一种基于模糊自适应寻优融合的气象要素插值方法

技术领域

本发明属于空间插值技术领域，尤其涉及一种基于模糊自适应寻优融合的气象要素插值方法。

背景技术

现阶段，空间插值研究引起了广泛学术关注，不论是在理论框架的构建还是相关建模应用方面，该领域都取得了显著而长足的发展。对气象要素进行空间插值填补了观测站点之间的数据空白，提供了更全面的空间覆盖，有助于提高预报准确性，并支持环境监测和灾害预警，为科学研究和决策提供重要数据基础。然而，传统的空间插值方法由于数学算法模型的简单性，通常需要依赖先验假设条件，这导致在面对复杂的空间非线性关系时插值精度难以达到令人满意的水平。例如，反距离权重法简单易懂、计算高效，但对离群值较为敏感；克里金法以考虑空间相关性和提供置信度评估为优势，但计算复杂度高且对参数敏感，具有主观性；最近邻法简单快速，对噪声和离群值不敏感，但插值精度低结果不平滑，且不考虑数据间的空间结构。近年来，研究者试图将深度学习技术应用于空间插值，然而，这些模型较为复杂且对大量辅助数据依赖较大，其模型迁移和应用能力有待提高。当前我国在插值技术的研究方面尚未取得突破性进展，而研究更偏向对现有插值方法的单一应用，缺乏对多种模型优势的集成和组合应用。

发明内容

本发明所要解决的技术问题：提供一种基于模糊自适应寻优融合的气象要素插值方法，通过综合评估各插值方法在类型划分、精准度和稳健性方面表现，引入模糊理论，对气象站点和各插值方法进行模糊化处理，构建误差矩阵、隶属度矩阵以及权重系数矩阵，自适应地优选若干种插值方法作为待测点的模糊集合子方法元素，将多种插值方法科学合理融合使用，弱化现有单一插值方法的不足，有效解决了气象站点分布不均匀和数据精度低的问题。

本发明为解决以上技术问题而采用以下技术方案：

本发明提出的一种基于模糊自适应寻优融合的气象要素插值方法，包括以下步骤：

S1、对研究区域内

S2、根据排序结果，选取前

S3、基于模糊隶属度矩阵，依据模糊规则与元素隶属度计算基于隶属度的权重系数矩阵，由每个待选子方法元素在每个实测站点的基于隶属度的权重系数组成。

S4、将步骤S2中得到的插值结果与步骤S3中得到的基于隶属度的权重系数矩阵结合，进行实测站点插值数据融合，对比每个实测站点的融合数据与对应实测数据，得到

S5、更新待选子方法元素个数

S6、使用步骤S1中精度排序第一的方法元素

S7、根据步骤S6得到的预测点处隶属度函数值，计算

S8、利用实测站点数据对预测点分别进行

进一步的，步骤S1中，精度排序包括以下内容：

S101、根据数字高程文件计算相应的坡度和坡向，并通过实测站点的经纬度信息获得对应的高程、坡度和坡向数据。

S102、子方法元素池中包括反距离权重法、普通克里金法、协同克里金法、最近邻法、局部多项式法、薄板样条函数法、多元线性回归法、随机森林法、支持向量机法、反向传播神经网络。其中协同克里金法将海拔高度作为协变量，多元线性回归法将包括经纬度外的高程、坡度、坡向作为辅助变量。

S103、对池中每个插值方法采用

进一步的，步骤S2中，构建模糊隶属度矩阵包括以下子步骤：

S201、精度排序在前

S202、从

S203、将插值结果分别与

；

其中，

S204、基于

；

其中，

S205、遵循经典模糊理论规范要求并结合空间插值特点，设计了以误差为自变量的含参非线性负相关隶属度函数，具体计算公式为：

；

其中，

S206、基于隶属度函数值构建模糊隶属度矩阵，具体表达式为：

；

其中，

进一步的，步骤S3中，获得基于隶属度的权重系数矩阵包括以下子步骤：

S301、基于隶属度的权重系数计算公式为：

；

其中，

S302、将

；

其中，

进一步的，步骤S4中，得到精准度指数包括以下子步骤：

S401、将

；

其中，

S402、将每个实测站点的融合数据与对应的实测数据进行对比，得到

；

；

其中，

精准度指数

进一步的，步骤S5中，确定最优子方法元素个数包括以下子步骤：

当

更新待选子方法元素个数

进一步的，步骤S7中，获得预测点处隶属度权重系数包括以下子步骤：

由步骤S6中得到的预测点处隶属度函数值

；

其中，

进一步的，步骤S8中，预测点的插值数据融合包括以下子步骤：

S801、利用

S802、依据步骤S7中得到的

；

其中，

进一步的，本发明还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前文所述的基于模糊自适应寻优融合的气象要素插值方法的步骤。

进一步的，本发明还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的基于模糊自适应寻优融合的气象要素插值方法。

本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：

本发明通过综合评估各插值方法在类型划分、精准度和稳健性等方面表现，引入模糊理论，对气象站点和各插值方法进行模糊化处理，形成子方法元素池，且所含方法易于实现，大都有程序包库，调用便捷，方便集成封装；充分利用了实测站数据作为先验信息，进行交叉插值计算，构建基于误差矩阵的隶属度矩阵，且设计了以误差为自变量的含参非线性负相关隶属度函数，使得函数对误差波动反应更加灵敏、准确；子方法元素的使用选取及最优数目由自适应迭代确定，减少了人为主观影响，提高了本方法的健壮性与泛化性。

附图说明

图1是本发明的整体实施流程图。

图2是本发明实施例中在西藏气温要素下寻找最优子方法元素个数的结果图。

图3是本发明实施例中在广东降水要素下寻找最优子方法元素个数的结果图。

图4是本发明实施例中在西藏气温要素下，各个方法留一法交叉验证结果RMSE、MAE和R

图5是本发明实施例中在广东降水要素下，各个方法留一法交叉验证结果RMSE、MAE和R

具体实施方式

下面结合附图和实例对本发明的技术方案作进一步的说明。

为实现上述目的，本发明提出了一种基于模糊自适应寻优融合的气象要素插值方法，如图1所示，包括以下步骤：

S1、本实施例以西藏自治区和广东省为例，分别选取西藏共39个气象站2008-2018年日均气温数据和广东共85个气象站2008-2018年日降水量数据，使用十种插值方法分别进行五折交叉插值验证，并依据RMSE（均方根误差）、MAE（平均绝对误差）和R

S101、针对高程、坡度、坡向各地形信息的获取，在Arc GIS软件中打开研究区数字高程文件，利用软件提供的slope和aspect工具计算相应的坡度和坡向，并分别保存为新的栅格数据。根据实测站点的经纬度信息将站点导入Arc GIS软件中，保存为站点图层。利用软件中的Raster to point工具提取相应站点的高程、坡度和坡向数据，并分别保存为新图层。从保存的新图层导出所需数据，并合并为一个数据表。

S102、将反距离权重法（IDW）、普通克里金法（OK）、协同克里金法（COK）、最近邻法（NN）、局部多项式法（LP）、薄板样条函数法（TPS）、多元线性回归法（MLR）、随机森林法（RF）、支持向量机法（SVM）、反向传播神经网络（BP）作为子方法元素池，构成初始元素集

S103、对每个插值方法采用五折交叉插值验证方法，将

西藏气温案例中插值方法元素池排序结果为：M={COK,RF,TPS,IDW,BP,MLR,OK,NN,SVM,LP}。

广东降水案例中插值方法元素池排序结果为：M={OK,COK,BP,IDW,RF,TPS,NN,MLR,SVM,LP}。

表1西藏气温案例各插值方法的精度评估值

表2广东降水案例各插值方法的精度评估值

S2、根据排序结果，选取前

S201、精度排序在前

S202、从

S203、将插值结果分别与

；

其中，

S204、基于

；

其中，

S205、隶属度函数值的计算公式为：

；

其中，

S206、基于隶属度函数值构建模糊隶属度矩阵，具体表达式为：

；

其中，

S3、基于模糊隶属度矩阵，依据模糊规则与元素隶属度计算基于隶属度的权重系数矩阵，由每个待选子方法元素在每个实测站点的基于隶属度的权重系数组成，具体内容为：

S301、基于隶属度的权重系数计算公式为：

；

其中，

S302、将

；

其中，

S4、将步骤S2中得到的插值结果与步骤S3中得到的基于隶属度的权重系数矩阵结合，进行实测站点插值数据融合，对比每个实测站点的融合数据与对应实测数据，得到

S401、将

；

其中，

S402、将每个实测站点的融合数据与对应的实测数据进行对比，得到

；

；

其中，

精准度指数

S5、更新待选子方法元素个数

当

更新待选子方法元素个数

西藏气温案例中，

S6、使用步骤S1中精度排序第一的方法元素

S7、根据步骤S6得到的预测点处隶属度函数值，计算

在实施例的检验中，为保证验证充分，对研究区内气象站点使用了留一法交叉验证，每一个实测站点都会被轮流作为预测点来进行插值效果比对。

由步骤S6中得到的预测点处隶属度函数值

；

其中，

西藏气温案例中，4个最优子方法元素（COK,RF,TPS,IDW）在各预测点的隶属度权重系数值

。

广东降水案例中，3个最优子方法元素（OK,COK,BP）在各预测点的隶属度权重系数值

。

S8、利用实测站点数据对预测点分别进行

S801、利用

S802、依据步骤S7中得到的

；

其中，

在实施例的检验中，对两研究区内气象站点使用了留一法交叉验证，利用本发明所提的一种基于模糊自适应寻优融合的气象要素插值方法的检验结果比元素池内各单一方法验证结果具有更低的均方根误差、更低的平均绝对误差和更高的决定系数。

本实施例进行的西藏自治区气温要素检验结果如图4所示，其中，图4的（a）为各个方法的RMSE结果图，图4的（b）为各个方法的MAE结果图，图4的（c）为各个方法的R

本实施例进行的广东省降水要素检验结果如图5所示，其中，图5的（a）为各个方法的RMSE结果图，图5的（b）为各个方法的MAE结果图，图5的（c）为各个方法的R

本发明实施例还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

本发明实施例还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。