本發(fā)明涉及氣象數(shù)值預(yù)報(bào)數(shù)據(jù)融合，具體是一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法。
背景技術(shù)：
1、數(shù)值預(yù)報(bào)作為天氣預(yù)報(bào)的主流技術(shù)，近年來取得了革命性進(jìn)步，已成為氣象預(yù)報(bào)業(yè)務(wù)的重要組成部分，并不斷朝著精細(xì)化方向發(fā)展。它基于大氣實(shí)際情況，通過超級(jí)計(jì)算機(jī)求解流體力學(xué)和熱力學(xué)方程組，預(yù)測未來大氣運(yùn)動(dòng)狀態(tài)。但是由于氣象的復(fù)雜性，加之模擬大氣的數(shù)值模式的不確定性和模式自身的缺陷，數(shù)值模式的預(yù)報(bào)誤差至今依然存在，因此對(duì)數(shù)值預(yù)報(bào)進(jìn)行訂正以獲得更加準(zhǔn)確的結(jié)果具有重要意義。雖然單一數(shù)值模型預(yù)報(bào)在預(yù)報(bào)過程中可以通過調(diào)參、優(yōu)選預(yù)報(bào)因子等方式提高預(yù)報(bào)精度，但是單一模型本身就存在不確定性，難以適應(yīng)所有氣象情況。眾多研究表明，將多個(gè)單一預(yù)報(bào)模型進(jìn)行組合，構(gòu)建融合后的預(yù)報(bào)模型，可以有效發(fā)揮不同數(shù)值模型的優(yōu)勢，進(jìn)而提高預(yù)報(bào)的可靠性和預(yù)報(bào)精度。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法，包括如下步驟：
2、s1，分別采集不同數(shù)值天氣預(yù)報(bào)模型的輸出數(shù)據(jù)，并對(duì)輸出數(shù)據(jù)進(jìn)行歸一化；
3、s2，選擇具有代表性和多樣性的天氣預(yù)報(bào)模型組，并根據(jù)性能指標(biāo)評(píng)估天氣預(yù)報(bào)模型組中各個(gè)天氣預(yù)報(bào)模型，確定各個(gè)天氣預(yù)報(bào)模型的預(yù)測能力，為每個(gè)天氣預(yù)報(bào)模型分配一個(gè)權(quán)重，將各個(gè)天氣預(yù)報(bào)模型進(jìn)行線性加權(quán)組合，得到組合天氣預(yù)報(bào)模型；
4、s3，根據(jù)隨機(jī)組合策略，采用多目標(biāo)優(yōu)化算法優(yōu)化組合天氣預(yù)報(bào)模型權(quán)重上下限區(qū)間，得到優(yōu)化后的權(quán)重上下限區(qū)間；
5、s4，以優(yōu)化后的權(quán)重上限和下限為決策變量，在區(qū)間內(nèi)隨機(jī)生成多組權(quán)值，得到集合預(yù)報(bào)樣本；
6、s5，通過評(píng)估指標(biāo)得到的集合預(yù)報(bào)樣本性能評(píng)估，若性能達(dá)到預(yù)定目標(biāo)，則完成多模型隨機(jī)組合的氣象數(shù)值預(yù)報(bào)數(shù)據(jù)融合；否則調(diào)整隨機(jī)組合策略和集成模型，進(jìn)行迭代優(yōu)化，直到達(dá)到預(yù)定目標(biāo)。
7、進(jìn)一步的，所述的選擇具有代表性和多樣性的天氣預(yù)報(bào)模型組，并根據(jù)性能指標(biāo)評(píng)估天氣預(yù)報(bào)模型組中各個(gè)天氣預(yù)報(bào)模型，確定各個(gè)天氣預(yù)報(bào)模型的預(yù)測能力，為每個(gè)天氣預(yù)報(bào)模型分配一個(gè)權(quán)重，將各個(gè)天氣預(yù)報(bào)模型進(jìn)行線性加權(quán)組合，得到組合天氣預(yù)報(bào)模型，包括：
8、步驟s21，選擇具有代表性和多樣性的天氣預(yù)報(bào)模型組，并根據(jù)性能指標(biāo)評(píng)估天氣預(yù)報(bào)模型組中各個(gè)天氣預(yù)報(bào)模型，確定各個(gè)天氣預(yù)報(bào)模型的預(yù)測能力，其中性能評(píng)估指標(biāo)為均方誤差或平均絕對(duì)誤差中的一種；
9、步驟s22、根據(jù)模型的性能評(píng)估結(jié)果，設(shè)計(jì)權(quán)重分配方案，使用模型性能指標(biāo)的逆作為權(quán)重，并對(duì)權(quán)重進(jìn)行規(guī)范化；
10、步驟s23、使用規(guī)范化的權(quán)重對(duì)各個(gè)模型的預(yù)報(bào)結(jié)果進(jìn)行線性加權(quán)組合，若有n個(gè)模型，第個(gè)模型的權(quán)重為，線性組合結(jié)果為f，則最終的線性組合f為：
11、。
12、進(jìn)一步的，所述的根據(jù)隨機(jī)組合策略，采用多目標(biāo)優(yōu)化算法優(yōu)化組合天氣預(yù)報(bào)模型權(quán)重上下限區(qū)間，得到優(yōu)化后的權(quán)重上下限區(qū)間，包括：
13、以隨機(jī)權(quán)重的上限和為決策變量，以區(qū)間預(yù)報(bào)常用的評(píng)價(jià)指標(biāo)平均相對(duì)區(qū)間寬度最小、區(qū)間覆蓋率最大和均方根誤差最小為優(yōu)化目標(biāo)，建立組合權(quán)重的多目標(biāo)優(yōu)化模型，模型的目標(biāo)函數(shù)和優(yōu)化變量分別為：
14、
15、
16、式中，為確定性模型驗(yàn)證期預(yù)報(bào)樣本的總個(gè)數(shù)；為確定性模型驗(yàn)證期預(yù)報(bào)樣本序列編號(hào)；為實(shí)測值；為集合預(yù)報(bào)樣本中95%分位數(shù)對(duì)應(yīng)的預(yù)報(bào)值；為集合預(yù)報(bào)樣本中5%分位數(shù)對(duì)應(yīng)的預(yù)報(bào)值；為條件函數(shù)，僅當(dāng)括號(hào)內(nèi)條件同時(shí)成立時(shí)，否則；為集合預(yù)報(bào)樣本的均值；為優(yōu)化變量集合，其中；為目標(biāo)函數(shù)；為平均相對(duì)區(qū)間寬度；為區(qū)間覆蓋率；為均方根誤差。
17、進(jìn)一步的，所述的以優(yōu)化后的權(quán)重上限和下限為決策變量，在區(qū)間內(nèi)隨機(jī)生成多組權(quán)值，得到集合預(yù)報(bào)樣本，包括：
18、步驟s41、根據(jù)確定的組合權(quán)值的上下限區(qū)間，采用蒙特卡洛方法在組合權(quán)值的上下限區(qū)間中生成隨機(jī)權(quán)重；若為權(quán)重向量，其中n為模型的總數(shù)，每個(gè)權(quán)重的生成過程包括：
19、1.對(duì)于每個(gè)模型，設(shè)定權(quán)重的均勻分布區(qū)間；為模型i的權(quán)重的均勻分布區(qū)間；
20、2.獨(dú)立地從均勻分布中抽取隨機(jī)數(shù)作為初始權(quán)重；
21、3.應(yīng)用歸一化過程，所有權(quán)重的總和等于1：；其中表示模型i的權(quán)重服從均勻分布；表示第j個(gè)隨機(jī)數(shù)；
22、步驟s42、再次加權(quán)組合各個(gè)模型的預(yù)報(bào)結(jié)果，將生成的權(quán)重向量，應(yīng)用于各個(gè)模型的預(yù)報(bào)結(jié)果，設(shè)為第個(gè)模型的預(yù)報(bào)結(jié)果，集合預(yù)報(bào)f通過以下加權(quán)求和公式計(jì)算：
23、
24、步驟s43、重復(fù)生成過程以產(chǎn)生集合成員，重復(fù)步驟s41，使用蒙特卡洛方法多次生成新的權(quán)重向量，對(duì)于每組新生成的權(quán)重，按照步驟s42計(jì)算加權(quán)組合的預(yù)報(bào)結(jié)果，生成新的集合成員，將所有生成的集合成員存儲(chǔ)在一個(gè)集合中，形成集合預(yù)報(bào)的樣本集。
25、進(jìn)一步的，所述的通過評(píng)估指標(biāo)得到的集合預(yù)報(bào)樣本性能評(píng)估，若性能達(dá)到預(yù)定目標(biāo)，則完成多模型隨機(jī)組合的氣象數(shù)值預(yù)報(bào)數(shù)據(jù)融合；否則調(diào)整隨機(jī)組合策略和集成模型，進(jìn)行迭代優(yōu)化，直到達(dá)到預(yù)定目標(biāo)，包括：
26、步驟s51、根據(jù)均方誤差、平均絕對(duì)誤差、相關(guān)系數(shù)確定評(píng)估集合預(yù)報(bào)性能的指標(biāo)，得到性能評(píng)估結(jié)果；
27、步驟s52、根據(jù)性能評(píng)估結(jié)果，調(diào)整各模型的權(quán)重，通過多目標(biāo)優(yōu)化算法重新評(píng)估并調(diào)整權(quán)重的上下限；
28、步驟s53、重新生成集合預(yù)報(bào)并迭代，使用更新后的權(quán)重和模型調(diào)整，重新執(zhí)行s4步驟，生成新的集合預(yù)報(bào)樣本集，將新的集合預(yù)報(bào)樣本集再次進(jìn)行性能評(píng)估，若性能達(dá)到預(yù)定目標(biāo)，則停止迭代；否則繼續(xù)優(yōu)化。
29、本發(fā)明的有益效果是：基于多模型隨機(jī)組合的氣象數(shù)值預(yù)報(bào)數(shù)據(jù)融合方法通過綜合多個(gè)模型的預(yù)測結(jié)果，其核心有益效果在于顯著增強(qiáng)了預(yù)報(bào)結(jié)果的綜合性能。這種方法利用不同模型對(duì)數(shù)據(jù)的不同敏感性和預(yù)測優(yōu)勢，減少單一模型可能存在的偏差，有效平衡了各模型的長處和短處，從而減少了單一模型可能引入的系統(tǒng)性偏差，提高了預(yù)報(bào)的整體準(zhǔn)確性。此外，通過權(quán)重分配和隨機(jī)組合策略，增強(qiáng)了對(duì)預(yù)報(bào)不確定性的估計(jì)，更好地捕捉氣象現(xiàn)象的復(fù)雜性和多變性，使得預(yù)報(bào)結(jié)果不僅更為精確，也更具魯棒性。集合預(yù)報(bào)的生成不僅提供了對(duì)不確定性的估計(jì)，還增加了預(yù)報(bào)的多樣性，為決策者提供了更全面的視角和信息，從而在防災(zāi)減災(zāi)和氣候適應(yīng)等領(lǐng)域發(fā)揮關(guān)鍵作用。
1.一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法，其特征在于，所述的選擇具有代表性和多樣性的天氣預(yù)報(bào)模型組，并根據(jù)性能指標(biāo)評(píng)估天氣預(yù)報(bào)模型組中各個(gè)天氣預(yù)報(bào)模型，確定各個(gè)天氣預(yù)報(bào)模型的預(yù)測能力，為每個(gè)天氣預(yù)報(bào)模型分配一個(gè)權(quán)重，將各個(gè)天氣預(yù)報(bào)模型進(jìn)行線性加權(quán)組合，得到組合天氣預(yù)報(bào)模型，包括：
3.根據(jù)權(quán)利要求2所述的一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法，其特征在于，所述的根據(jù)隨機(jī)組合策略，采用多目標(biāo)優(yōu)化算法優(yōu)化組合天氣預(yù)報(bào)模型權(quán)重上下限區(qū)間，得到優(yōu)化后的權(quán)重上下限區(qū)間，包括：
4.根據(jù)權(quán)利要求3所述的一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法，其特征在于，所述的以優(yōu)化后的權(quán)重上限和下限為決策變量，在區(qū)間內(nèi)隨機(jī)生成多組權(quán)值，得到集合預(yù)報(bào)樣本，包括：
5.根據(jù)權(quán)利要求4所述的一種基于多模型數(shù)據(jù)融合驅(qū)動(dòng)的洪水預(yù)報(bào)精度提升方法，其特征在于，所述的通過評(píng)估指標(biāo)得到的集合預(yù)報(bào)樣本性能評(píng)估，若性能達(dá)到預(yù)定目標(biāo)，則完成多模型隨機(jī)組合的氣象數(shù)值預(yù)報(bào)數(shù)據(jù)融合；否則調(diào)整隨機(jī)組合策略和集成模型，進(jìn)行迭代優(yōu)化，直到達(dá)到預(yù)定目標(biāo)，包括：