[发明专利]气候变化预测以及趋势分析方法

说明书

技术领域

本发明实施例涉及计算机计算领域，尤其涉及一种气候变化预测以及趋势分析方法。

背景技术

近年来，洪涝、干旱和冰雨等极端气候引起了全世界各地人们的关注。造成该现象的原因有很多。例如，冷暖气流的急剧变化等自然因素，同时，人类对森林的滥砍滥伐、汽车的尾气排放等人类活动的人为因素也占很大的比例。

现有技术对此采用混沌-人工神经网络方法对气候变化进行预测以及趋势分析，该方法是结合混沌理论和人工神经网络，互相抵消两者之间的不足之处。分析流域气温、降雨和径流量的变化过程。进而对于气候的变化预测以及趋势分析。

该种方法对于气候的变化体现了气候变化的整体趋势，但是无法准确地体现气候跳跃变化。

发明内容

本发明实施例提供一种气候变化预测以及趋势分析方法，以克服现有中无法准确地对于气候变化中的跳跃变化作出预测以及趋势分析的问题。

本实施例提供了一种气候变化预测以及趋势分析方法，包括：

处理器接收气候变量数据以及与所述气候变量数据对应的时间值；

所述处理器采用模糊聚类算法计算所述气候变量数据的渐进变化与跳跃变化；

所述处理器根据所述渐进变化与所述跳跃变化对气候变化进行预测以及趋势分析。

进一步地，所述处理器采用模糊聚类算法计算所述气候变量数据的渐进变化与跳跃变化，包括：

步骤一、处理器初始化所述模糊聚类算法参量，设置所述模糊聚类算法终止阈值、初始分割阶数和最小分割阶数；

步骤二、所述处理器求得隶属度、混合概率，并判断所述混合概率是否大于0，若是，则直接更新聚类参数以及所述隶属度，若否，则降低分割阶数后更新聚类参数以及所述隶属度；

步骤三、所述处理器判断相邻两次迭代过程的模糊划分矩阵的相对误差是否大于终止阈值，若否，则返回步骤二，若是，则根据最小信息长度准则选择最优分割阶数；

步骤四、所述处理器将所述最优分割阶数与最优聚类参数代入模糊聚类算法得出所述气候变量数据的渐进变化与跳跃变化。

进一步地，所述处理器初始化所述模糊聚类算法参量，包括：

处理器采用分段常函数得到在时间坐标集合上k_max个初始模糊聚类中心为

其中，N为气候变量数据的个数，m为模糊加权指数且m＝2，t_i为气候变量数据对应的时间，p＝int(N/k_max)，当k＝k_max，令kp＝N；

处理器将时间坐标集合上的初始偏差定义为

其中，N为气候变量数据的个数，m为模糊加权指数且m＝2，t_i为气候变量数据对应的时间，μ_k为在时间坐标集合上的初始模糊聚类中心，s_k(t_i)为如上所述分段常函数；

所述处理器从气候变量数据集合中随机选取k_max个数据作为初始中心，得到

v_k∈{x_i,1≤i≤N},1≤k≤k_max(3)

其中，N为气候变量数据的个数，x_i为气候变量数据；

所述处理器令所述气候变量数据集合中的初始协方差与单位矩阵成正比，得到

其中，为k_max阶单位矩阵，为气候变量数据的平均值；

所述处理器令初始混合概率α_k与所述k_max成反比，得到

α_k＝1/k_max,1≤k≤k_max(5)

其中，k_max为初始聚类数。

进一步地，所述处理器将所述最优分割阶数代入模糊聚类算法得出所述气候变量数据的渐进变化与跳跃变化，包括：

处理器采用高斯函数得到在时间坐标集合上k_max个模糊分割β_k(t_i)，公式为

其中t_i为气候变量数据对应的时间，μ_k为在时间坐标集合上的初始模糊聚类中心，μ_k为时间坐标集合上的初始偏差；

进一步地，所述处理器求得隶属度、混合概率,包括：

采用公式