[发明专利]一种基于统计动力的中长期降雨分级耦合预报方法及系统

说明书

本发明公开了一种基于统计动力的中长期降雨分级耦合预报方法及系统，属于降雨预报领域，包括：模型训练阶段：搜集目标区域和全球尺度的历史水文气象数据，并建立涵盖统计学模型和动力学模型的中长期降雨预报模型库，对于其中的每一个降雨预报模型，利用该模型对不同历史时间段的降雨量进行预报，并将预报结果划分为k个降雨量等级；基于神经网络建立各降雨量等级对应的耦合预报模型，并结合同期实测降雨量对其进行训练；降雨预报阶段：利用各降雨预报模型分别预报目标时间段的降雨量，确定相应的降雨量等级，并选取对应的耦合预报模型耦合各预报结果，得到最终预报结果。本发明能够提高中长期降雨预报的精度，并延长降雨预报的预见期。

技术领域

本发明属于降雨预报领域，更具体地，涉及一种基于统计动力的中长期降雨分级耦合预报方法及系统。

背景技术

中长期水文预报是指根据前期气象水文要素，基于成因分析与数理统计的方法，对未来较长时间内的水文要素进行科学的预测。中长期降雨预报可以为中长期水文预报提供降雨数据，是中长期水文预报的基础。流域降雨过程是一种强烈依赖于大气环流、地表蒸发、全球气候因子变化等动力特性的非线性时变过程，涉及的变量众多，并受自然条件胁迫和人类活动干扰，因此流域降雨时空变异规律异常复杂，如何提高中长期降雨预报的精度，是中长期水文预报中一个亟待解决的难题。

现有的中长期降雨预报方法，主要利用特定的模型进行降雨预报，这些方法在一定程度上能够实现中长期降雨预报，但是降雨预报精度通常受制于输入的数据质量、选用的预报模型结构和优选的模型参数，具体表现在以下方面：①输入方面：以大气环流、海表温度、海冰、积雪等气象因子为降雨模型主要输入信息，降雨预报预见期受观测降雨时效性的限制；②模型方面：对于研究区域，通常采用一种降雨预报模型进行降雨过程模拟，忽略了不同降雨预报模型的流域适应性，预报结果容易出现较大误差，导致决策风险；③参数率定方面：优选模型参数的目标函数单一，难以全面反映流域内不同降雨过程的峰值、雨量以及演化过程差异；④预报精度方面：忽略了模型预报误差对预报模型的指导意义，未充分利用模型的互补性特征，进行预报结果的校正。

此外，大流域降雨预报，在空间维度存在地形复杂、空间差异性大的特点，在时间维度存在不确定性强的特点，且受上述一种或多种问题的协同制约，现行降雨预报难以满足流域水文预报、防灾减灾及水资源科学管理对降雨预报精度及预见期的需求。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于统计动力的中长期降雨分级耦合预报方法及系统，其目的在于，提高中长期降雨预报的精度，并延长降雨预报的预见期。

为实现上述目的，按照本发明的一个方面，提供了一种基于统计动力的中长期降雨分级耦合预报方法，包括：

模型训练阶段：

搜集目标区域和全球尺度的历史水文气象数据，并建立涵盖统计学模型和动力学模型的中长期降雨预报模型库；中长期降雨预报模型库中每个降雨预报模型都用于预报预见期内任意一个时间段内的降雨量；

对于中长期降雨预报模型库中的每一个统计学模型，利用该模型根据所搜集的历史水文气象数据对不同历史时间段的降雨量进行预报，并通过聚类将预报结果划分为k个降雨量等级；对于中长期降雨预报模型库中的每一个动力学模型，利用该模型对不同历史时间段的降雨量进行预报，并通过聚类将预报结果划分为k个降雨量等级；其中，k≥1；

针对每一个降雨量等级，建立基于神经网络的耦合预报模型，用于耦合各降雨预报模型对于同一时间段的预报结果，作为相同时间段的最终预报结果；结合历史同期实测的降雨量，对各耦合预报模型模型进行训练，在训练完成后将各耦合预报模型作为各降雨量等级对应的中长期降雨耦合预报模型；

降雨预报阶段：