基于数据挖掘降雨量建模和预测方法研究

基于数据挖掘降雨量建模和预测方法研究

毛胤德

中国人民武装警察部队警官学院

摘要：针对降雨测量仪在野外工作的特定需求，研究一种防堵塞降雨量实时监测系统．该系统通过雨滴传感器设定阈值判断是否降雨，并基于降雨信息控制舵机驱动活动挡板运动，在无雨时遮住降雨量测量仪，在降雨时将其打开，既不影响雨量计的正常工作，又可以减少其漏斗裸露在外的时间，大大减小异物堵塞的概率及其对雨量计的影响，本文对数据挖掘降雨量建模和预测方法进行分析，以供参考

关键词：数据挖掘；降雨量建模；预测方法

引言

雨量信息的实时性和准确性是防汛抗旱正确指挥的前提，及时准确地获取降雨量信息可以帮助指挥部门实施有效的监控和预警．目前，气象观测中常用翻斗雨量计测量降雨强度和降雨量，其在野外工作时容易被异物堵塞导致不能正常工作，在偏远地方还需解决野外供电和数据远距离传输存储等问题．为解决这些问题，本文设计一种防堵塞降雨量实时监测系统，该系统在探测到降雨时打开测量仪上的挡板测量降雨量，雨停时自动关闭挡板，避免测量仪被堵塞，从而提高系统测量的准确性；采集的数据通过ＧＰＲＳ模块发送到云端，便于数据的查询和共享，方便不同用户的使用，提高数据的可靠性和利用率．

1降雨量变化

1.1降雨量变化研究的必要性

全球和区域温度的上升将导致地球周期要素周期的变化。作为水循环的一个重要组成部分，关于降雨变化的区域研究可以从不同角度解释全球变暖问题，这有助于了解全球和区域水循环对气候变化的影响，并为当地水分配和水文建模提供参考资料。影响时间和空间降雨分布的因素包括地理位置、台风路径、气旋和其他天气因素，以及水体、地形和森林状况等基本地形条件。如果我们从现有的长期降雨数据推断年降雨量变化的周期和趋势，并掌握降雨的时间分布情况，我们就可以预测未来的降雨趋势，并制定全年水资源分布计划，以尽量减少洪水的不利影响同样，如果了解降雨分布的时空特征，就可以了解不同区域的水量，优化区域水资源分布，并以综合方式规划信息的提供，以支持环境保护。因此，研究不断变化的环境(包括全球变暖和城市化)中降雨的区域分布的时空特征对经济发展和社会稳定十分重要。

1.2分析城市各级降雨量与总降雨量的关系

为了了解降水量与年总降水量之间的关系，我们检查了不同降水量与年总降水量的接近程度，并分析了降水量与年总降水量之间的关系。除了低降雨量与年总降雨量之间的相关性较低外，其他降雨量与年总降雨量之间的相关性较好。所有的点云图均显示一定的规律性和正的线性关系，各级降雨量的增加(或减少)反映了全年总降雨量的增加(或减少)。如果计算不同降雨类型与年总降水量之间的相关系数，则在所有降水量中，强降水与年降水量的关系最密切，相关系数为0.8689，超过了0.001的重要水平。中、高降雨量与年降雨量之和比较接近，分别为0.6372和0.4417，也超过了重要程度。低强度降水与年降水量的相关性最低。大雨、暴雨和低强度降雨是年降雨量总量的一个良好指标，因为强降雨与年降雨量总量之间的关系最好。

2改进灰色波形预测方法在降水量预测

降雨预测模型可以归纳为解释模型和基于数据的模型。对于解释性模型，ARIMA模型分析了印度西部季风前降雨量数据的趋势。选择递归神经网络模型(RNN)解决长期降水预测问题，采用前馈神经网络模型(FNN)、短波神经网络模型(WNN)和集成移动平均独立回归模型(ARIMA)进行l蒙古的降雨时空变化评估和季节预测是使用ARIMA模型进行的。对于基于数据的模型，]根据一个基于聚类分析的模糊马尔可夫链模型，对全国16个地点的降雨量进行了预测。使用随机森林算法的最小平方回归模型(PLS)有助于预测城市降雨量。1961-2019年鄂尔多斯市的降雨量预测是根据加权马尔可夫预测模型得出的。HPENN-MC模型用于预测特定区域1990-2015年植物生育期的降雨量。上述模型要求更高的时间序列数据，并未充分说明数据序列的复杂性，从而限制了数据序列的使用和发展。随着灰色系统模型的开发和开发，许多研究人员开始使用灰色预测模型预测和模拟降雨数据。采用灰色神经网络组合预测模型对黑龙江省青安县年降水量进行了建模。采用GM(1，n)模型对巢湖地区主要旱季的降雨量进行了长期预测。1959年至2006年鞍山市洪水预报以地形预报模型(1个离散灰色(1，1)为基础。在灰色系统分析理论的基础上，开发了一个选择降雨监测点的优选模型。结果表明，灰色模型为包含贫穷、不确定性和指标信息的数据集提供了良好的预测。另一方面，实际降水量具有非线性和不稳定的特点，受到自然和人为因素的影响，随时可能出现跳跃和振荡，使模型的预测不那么令人满意。因此，对于不稳定的数据特征，将使用分数创建不规则间隔的等高线。为具有起伏增减特性的数据引入坡度等高线。

3整体框架

基于大数据挖掘的洪水灾害易发性评价系统分为三层结构模式，分为用户层、逻辑层和数据层。三层结构模式可以保证洪水灾害易发性评价系统的安全性，系统维护也相对简单。因为三层结构有数据和应用分离的特点，可以有效保证系统运行的稳定性和数据存储的保密性用户层:通过人机交互的方式对数据信息进行基础性的采集和分析，具有信息接收、处理数据、动态监测等功能，在基于大数据挖掘的洪水灾害易发性评价系统中体现为地貌地形、大气水文、降雨量洪水灾害点等各类的数据图文的显示及洪水易发性的展示。逻辑层:依托大数据挖掘功能，对用户层和数据层进行有效衔接，使其可以有效获取分析数据信息，处于系统核心地位。它包含了系统功能(统计分析、数据维护、易发性评价、信息查询等)在实现时需要的所有算法及计算过程。数据层与用户层利用它进行交互，有效满足了数据库信息存储功能和用户实际查询操作要求。

4系统模块分析

4.1界面设计

洪水灾害易发性评价系统的系统界面是用户和系统之间相互传递信息的接口，更是系统设计的最终实现架构和显示平台。因此系统界面的设计要简洁清晰，可以直观了解洪水灾害易发属性，满足信息采集与实际操作的一致性，同时提升用户使用的体验感。

4.2功能设计

数据动态维护功能该功能主要把洪水灾害数据集成到图层当中，以便用户随时对各图层文件保存的记录进行各字段的信息属性查询。其中，洪水灾害图层中所有的属性信息都可根据用户需求在编辑状态下进行添加、修改、删除等操作，并把编辑修改过的洪水灾害属性信息直接导入或导出。

4.3洪水灾害的易发性评价功能

该模块先将有记录的洪水灾害信息数据利用大数据挖掘技术整合集成到该功能模块中，再选取参与易发性评价的洪水灾害指标因子图层数据设置评价单元的大小，最后根据信息模型对洪水灾害中各信息量的值进行计算，以此产生评价结果。其中包含洪水灾害处理的日志文件、洪水灾害评价指标因子信息量值的统计表与洪水灾害的易发性分区文件。

结束语

斜率非等间隔灰色波形预测模型在预测降水量时的精度明显提高。通过对比分析可知，改进的灰色波形预测方法对于具有非平稳、非线性特征的数据序列具有较好的预测效果。目前，采用灰色波形预测模型对降水量预测的应用较少，值得研究和改进的部分还有很多，不仅体现在对模型的改进，结合其他模型对灰色波形预测模型进行优化也是未来工作的一部分。

参考文献

[1]杨星,王永前,刘志红.四川省2013年夏季卫星降雨数据的对比研究[J].高原气象,2018,35(04):1039-1049.

[2]马欣敏.基于GIS的区域降雨量时空分析及空间插值方法研究[D].昆明理工大学,2018.

[3]王晓云,史明昌,胡影,宜树华.TRMM数据应用于降雨量和降雨侵蚀力估算的适宜性研究[J].干旱区资源与环境,2018,29(01):129-133.

[4]蔡研聪,金昌杰,王安志,关德新,吴家兵,袁凤辉,徐磊磊,步长千.中高纬度地区TRMM卫星降雨数据的精度评价[J].应用生态学报,2017,25(11):3296-3306.

[5]孔云峰,仝文伟.降雨量地面观测数据空间探索与插值方法探讨[J].地理研究,2017(05):1097-1108.