当前世界环境

介绍

雨是水循环中最重要的阶段，也是生物生存的首要需要。它有不同的形式，如雾，薄雾，毛毛雨，雪，雨夹雪和釉。在像印度这样的国家，以土壤水分和地下水形式存在的雨水是农业生产和社会发展的最重要需求，因为印度68%的地理面积都处于雨养条件下。印度水量充足，但降雨的空间分布不均匀，使得该国一些地区面临洪涝和干旱状况。过去已经观察到，一个国家的国内生产总值(GDP)与每年降雨量的变化之间存在着密切的联系。由于阿拉伯海和孟加拉湾产生的法律压力，印度通过西南季风获得75%的降雨。印度夏季季风分布在四个月内，持续时间从拉贾斯坦邦西部和该国西部南部地区的75天到120天不等。其空间分布从拉贾斯坦邦西部到卡纳塔克邦沿海地区(阿马尔辛格和什拉马)的500毫米至3798毫米不等;¹2009)。Guhathakurta和Rajeevan²(2006)观测到6、7、9月降雨量对年降雨量的贡献有17个分项呈下降趋势，其余19个分项的8月降雨量呈上升趋势。

世界各大气象组织为各自地区的天气预报工作承担了巨大的任务。自适应神经模糊推理系统(ANFIS)是基于Takagi-Sugeno的模糊推理系统。它将神经网络和模糊逻辑原理相结合，具有两者的优点。Tektas^3.(2010)应用ANFIS和ARIMA模型对土耳其伊斯坦布尔的Goztepe进行了预报。Changsam⁴(2012)利用30组气象变量开发了月降水的ANFIS模型。Jesadaet al。⁵(2012)利用模块化模糊推理系统(Mod FIS)对泰国东北地区的月降雨量数据进行了预测。Suthartono开发了自适应神经模糊推理系统(ANFIS)和自回归移动平均(ARIMA)模型等。⁶(2012)来预测印尼普戎和瓦吉尔的月降雨量。过去的研究表明，ANFIS的性能优于统计模型和人工神经网络模型。Dostaraniet al。⁷(2010)评估了ANFIS和ANN在预测降雨量方面的适用性，发现ANN和ANFIS模型都是提前12个月建模和预测降雨量的有效工具。El-Shafie等⁸(2011)提出每月预报马来西亚巴生河的雨量。Chien-Lin黄等人⁹(2014)利用自适应网络模糊推理系统(ANFIS)检索到的最优模型参数和结构，构建了一个提前1 ~ 6小时预测降雨量的台风降水预报模型。Fi-John常et al。¹⁰(2014)指出同化降水预报可靠、稳定，预报1小时和2小时的相关系数分别大于0.85和0.72。本研究将有助于为乌代普尔市的降雨短缺和排水问题做好准备，也有助于农业社区做出有关作物播种的决策。

材料与方法

研究区域

印度拉贾斯坦邦的乌代普尔市位于北纬24°58′，东经73°68′，海拔598米。热带半干旱气候，年平均降雨量617mm(1979-2013)，蒸发皿蒸发量5.1 mm/d(2002- 2012)。5月最热，月平均最高气温39.8°C(2002-2012); 1月最冷，月平均最低气温4.9°C(2002-2012)。2002-2012年7月蒸发皿月平均蒸发量最高，为10.6 mm/d。

数据采集预分析

降雨量及其时空分布取决于许多变量，如压力、温度、风速和风向(luk)等。¹¹2001)。收集了降雨、蒸发量、相对湿度、风速、湿球温度、干球温度和平均温度等数据。5月25日的数据^th至十月三十日^th对1979年至2013年进行了数据库的预分析和编制。因此，每年期间的数据总数为153份。采用1979-2008年的数据进行编制和验证，2009- 2013年的数据进行预测和误差检验。

模糊逻辑系统

模糊集

模糊集用于模糊逻辑。在经典集合论中，元素的隶属关系是根据一个明确的条件用二元项来确定的——一个元素要么属于这个集合，要么不属于这个集合。模糊集理论允许隶属度函数的逐步评定。隶属函数可以作为指示函数，将特定宇宙中的所有元素映射为1或0，就像在经典概念中一样。因此，模糊集可以作为经典集合论的扩展。

自适应神经模糊推理系统(ANFIS)模型

ANFIS是一种基于Takagi-Sugeno-kang (TSK)模糊的模糊映射算法。ANFIS是一种基于竞争或合作关系的模糊系统并行排列的混合模糊系统。概念ANFIS包括输入输出数据库、模糊系统生成器、模糊推理系统和自适应神经网络五个主要组成部分。该模型中用于映射的模糊推理系统t是:输入特征到输入隶属度函数;²输入规则的隶属函数，^3.将规则转换为一组输出特征。⁴输出特征到输出隶属函数。⁵单个值输出的输出隶属函数，或与输出相关联的决策。神经自适应学习技术给出了模糊建模的方法来获取数据集的信息，从而计算出最能使关联模糊推理系统得到给定输入/输出数据的隶属函数参数。模糊逻辑中没有系统的方法来定义隶属函数参数。为了构造模糊规则，必须将前提和结果定义为模糊集。人工神经网络(ANN)具有从输入输出对中学习并以交互方式适应的能力。利用人工神经网络的学习能力进行自动模糊规则生成和参数优化，有效地解决了模糊系统设计中的基本问题，即隶属函数参数的定义和模糊if-then规则的设计。FIS有两种类型，Mamdani FIS和Sugeno-Takagi FIS。这两个系统在结果参数的定义方面彼此不同。Sugeno FIS中的结果参数要么是一个线性方程，称为“一阶Sugeno FIS”，要么是常系数，称为“零阶Sugeno FIS”。本研究中使用的sugeno型FIS是FIS和自适应神经网络的结合。 The hybrid learning algorithm is used as an optimization method for membership function parameter training. The hybrid method is a combination of least squares estimation with back propagation gradient descent method.

简称ANFIS架构

ANFIS是一种功能等同于模糊推理系统的自适应网络，被称为“自适应神经模糊推理系统”。ANFIS采用Takagi-Sugeno型模糊推理系统。输入变量加上常数项的线性组合将是每个规则的输出。每个规则输出的加权平均值就是最终输出。基本的ANFIS架构如图1所示，它有两个输入X和Y，一个输出f，如图2所示。两个Takagi-Sugeno if-then规则包含在规则库中，如下所示

图1:ANFIS的基本结构 点击此处查看图

图2:一个双输入一阶Sugeno-fuzzy模型 点击此处查看图

同层节点函数如下:

第1层:该层的每个节点I都是一个节点函数为的方形节点。

其中x是节点的输入我,我一个(或我−2B)与该节点关联的语言标签(如“小”或“大”)。换句话说，0₁，_我隶属度是一个模糊集合吗一个它指定了给定输入x满足量词的程度一个。的隶属度函数一个可以是任何合适的隶属函数，如三角函数或高斯函数。当隶属函数的参数变化时，所选择的隶属函数也随之变化，从而对模糊集表现出不同形式的隶属函数一个。这一层的参数称为“前提参数”。

第二层:这一层的每个节点都是一个固定的节点，标记为II，其输出是所有输入信号的乘积。

模糊规则的触发强度由每个节点表示

第3层:这一层的每个节点都是一个固定的节点，标记为n，该规则的触发强度与所有规则的触发强度之和的比值用i来计算^th节点。

这一层给出了所谓的“归一化发射强度”。

第4层:该层的每个节点i都是自适应节点，节点函数为。

在那里,W^-_t是第3层和{p}的标准化射击强度_我,问_我, r_我}为该节点的参数集。这一层的参数称为“后续参数”。

第5层:这一层的单个节点是一个固定的节点，标记为Σ，整体输出作为所有输入信号的总和由该节点计算。

这一层被称为输出节点，其中单个节点通过对所有输入信号求和来计算总体输出，是ANFIS的最后一步。因此，网络逐层馈送输入向量。

ANFIS模型的开发

案例1和案例2的输入参数分别为前一天和前一周的移动平均温度、湿球温度、相对湿度和蒸发量四个天气参数。当前的降雨量是两种情况下的输出。针对情形1和情形2，生成了四种ANFIS模型。设湿球温度、平均温度、相对湿度和蒸发量的观测值用Tw表示_我,我T_我,我,猕_我,我，和E_我,我分别为j^th国际日^th年(i = 1,2，....，M and j = 1,2,…,N).

模型的功能形式可给出为

P_我,我＝f(T_{Wi, j - 1}T_{j - 1,我}RH_{i, j - 1}E_{i, j - 1}) .....................( 6)

敏感性分析

通过逐项增减天气参数，对ANFIS(高斯，5)进行敏感性分析，确定降水预报最感和最不感天气参数。其次是模型的制定和验证。统计指标用于模型的敏感性分析。

模型的性能和评价

采用目视观察方法，对模型的性能进行了评价，以实际降雨量与预测值的图形对比为基础。还确定了统计和水文指标，以检验期望降雨量与预测值之间比较的拟合优度。

结果与讨论

对降雨预报模型的比较研究和最适合模型的ANFIS (Gaussian, 5)敏感性分析进行了结果和讨论。

ANFIS模型构建的比较研究

分别为情形一和情形二建立了高斯、2、广义钟、4、高斯、5和广义钟、3个模型。对2009 - 2013年测试年份各模型的定量性能进行目视观察，如图3 -图7所示。从图3到图7可以看出，模型显示降雨量的观测值与预测值接近。

图3:ANFIS观测和预测的日降雨量 模型(高斯2)在检验期间(2009-13)。 点击此处查看图

图4:ANFIS观测和预测的日降雨量 模型(广义钟，4)在测试期间(2009-13)。 点击此处查看图

图5:ANFIS观测和预测的日降雨量 模型(高斯，5)在检验期间(2009-13)。 点击此处查看图

图6:ANFIS观测和预测的日降雨量 模型(高斯，5)在检验期间(2009-13)。 点击此处查看图

图7:灵敏度性能 ANFIS分析(高斯，5)。 点击此处查看图

不同的统计指标，如相关系数(CC)、均方误差(MSE)、归一化均方误差(NMSE)、百分比误差(% Error)和水文指标，如体积误差(EV)和系数效率(CE)，分别计算用于训练和测试的Case I和Case II，如表1所示。结果表明，高斯，2优于广义钟，4适用于情况I和高斯，5优于广义钟，2适用于情况II。总体结果表明，高斯隶属函数优于广义钟函数。从表中可以看出，当CC、MSE、AIC、% Error、CE、EV分别为0.002、0.36、0.87、-4674、30.27、82.30、8.75时，ANFIS模型(高斯、5)在4个模型中表现较好。相关系数(CC)表示期望与降雨量预测值之间的相关性。其他统计指标也表明ANFIS(高斯分布，5)在4个模型中表现更好。Case II的ANFIS模型Gaussian, 5和Generalised bell, 2的性能优于Case I的Gaussian, 2和Generalised bell, 4，这清楚地表明数据集的制备方式对模型的制定也起着重要作用，降雨预报依赖于长期天气。

表1:Anfis模型在训练和测试期间的性能评价

性能指标	案例一(滞后一天)				案例二(移动平均周)
	培训		测试		培训		测试
	高斯,2	G- bell, 4岁	高斯,2	G - bell, 4岁	高斯,5	G - bell, 2	高斯,5	G - bell, 2
均方误差	0.009	0.007	0.005	0.004	0.004	0.005	0．002	0．002
NMSE	0.75	0.72	0.59	0.64	0.40	0．44	0.36	0.38
CC	0.86	0.88	0.83	0.80	0.90	0.89	0.87	0.86
另类投资会议	-31704年	-31678年	-4978年	-4704年	-32076年	-31412年	-4674年	-4452年
%的错误	45.27	60.85	40.85	38.12	32.14	40.28	30.27	37.42
CE	85.48	86.48	82.30	79.66	83.80	85.34	82.30	79.66
电动汽车	15.04	10.28	8.28	9.65	21.24	22.19	8.75	12.85

(G- bell:广义贝尔，Gauss:高斯)

灵敏度性能

敏感性分析有助于确定有关天气参数的敏感性，以发展降雨预报模式。对CC、MSE、NMSE、% Error、AIC值等不同统计指标进行分析，结果如图7所示。从图7可以清楚地看出，湿球温度是制定降雨预报模式最合理的天气参数，其次是平均温度、相对湿度和蒸发量。

针对印度拉贾斯坦邦乌代普尔市的降雨预报，建立了几种ANFIS模型。高斯隶属函数和广义钟隶属函数对发展非线性关系具有同样的效果。在这里，ANFIS(高斯，5)在所有可接受的统计指标范围内给出了乌代浦尔市的最佳结果。

参考文献

1. Amarsinghe, U.和Sharma, B.印度粮食的水PS生产力:探索潜在的改进。印度国家河流连接工程的战略分析，4:13-54，(2009)。
2. Guhathakurta, P.和Rajeevan, M.印度降雨模式的趋势，NCC研究报告，印度气象部国家气候中心副主任办公室(研究)，2006年。
3. 使用ANFIS和ARIMA模型的天气预报。环境研究，工程和管理。51:5-10,(2010)。
4. 李长生，李永华，王俊汉，等。基于神经模糊模型的月降水预报。水资源管理中文信息学报，26:4467-4483，(2012)。
5. 李建军，张建军，李建军，等。基于模糊推理系统的降雨预测方法研究。计算机应用与研究，2012，(1):1 - 3。
6. Suthartono, Faulina R.， Lusia, D.A, Otok, B.W.， Sutikno, Kuswanto, H.，基于ANFIS-ARIMA的降雨预测集成方法。统计在科学，商业和工程(ICSSBE)，国际会议，978-1-4673-1581-4,(2012)。
7. Dastorani, m.t, Moghadamnia, A.， Piri, J.和Rico-Ramirez, M.应用人工神经网络和ANFIS模型重建缺失的流量数据。环境监察及评估[j] .中国科学院学报(自然科学版)。
8. A. El-Shafie A, Jaafer O. Seyed A.基于自适应神经模糊推理系统的巴生河降水预报模型，马来西亚，国际物理科学杂志科学通报，6(12):2875-2888，(2011)。

9. 黄建林，徐年生，魏志强，李春文。基于人工智能的自适应网络模糊推理系统在台风降水预报建模中的应用，气象进展，2015:1-22，(2014)。
10. 张非约翰，蒋彦明，蔡梦贞，谢明昌，徐国林，许国林。基于多传感器信息同化的神经模糊网络的流域降水预报，水文学报，38(8):374-384，(2014)。
11. 卢克，K. C.， Ball, J. e .， Sharma A.人工神经网络在降雨预报中的应用。数学和计算机建模，33:883 - 699(2001)。