【技术实现步骤摘要】
一种极端干旱精确预测方法及系统
[0001]本专利技术涉及城市气象灾害预警领域,特别是涉及一种极端干旱精确预测方法及系统。
技术介绍
[0002]降水量是影响干旱发生的主要因素之一,基于降水量实现干旱的定量预测是实现准确预测的途径之一。但由于降水量数据具有非线性特征,并且在不同区域和时间上存在差异,因此直接使用降水量进行不同尺度间的比较和特征学习是困难的。因此,在干旱预测的相关研究中,通常利用干旱指数对干旱的发生程度、持续时间和影响范围进行定量评估。
[0003]在基于干旱指数对干旱进行定量评估的基础上,通常需要构建并训练模型,以选出最佳模型来预测干旱的发生,现有技术中,使用的方法是利用ARIMA模型或ANN模型对干旱情况进行预测。但这两种模型依据降水量数据得到的干旱指数SPI时间序列具有非平稳、非线性特征,未提取序列的局部特征使其平稳,导致该数据预测性低,容易出现局部最优的问题,难以达到精准预测干旱的效果。
技术实现思路
[0004]专利技术目的:本专利技术的目的是提供一种能够高精准性地预测干旱情况的极端干旱精确预测方法及系统。
[0005]技术方案:为实现上述目的,本专利技术所述的一种极端干旱精确预测方法包括以下步骤:
[0006]步骤S1:获取目标区域的逐日降水量数据;
[0007]步骤S2:对于降水量数据,基于干旱指数SPI,计算不同时间尺度的SPI时间序列B,并将SPI时间序列B划分为训练集和测试集;
[0008]步骤S3:利用互补集成经验模态CEEM ...
【技术保护点】
【技术特征摘要】
1.一种极端干旱精确预测方法,其特征在于,包括以下步骤:步骤S1:获取目标区域的逐日降水量数据;步骤S2:对于降水量数据,基于干旱指数SPI,计算不同时间尺度的SPI时间序列B,并将SPI时间序列B划分为训练集和测试集;步骤S3:利用互补集成经验模态CEEMD分解方法,对训练集和测试集中SPI时间序列B进行分解,分别得到IMF分量和趋势项;步骤S4:使用训练集中的IMF分量和趋势项对LSTM网络模型进行训练,获得干旱预测模型;步骤S5:使用干旱预测模型对测试集中的IMF分量和趋势项进行预测;步骤S6:对预测结果进行分析。2.根据权利要求1所述的一种极端干旱精确预测方法,其特征在于,步骤S1所述的获取目标区域的逐日降水量数据是指从国家气象科学数据中心下载目标区域气象站的逐日降水量数据集,包含日期、温度、降水数据,从数据集中提取日期数据以及该日期的降水量数据。3.根据权利要求1所述的一种极端干旱精确预测方法,其特征在于,步骤S2所述的对于降水量数据,基于干旱指数SPI,计算不同时间尺度的SPI时间序列B,并将SPI时间序列B划分为训练集和测试集,是指将逐日降水量数据根据干旱指数SPI的计算公式,计算获得1、3、6、12个月时间尺度的SPI值,形成四尺度SPI时间序列B,并将SPI时间序列B根据4:1的比例划分为训练集和测试集。4.根据权利要求3所述的一种极端干旱精确预测方法,其特征在于,所述的干旱指数SPI的计算公式为:式中,A是概率密度的正负系数,当B=
‑
1时,当B=1时,当B=1时,Gx是累积概率;常量c0=2.515517,c1=0.802853,c2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308。5.根据权利要求1所述的一种极端干旱精确预测方法,其特征在于,步骤S3所述的利用互补集成经验模态CEEMD分解方法,对训练集和测试集中SPI时间序列B进行分解,分别得到IMF分量和趋势项,具体为:向SPI时间序列B中加入n组包括正噪声和负噪声的辅助白噪声,从而得到正噪声序列H1和负噪声序列H2,此时得到的序列如下,总数为2n:式中,N为辅助序列;将得到的序列分别进行分解,得到m个IMF分量,每组分量记为和其中i=1,
…
,n,j=1,
…
,m,t代指时间序列;
对每组IMF分量和取平均值,得到第j个IMF的值:将得到的IMF值作为最终分解结果,即将SPI时间序列B分解为:...
【专利技术属性】
技术研发人员:喻国强,田冉,丁严,俞斌,连丞龙,胡振泽,
申请(专利权)人:宁波市鄞州区规划设计院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。