当前世界环境

简介

雨是水文循环中最重要的阶段，也是生物的基本需求。它有不同的形式，如雾，薄雾，毛毛雨，雪，雨夹雪和釉。在印度这样的国家，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的需求，因为印度68%的国土都处于雨养状态。印度水量充足，但降雨空间分布不均，导致部分地区面临旱涝灾害。过去观察到一个国家的国内生产总值(国内生产总值)与每年降雨量的变化之间有密切的联系。由于阿拉伯海和孟加拉湾产生的法律压力，印度75%的降雨来自西南季风。印度夏季季风持续4个月，拉贾斯坦邦西部和国家西部地区持续时间从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(Amarsinghe和Shrama)的500毫米到3798毫米不等，¹2009)。Guhathakurta和Rajeevan²(2006)在6月、7月及9月雨量对全年雨量的贡献上，观察到17个分区有减少的趋势，而8月雨量则有19个分区有增加的趋势。

世界各气象组织对各自地区的天气预报工作承担了重大任务。自适应神经模糊推理系统(ANFIS)是基于Takagi-Sugeno模糊推理系统。它将神经网络原理与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进行预测。Changsam⁴(2012)利用30组气象变量建立了月降水ANFIS模型。Jesadaet al。⁵(2012)利用模块化模糊推理系统(Mod FIS)对泰国东北部地区的月降水数据进行预测。Suthartono建立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)预测印度尼西亚Pujon和Wagir的月降雨量。过去的研究表明，ANFIS的性能优于统计模型和神经网络模型。Dostaraniet al。⁷(2010)评估了ANFIS和ANN模型在预测降水方面的适用性，发现ANN和ANFIS模型都是对提前12个月降水进行模拟和预测的有效工具。El-Shafie等⁸(2011)提出以月为单位预测马来西亚巴生河的降雨量。Chien-Lin黄等人⁹(2014)利用基于自适应网络的模糊推理系统(ANFIS)的最优模型参数和结构，构建了提前1 ~ 6小时预报台风降水的模型。Fi-John常et al。¹⁰(2014)表明同化降水预报可靠、稳定，预报前1小时和2小时降水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雨水稀缺和排水问题以及为农业社区的作物播种决策做准备。

材料和方法

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′，海拔平均海平面598米。它属于热带半干旱气候，年平均降雨量为617毫米(1979-2013年)，年平均蒸发皿蒸发量为5.1毫米/天(2002-12年)。5月最热，月平均最高气温39.8℃(2002-12年);1月最冷，月平均最低气温4.9℃(2002-2012年)。蒸发皿月平均蒸发量最高的月份为7月10.6 mm/天(2002-2012年)。

数据采集和之前的分析

降雨量及其在时空维度上的分布取决于许多变量，如压力、温度、风速和风向(luk等．¹¹2001)。采集了降雨、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日期间的数据^th到10月30日^th1979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。使用1979-2008年的数据进行统计和验证，使用2009-13年的数据进行预测和误差检验。

模糊逻辑系统

模糊集

模糊集是模糊逻辑中的一种。在经典集合理论中，元素的成员关系，相对于一个集合，是根据一个简单的条件以二进制形式确定的——一个元素属于或不属于这个集合。模糊集理论允许隶属函数的逐步评估。隶属函数可以充当指示函数，将所有元素映射为特定宇宙的1或0，就像经典概念中那样。因此，模糊集可以作为经典集论的延伸。

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是一个基于竞争或合作关系的模糊系统以并行方式排列的混合模糊系统。概念ANFIS包括五个主要组成部分: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。该模型用于映射的模糊推理系统t为输入特征到输入隶属函数，²输入规则的隶属函数，^3.规则输出一组特征。⁴输出特征到输出隶属函数。⁵输出隶属函数到单值输出或与输出相关联的决策。神经自适应学习技术通过模糊建模方法获取数据集的相关信息，计算出最适合相关模糊推理系统获得给定输入/输出数据的隶属函数参数。模糊逻辑中没有系统的定义隶属函数参数的方法。建立模糊规则需要将前提和结果定义为模糊集。人工神经网络(ANN)能够从输入和输出对中学习，并以交互的方式适应它。利用人工神经网络的学习能力，有效地自动生成模糊规则和参数优化，消除了模糊系统设计中的隶属函数参数确定和模糊if-then规则设计等基本问题。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上是不同的。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是一种功能相当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”。在ANFIS中采用了Takagi-Sugeno型模糊推理系统。输入变量加上一个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是最终输出。图1所示的基本ANFIS体系结构具有两个输入X和Y和一个输出f，如图2所示。规则库中包含两个Takagi-Sugeno if-then规则，如下所示

图1:ANFIS基本结构 点击这里查看图

图2:一个两输入的一阶Sugeno-fuzzy模型 点击这里查看图

同一层的节点功能描述如下:

第1层:该层中的每个节点I都是一个方形节点，节点函数为。

其中x是节点的输入我,我一个(或我−2B)是与此节点相关的语言标签(如“small”或“large”)。换句话说，O₁，_我模糊集的成员等级是什么一个它指定了给定输入x满足量词的程度一个．的隶属函数一个可以是任何适当的隶属函数，如三角函数或高斯函数。当隶属函数的参数发生变化时，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:该层中的每个节点都是一个固定节点，标记为II，其输出是所有传入信号的乘积。

模糊规则的触发强度由每个节点表示

第3层:该层中的每个节点都是一个标记为n的固定节点。规则的触发强度与所有规则触发强度之和的比值由i计算^th节点。

这一层给出了所谓的“标准化发射强度”。

第4层:该层中的每个节点i都是一个自适应节点，其节点功能为。

在那里,W^-_t是来自第3层和{p_我,问_我, r_我}为该节点的参数集。这一层中的参数称为“结果参数”。

第5层:该层中的单个节点是一个标记为Σ的固定节点，所有传入信号的总和的整体输出由该节点计算。

这一层称为输出节点，其中单个节点通过汇总所有传入信号计算总体输出，这是ANFIS的最后一步。因此，网络一层一层地提供输入向量。

ANFIS模型的发展

Case I和Case II分别以前一日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作为输入参数。这两种情况都输出了今天的降雨量。分别针对案例I和案例II建立了4个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,我分别对j^th我的日子^th年(i = 1,2，.... .，M and j = 1,2,…,N).

模型的函数形式为

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

对ANFIS(高斯，5)进行敏感性分析，通过逐条增减气象参数，确定最敏感和最不敏感的降水预报气象参数。然后是模型的制定和验证。用于模型灵敏度分析的统计指标。

模型的性能和评价

采用目视观测的方法，对模型进行了性能评价。同时测定了统计指标和水文指标，以检验预期降雨量与预测值的拟合优度。

结果与讨论

本文对降雨预报模型进行了比较研究，并对最适合模型的ANFIS(高斯，5)进行了灵敏度分析。

ANFIS模型制定的比较研究

分别对情形I和情形II建立了高斯、2、广义钟形、4、高斯、5和广义钟形3个模型。对2009 - 2013年测试年各模型的量化性能进行目测，如图3 -图7所示。从图3到图7可以看出，模型的降雨量观测值与预测值接近。

图3:观测和预测的ANFIS日雨量 模型(高斯2)在测试期间(2009-13)。 点击这里查看图

图4:观测和预测的ANFIS日雨量 模型(通用钟，4)在测试期间(2009-13)。 点击这里查看图

图5:观测和预测的ANFIS日雨量 模型(高斯，5)在测试期间(2009-13)。 点击这里查看图

图6:观测和预测的ANFIS日降雨量 模型(高斯，5)在测试期间(2009-13)。 点击这里查看图

图7:Sensitivity的性能 ANFIS的分析(高斯，5)。 点击这里查看图

对Case I和Case II分别计算相关系数(CC)、均方误差(MSE)、归一化均方误差(NMSE)、百分比误差(% Error)等统计指标和体积误差(EV)、系数效率(CE)等水文指标进行训练和检验，如表1所示。结果表明，高斯、2优于广义钟形函数，情形I和高斯、5优于广义钟形函数，情形II为2。总体结果表明，高斯隶属度函数优于广义钟形函数。从表中可以看出，在CC、MSE、AIC、% Error、CE、EV分别为0.002、0.36、0.87、-4674、30.27、82.30、8.75的4个模型中，ANFIS模型(高斯，5)表现较好。相关系数(CC)表示愿望与降雨量预测值之间的相关关系。其他统计指标也表明，ANFIS(高斯，5)在四个选定模型中表现较好。ANFIS模型高斯(Gaussian)、5和广义钟(generalized bell)、2 (Case II)的表现优于高斯(Gaussian)、2和广义钟(generalized bell)、4 (Case I)，说明数据集的准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	情况一(滞后一天)				案例二(移动平均周)
	培训		测试		培训		测试
	高斯,2	G -贝尔,4	高斯,2	G -钟，4	高斯,5	G -钟，2	高斯,5	G -钟，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-钟形:广义钟形，高斯:高斯)

灵敏度性能

敏感性分析有助于确定负责天气参数的敏感性，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，在建立降雨预报模型时，湿球温度是最合理的天气参数，其次是平均温度、相对湿度和蒸发量。

印度拉贾斯坦邦乌代普尔市的降水预报有多个ANFIS模型的编制。对于非线性关系的发展，高斯和广义钟隶属函数的表现相同。这里ANFIS(高斯，5)给出了乌代普尔市在所有统计指标可接受范围内的最佳结果。

参考文献

1. Amarsinghe, U.和Sharma, B. Water PS印度粮食生产力:探索潜在的改进。印度国家河流连接工程(NRLP)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，印度气象部气象(研究)额外总干事国家气候中心办公室(2006)。
3. 使用ANFIS和ARIMA模式进行天气预报。环境研究、工程与管理“，”51:5-10,(2010)。
4. 张三军，周永松，陶洵。基于神经模糊模型的月降水量预报。水资源管理26:4467 - 4483(2012)。
5. 王晓燕，王晓燕，王晓燕。基于模糊推理系统的泰国东北地区降水预报，中国农业科学，(2012)。
6. Suthartono, Faulina R.， Lusia, D.A, Otok, B.W, Sutikno, Kuswanto, H，基于anfi - arima的降雨预报集成方法。科学、商业和工程统计(ICSSBE)，国际会议，978-1-4673-1581-4,(2012)。
7. Dastorani, m.t, Moghadamnia, A.， Piri, J.和Rico-Ramirez, M. ANN和ANFIS模型在重建丢失流量数据中的应用。环境监测评估,166: 421 - 434,(2010)。
8. 王晓燕，马晓燕。基于自适应神经模糊推理系统的巴生河降水预报模型。国际物理科学杂志， 6(12): 2875-2888，(2011)。

9. 黄建林，徐年生，魏志江，李春文。基于人工智能的台风降水预报自适应网络模糊推理系统的最优参数和结构检索，气象进展，2015:1-22，(2014)。
10. 张菲约翰，蒋延明，蔡梦仲，施明昌，徐国林，Soroosh Sorooshian。基于多传感器信息同化的神经模糊网络流域降水预报方法，水文学报，32(4):374-384(2014)。
11. 陆,k . C。球,j . E.and Sharma a降雨预报的人工神经网络的应用。数学与计算机建模，33:883 - 699(2001)。