中长期预测

如果说定量短期预报对洪水预报有用，那么中长期预报在洪水管理中起着重要作用水资源．农业和水的供应，除其他用水用途外，可从一个月或一个季节的预期降雨量预报的可用性中显著受益。对于高度依赖联合管理地表水资源的复杂系统来说，这个问题尤其重要。中期和长期尺度上的预测涉及的问题与已经在较小时间尺度上观察到的问题类似。非平稳性、非线性以及正确预测因子的识别指导了方法的发展。

虽然回归方法和最近的人工神经网络已被广泛用于此目的，但在文献中可以找到一些其他方法来预测中长期时间尺度上的降雨。例如，截断的正态分布是Sanso和Guenni(2000)提出的用于捕捉年与年变化的降雨非平稳多点模型的公式基础，并建议它也适用于短期预报。Stone等人(1996)和de Jager等人(1998)使用了一种简单的概率降雨预测技术，该技术基于南方涛动指数(SOI)值(可以被认为是厄尔尼诺南方涛动(ENSO)周期阶段的代表)与未来降雨量之间的滞后关系的识别。因此，随后3个月的概率分布是根据SOI的状态推导出来的。Sharma(2000)引入了一种非参数概率模型，用于预测提前3至24个月的降雨。具体来说，使用概率密度函数(PDF)估计的非参数核方法(如Scott, 1992)来表示条件概率密度函数。然后，以相关预测集的当前值为条件，从降雨概率密度中重新采样，进行概率预测。这种方法的一个有趣的特点是PDF的形状是直接从数据中构建的，这将导致预测与样本的特征相似，从而再现观测到的降雨的可变性。

基于回归的技术已被广泛用于预测季节性降雨．通过观测或数值天气预报，预测变量(如ENSO)的近实时可用性增加，增加了基于回归模型和卡尔曼滤波的适用性(例如，Liu等，1998)。Makarau和Jury(1997)基于一组气候预测因子，采用多元线性回归模型的正向逐步方法预测了津巴布韦的夏季降雨量。相当简单的模型，包括多达五个预测因素，在2至3个月的领先时间内，产生了大约80%至85%的杰克-刀技能测试相关性。Jury(1998)使用了类似的方法来预测南部非洲夸瓦祖鲁-纳塔尔地区的季节性降雨和其他气候变量，也得到了一个预测能力大约76%的降雨和大约三分之二的方差在其他情况下。Francis和Renwick(1998)专注于预测季节性(1个月或一个3个月的季节)降雨异常。

同样，Thapliyal(1997)基于预测因子和预测因子之间的相关性，对预测模型和动态随机转移模型进行了比较，以预测印度的季风降雨。动态随机传递模型本质上对应于ARIMA模型结构，其阶数是根据观测估计的。应该注意到，使用基于回归的技术的一个关键问题是所选预测器的稳定性和描述其时间演化的模型的稳健性。最后,ARMA模型，已广泛应用于预测水流，也被用来模拟中长期降雨，而不是预测中长期降雨。在Delleur和Kavvas(1978)中，可以发现ARIMA模型在预测月降雨量序列方面的另一个应用，其目的是为水资源系统管理中的流量预测提供输入。

就像短期预报一样，人工神经网络也被提出用于预测季节性降雨。人工神经网络已被发现在预测复杂和高度动态系统的行为，如

图3结合来自历史数据的确定性信息和由事件预测器表示的随机成分的分层人工神经网络结构，用于季风降雨的季节预测(来自Navone和Ceccatto, 1994)。

季风降雨。然而，简单的确定性神经网络在预测技能方面表现出有限的鲁棒性，因此经常引入更复杂的网络。一个简单的四层输入、两个隐藏层和一个用于预测的神经元输出网络的示例印度季风降雨可以在Sahai et al.(2000)找到。另一方面，Navone和Ceccatto(1994)提出了一种有趣但复杂的ann应用，作为一种将季前预测因子与降雨数据关联起来的非线性方法，并作为一种重建降雨时间序列动态的算法。因此，他们实现了一个分层神经网络，如图3所示。通过将它们的输出单元连接到一个新的神经元，将训练为关联预测器的网络和训练为学习时间序列动态的网络结合起来，然后使用该神经元发布预测。作者介绍了由于分层方法而改进的预测技巧，特别是在预测大异常时。如果用于训练和预测的参数相互关联，则可以降低人工神经网络的性能。Guhathakurta等人(1999)使用主成分分析——正如Hsieh和Tang(1998)所建议的那样——将原始变量转换为一组新的不相关变量。然后，通过一个隐藏层ANN中的三层、五输入、三个隐藏节点来训练和发布预测。这种人工神经网络的输出和使用未转换参数集的简单确定性人工神经网络的输出分别被用作没有任何隐藏层的简单两层人工神经网络的输入，从而产生降雨预报。最终的混合模型将整体预测技能从40%提高到80%。

继续阅读:雪水文

这篇文章有用吗?

0 0