[发明专利]气候变化预测以及趋势分析方法

摘要

本发明实施例提供一种气候变化预测以及趋势分析方法。本发明方法，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。本发明实施例准确体现气候变化中跳跃变化，有利于进一步准确预测资源的合理利用及区域可持续发展，有助于分析对应该跳跃变化的成因。

主权项

一种气候变化预测以及趋势分析方法，其特征在于，包括：S1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；S2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，其步骤包括：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，所述处理器初始化所述模糊聚类算法参量步骤包括：处理器采用分段常函数得到在时间坐标集合上kmax个初始模糊聚类中心为μk=Σi=1N[sk(ti)]mtiΣi=1N[sk(ti)]m,1≤k≤kmax---(1)]]>其中，N为气候变量数据的个数，m为模糊加权指数且m＝2，ti为气候变量数据对应的时间，p＝int(N/kmax)，当k＝kmax，令kp＝N；处理器将时间坐标集合上的初始偏差定义为σk2=Σi=1N[sk(ti)]m(ti-μk)(ti-μk)TΣi=1N[sk(ti)]m,1≤k≤kmax---(2)]]>其中，N为气候变量数据的个数，m为模糊加权指数且m＝2，ti为气候变量数据对应的时间，μk为在时间坐标集合上的初始模糊聚类中心，sk(ti)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kmax个数据作为初始中心，得到vk∈{xi,1≤i≤N},1≤k≤kmax  (3)其中，N为气候变量数据的个数，xi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Σk=σ2Ikmax×kmax---(4)]]>其中，为kmax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αk与所述kmax成反比，得到αk＝1/kmax,1≤k≤kmax  (5)其中，kmax为初始聚类数；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，所述处理器求得隶属度、混合概率,包括：采用公式ui,k(l)=[αk(l)p(ti|ηk(l))p(xi|ηk(l))]m-1Σj=1kmax[αj(l)p(ti|ηj(l))p(xi|ηj(l))]m-1---(6)]]>计算隶属度，其中，所述kmax为初始聚类数，αk＝p(ηk)≥0为第k个聚类的混合概率，且满足条件为在时间坐标集合上的第k个高斯函数，p(x|ηk)为在气候变量数据集合上第k个高斯函数，m为模糊加权指数且m＝2；采用公式αk(l+1)=max{0,(Σi=1Nui,k(l))-c2}Σj=1kmax{0,(Σi=1Nui,k(l))-c2},{α1(l+1),...,αkmax(l+1)}={α1(l+1),...,αkmax(l+1)}Σk=1kmaxαk(l+1)---(7)]]>计算混合概率，其中，所述kmax为初始聚类数，ui,k为第i个数据属于第k个聚类的隶属度，c为每个聚类成员所含参数的维数，N为气候变量数据的个数；所述处理器采用期望值最大算法将所述聚类参数μk、vk、Σk以及隶属度ui,k更新为μk′(l+1)=Σi=1N(ui,k(l))mtiΣi=1N(ui,k(l))m---(8)]]>(σk′2)(l+1)=Σi=1N(ui,k(l))m(ti-μk′(l))(ti-μk′(l))TΣi=1N(ui,k(l))m---(9)]]>vk(l+1)=Σi=1N(ui,k(l))mxiΣi=1N(ui,k(l))m---(10)]]>Σk(l+1)=Σi=1N(ui,k(l))m(xi-vk(l))(xi-vk(l))TΣi=1N(ui,k(l))m---(11)]]>ui,k(l+1)=[αk(l+1)p(ti|ηk(l+1))p(xi|ηk(l+1))]m-1Σj=1kmax[αj(l+1)p(ti|ηj(1+1))p(xi|ηj(l+1))]m-1---(12)]]>其中，所述ui,k为第i个数据属于第k个聚类的隶属度，xi为气候变量数据，ti为气候变量数据xi对应的时间，μ′k与分别为在时间坐标集合上的第k个高斯函数p(t|ηk)的中心和偏差，vk与Σk分别为在气候变量数据集合上第k个高斯函数p(x|ηk)的中心和方差，m为模糊加权指数且m＝2；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，所述根据最小信息长度准则选择最优分割阶数，包括：处理器根据最小信息长度准则，采用公式MessLen(η(l+1),Z)=-Σi=1NlogΣk:αk>0αkp(ti|ηk(l+1))p(xi|ηk(l+1))+c4Σk:αk>0log(Nαk12)+knz2logN12+knz(c+1)2.---(13)]]>求得最小信息长度，其中，所述c为每个聚类成员所含参数的个数,αk为第k个聚类的混合概率，N为气候变量数据的个数，knz为当前聚类个数，p(t|ηk)为在时间坐标集合上的第k个高斯函数，p(x|ηk)为在气候变量数据集合上第k个高斯函数；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，包括：处理器采用高斯函数得到在时间坐标集合上kmax个模糊分割βk(ti)，公式为βk(ti)=Ak(ti)Σj=1kmaxAj(ti),1≤k≤kmax---(14)]]>其中，k为当前模糊聚类数目，ti为气候变量数据对应的时间，μk为在时间坐标集合上的初始模糊聚类中心，为时间坐标集合上的初始偏差；S3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。