包括： 子分步驟C2a，提取高頻隨機(jī)時(shí)間序列o^s)中的S個(gè)時(shí)間節(jié)點(diǎn)的云量數(shù)據(jù)； 子分步驟C2b，W該S個(gè)時(shí)間節(jié)點(diǎn)的云量數(shù)據(jù)為初始輸入，選用BP算法進(jìn)行權(quán)值修正，設(shè) 第k步系統(tǒng)的實(shí)際輸出為yd(k)，計(jì)算網(wǎng)絡(luò)的學(xué)習(xí)指標(biāo)函數(shù)即誤差平方和函數(shù)，得到誤差平 方和E化）； 子分步驟C2c，根據(jù)梯度下降法，分別計(jì)算誤差平方和E化)對(duì)權(quán)值的偏導(dǎo)數(shù)，使誤差沿 梯度方向下降，即令偏導(dǎo)數(shù)為0,得到Elman網(wǎng)絡(luò)的學(xué)習(xí)算法； 子分步驟C2d:使用W下參數(shù)為Elman網(wǎng)絡(luò)的學(xué)習(xí)算法賦闊值；W及 子分步驟C2e:W平均云量序列C中的云量數(shù)據(jù)作為初始值輸入數(shù)據(jù)，讓神經(jīng)網(wǎng)絡(luò)模型 對(duì)時(shí)間序列進(jìn)行訓(xùn)練學(xué)習(xí)，當(dāng)達(dá)到設(shè)定的闊值標(biāo)準(zhǔn)時(shí)，即存在確定的訓(xùn)練模型權(quán)值，由此權(quán) 值得到T維結(jié)果輸出，即獲得高頻隨機(jī)時(shí)間序列預(yù)測(cè)結(jié)果（?)，5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述子分步驟C2b中，誤差平方和Ε化)的計(jì) 算過程參見下述方程：(3) 其中，y化)為第k步神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入的數(shù)值，yd化)為第k步神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸出的數(shù)值， η為總步數(shù)。6. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述子分步驟C2c中，得到的Elman網(wǎng)絡(luò)的 學(xué)習(xí)算法如下：式中，wU哺W3分別表示中間層到輸出層、輸入層到中間層，承接層到中間層的連接權(quán) 值，屯，屯，113分別是Elman網(wǎng)絡(luò)中wU嘴W3的學(xué)習(xí)步長(zhǎng)，xj化)為第j次迭代輸入初始值;Awfy 代表i，j次在承接層到中間層迭代的權(quán)值差;uq化-1)為上一步q層中間值;《f為輸出層校驗(yàn) 系數(shù);為中間層校驗(yàn)系數(shù);yd,i化)為k步神經(jīng)網(wǎng)絡(luò)輸出數(shù)值;g^i(.)為輸出神經(jīng)元傳遞函 數(shù);f/ ^ .)代表中間層神經(jīng)元的傳遞函數(shù)。7. 根據(jù)權(quán)利要求4所述的方法，其特征在于，對(duì)于試驗(yàn)中巧-2EW旬為時(shí)間分辨率的云 量數(shù)據(jù)，預(yù)測(cè)未來一年的云量預(yù)測(cè)，所述子分步驟C2d中，Elman網(wǎng)絡(luò)的學(xué)習(xí)算法的闊值為： 輸入單元層m= 144，輸出單元層η = 3，隱含層單元數(shù)r = 10，最大迭代次數(shù)mix = 2000，訓(xùn)練 誤差指標(biāo)目=0.15。8. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟D包括： 通過疊加計(jì)算，將低頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié)果φ*?：?)與高頻趨勢(shì)時(shí)間序列的預(yù)測(cè)結(jié) 果?*(￡〇整合在一起，得到最終云量預(yù)測(cè)的時(shí)間序列C若二於(句+σ*貨)，戸9. 根據(jù)權(quán)利要求1至8中任一項(xiàng)所述的方法，其特征在于，所述步驟Β的采用小波分解的 分析方法中，選用化4小波，所述步驟B包括： 子步驟B1:指定分解尺度n，通過小波分解，利用Mallat算法將平均云量序列C逐級(jí)極限 逼近，分解得到低頻序列的小波系數(shù)數(shù)據(jù)巧與高頻序列的小波系數(shù)數(shù)據(jù)及 子步驟B2:對(duì)兩類小波系數(shù)數(shù)據(jù)取和0分別使用Mai lat算法逆運(yùn)算，重構(gòu)到原尺度上，分 別得到低頻趨勢(shì)時(shí)間序列護(hù)巧和高頻隨機(jī)時(shí)間序列。*(t)。10.根據(jù)權(quán)利要求1至8任一項(xiàng)所述的方法，其特征在于，所述平均云量序列C和最終云 量預(yù)測(cè)的時(shí)間序列C中時(shí)間分辨率均為旬尺度數(shù)量級(jí)； 所述步驟A中的云氣候?qū)W數(shù)據(jù)集為風(fēng)云二號(hào)氣象衛(wèi)星記錄的云量數(shù)據(jù)集，其云量數(shù)據(jù) 的空間分辨率小于280km巧80km。
【文檔編號(hào)】G01W1/10GK105974495SQ201610282371
【公開日】2016年9月28日
【申請(qǐng)日】2016年4月29日
【發(fā)明人】王喆文, 林友明, 黃鵬, 厲為, 馮柯, 王偉星, 王志信, 章文毅, 馬廣彬, 王崢
【申請(qǐng)人】中國(guó)科學(xué)院遙感與數(shù)字地球研究所