[发明专利]基于神经网络可选择模型提高水储量变化预测可靠性方法

权利要求书

1.一种基于神经网络可选择模型提高水储量变化预测可靠性方法，其特征在于，包括：

获取GLDAS数据和TRMM降雨数据；

通过偏最小二乘回归模型PLSR，从GLDAS数据和TRMM降雨数据中筛选得到预测变量；

调用预测模型，将筛选得到的预测变量作为预测模型的输入，通过预测模型得到陆地水储量变化预测值。

2.根据权利要求1所述的基于神经网络可选择模型提高水储量变化预测可靠性方法，其特征在于，偏最小二乘回归模型PLSR的表达式如下：

其中，VIP_j值表示第j个自变量的指标投影重要性，p表示自变量的个数，h表示提取的主成分的个数，t_k表示相关自变量提取的主成分，R(Y,t_k)表示第k个成分t_k与因变量Y的相关系数，w_kj表示第j个自变量对第k个成分t_k上的权重。

3.根据权利要求2所述的基于神经网络可选择模型提高水储量变化预测可靠性方法，其特征在于，通过偏最小二乘回归模型PLSR，从GLDAS数据和TRMM降雨数据中筛选得到预测变量，包括：

从GLDAS数据和TRMM降雨数据中提取得到Noah水文模型陆地水储量变化Noah TWSA、蒸散发量ET、径流SR、气温AT、风速WS和降雨PRECP，作为偏最小二乘回归模型PLSR的自变量，并确定自变量的个数p；

将从GRACE数据和GRACE-FO数据中提取得到陆地水储量变化TWSA，作为因变量Y；

对偏最小二乘回归模型PLSR的自变量和因变量进行标准化处理，得到标准化处理之后的自变量矩阵X₀和因变量矩阵Y₀；

通过主成分分析法，确定第j个自变量X_j的主成分t_k，提取的主成分的个数h，以及第k个成分t_k与因变量Y的相关系数R(Y,t_k)；

通过回归分析方法，确定第j个自变量对第k个成分t_k上的权重w_kj；

代入公式(1)，分别求解得到各自变量的指标投影重要性；

根据求解得到的各自变量的指标投影重要性与设定阈值的比较结果，筛选得到满足设定阈值要求的自变量作为预测变量。

4.根据权利要求3所述的基于神经网络可选择模型提高水储量变化预测可靠性方法，其特征在于，根据求解得到的各自变量的指标投影重要性与设定阈值的比较结果，筛选得到满足设定阈值要求的自变量作为预测变量，包括：

若当前自变量的指标投影重要性不小于0.8，则将当前自变量作为预测变量；

若当前自变量的指标投影重要性小于0.8，则过滤掉当前自变量。

5.根据权利要求1所述的基于神经网络可选择模型提高水储量变化预测可靠性方法，其特征在于，调用预测模型，将筛选得到的预测变量作为预测模型的输入，通过预测模型得到陆地水储量变化预测值，包括：

调用外部输入非线性自回归预测模型NARX、反向传播预测模型BP或多元线性回归预测模型MLR；

将筛选得到的预测变量作为非线性自回归预测模型NARX、反向传播预测模型BP或多元线性回归预测模型MLR的输入；

将非线性自回归预测模型NARX、反向传播预测模型BP或多元线性回归预测模型MLR的输出作为陆地水储量变化预测值。

6.根据权利要求5所述的基于神经网络可选择模型提高水储量变化预测可靠性方法，其特征在于，外部输入非线性自回归预测模型NARX是具有记忆功能的反馈式人工神经网络ANN，属于动态神经网络，包含多步输入输出延时。