标志”src=

气象学的进展
PDF
气象学的进展/2020年/文章

研究文章|开放获取

体积 2020年 |文章的ID 1828319 | https://doi.org/10.1155/2020/1828319

马里奥•佩纳天使Vazquez-Patino,达里奥Zhina,马丁黑山,亚历克斯铁砧, ”提高降雨预测与外生变量通过非线性自回归网络:一个案例研究在安第斯山脉高山地区”,气象学的进展, 卷。2020年, 文章的ID1828319, 17 页面, 2020年。 https://doi.org/10.1155/2020/1828319

提高降雨预测与外生变量通过非线性自回归网络:一个案例研究在安第斯山脉高山地区

马里奥·佩纳,1,2 天使Vazquez-Patino,3,4 达里奥Zhina,5 马丁黑山,5 和 亚历克斯铁砧5

1Direccion de Investigacion (DIUC),昆卡,大学校园中央,Av。12 de Abril s / n y Loja 010203,昆卡、厄瓜多尔

2Departamento de Quimica Aplicada y sistema de Produccion Facultad de Ciencias Quimicas,昆卡,大学校园中央,Av。12 de Abril S / n y Loja 010203,昆卡、厄瓜多尔

3Facultad de Ingenieria大学德昆卡,Av。12 de Abril S / n y Loja 010203,昆卡、厄瓜多尔

4Departamento de Ingenieria公民大学德昆卡,Av。12 de Abril S / n y Loja 010203,昆卡、厄瓜多尔

5卡雷拉•德•Ingenieria环境保护,Facultad de Ciencias Quimicas,昆卡大学,校园中央,Av。12 de Abril S / n y Loja 010203,昆卡、厄瓜多尔

学术编辑器:罗伯特·Coscarelli
收到了 2019年12月03
修改后的 04年7月2020年
接受 2020年9月01日
发表 2020年9月17日

文摘

降水是最相关的元素对生物圈在水循环和至关重要的。然而,极端降水事件发生时,其后果可能是灾难性的人类(干旱或洪水)。降水的准确预测可以帮助决策者制定适当的缓解计划。在这项研究中,线性和非线性模型与滞后的非线性自回归模型预测和实现外生变量(NARX)网络被用来预测月降雨量Labrado和Chirimachay气象电台。定义一个合适的模型、岭回归套索,随机森林(RF)、支持向量机(SVM)和NARX网络。虽然结果是“不满意”的线性模型,具体直接的影响变量如尼诺1 + 2,萨赫勒地区降雨,飓风活动,北太平洋涛动,同样的降雨延迟信号被确定。射频和SVM也表现不佳。然而,射频有一个更好的选择比线性模型和支持向量机有一个更好的选择比射频模型。相反,NARX模型训练使用几个最好的架构来确定一个最优预测未来12个月。作为一个综合评价,NARX模型显示“好”结果Labrado Chirimachay和“满意”的结果。 The predictions yielded by NARX models, for the first six months ahead, were entirely accurate. This study highlighted the strengths of NARX networks in the prediction of chaotic and nonlinear signals such as rainfall in regions that obey complex processes. The results would serve to make short-term plans and give support to decision-makers in the management of water resources.

1。介绍

降水是水循环的主要组件之一(1,2]。这是最重要的一个变量与大气环流在气象研究[3]。此外,它的主要来源是补给水平衡研究中从本地区域尺度(4]。然而,它的预测已经成为一个重大的挑战由于大气过程的复杂性,产生降雨(5]。这一事实是显而易见的高山地区(6)具有高时空变异性安第斯山脉。特别是,水来自安第斯高山用于不同的目的(例如,人类消费、农业、牲畜放牧,工业,和娱乐)下游城市(7- - - - - -9)(例如,梅里达在委内瑞拉,哥伦比亚的波哥大,和厄瓜多尔的基多)。沉淀(时间和空间)的准确预测可以帮助决策者提前评估洪水和干旱情况(10,11),它可以支持极端水文管理和减少对人口的影响。

在不同的研究中,各种方法被用来预测降雨。他们中的一些已经显示多元线性回归和准确的结果k最近邻居方法(12,13]。其他方法使用全球气候模型的输出改善季节性和subseasonal预测(14- - - - - -16)和概率预测的不确定性量化(17- - - - - -19]。其他研究应用人工智能方法等降雨预测人工神经网络(ann) [5,10- - - - - -12,20.- - - - - -24),支持向量机(SVM) [12,13,24,25),逻辑回归26),和随机森林27,28]。其他的研究也调查预测,以提高预测准确性的最佳选择29日]。NARX模型是一个新颖的方法对于许多应用程序环境变量的预测,例如,水位的湿地系统(30.),地下水的水平(31日- - - - - -33),城市排水系统框架(34),流流和流入水库(35,36,在城市洪水水位37- - - - - -39],和降雨预报[40,41]。

降雨的行为不可预测的和混乱的本质使其预测的一个关键挑战。NARX模型适合处理时间序列的特征(42)由于输出一个变量的值是一个非线性函数的值相同的变量和其他外生变量。非线性映射方便在混乱的环境中,它优于传统的自回归模型。它也优于安因为NARX使用它的内存进行预测。NARX提出了一个改进的机会由于其性能的预测时间序列的季节性组件。

在安第斯国家像厄瓜多尔,上面提到的一些方法也被用来预测降水。例如,在[43),连续传递函数模型被用来预测降雨在厄瓜多尔海岸。此外,门多萨et al。44)使用海表面温度(SST)作为预测和典型相关方法来预测降雨海岸和厄瓜多尔的安第斯山脉。这些研究强调复杂的预测和降雨在安第斯山脉之间的关系。然而,像NARX新方法可以应用在厄瓜多尔的安第斯山脉提高降水预测的性能。

本研究首先探讨了性能最常用的线性模型的降雨预报。然后比较他们与非线性模型来验证他们的表现在一个山盆地位于厄瓜多尔的南部。最后,NARX模型用于预测降雨前几个步骤。获得的结果可以在山系统产生重大影响,因为他们可以用来获得改进的性能在高山地区。

2。材料和方法

2.1。研究区域

研究区由高山次盆地Tomebamba Machangara,位于安第斯厄瓜多尔南部(图1)。两次盆地基本供水昆卡城,认为厄瓜多尔第三最重要(45]。此外,两次盆地属于Paute水文系统,与他人一起,提供水来产生能量。2440年和4400年m.a.s.l之间的次盆地高度各不相同。,which in turn allows finding a great variety of vegetation. For example, in high areas, there are patches ofPolylepis试生草丛,地面圆花饰,缓冲植物,和地面圆花饰,而在较低的地区,农业用地,牧场,以及城市区域(9,46,47]。


图1
研究区域的位置由次盆地Machangara Tomebamba。

考虑到两个气象站的分析:Labrado Chirimachay。这些都是位于上层部分的两次盆地3300学士。l(图1)。根据Celleri et al。48),有两种类型的研究区域内降水:双峰I型较低地区的次盆地和双峰II型中间和上部区域。这两个政权都沉淀在4月和10月的两座山峰;然而,双峰II型方案提出了一种减少旱季从6月到8月(图2)。

(一)”n一个me=
(一)
(b)”n一个me=
(b)
图2
Labrado季节性的降雨(a)和(b) Chirimachay站。
2.2。降水数据

降雨数据从Labrado (Machangara次盆地)和Chirimachay (Tomebamba次盆地)站提供的是厄瓜多尔国家气象与水文研究所(INAMHI,http://www.serviciometeorologico.gob.ec)。研究期间是1964 - 2015。表1显示了一个降雨数据的统计汇总。
站 标准偏差 最大 最低 的意思是 偏态 峰度
Labrado 45.65 287.30 12.80 104.06 0.68 3.46
Chirimachay 57.33 490.30 1.90 111.90 1.79 9.75
表1
统计站降水资料概述。
2.3。气候指数

27个气候指数列出下一个被用于研究:大西洋经向模式(AMM)海温指数(49];大西洋数十年震荡(AMO) [50];南极涛动(AO) (51];二元ENSO时间序列(最好的)52];加勒比指数(汽车)53];飓风活动(HURR) [54];多元ENSO指数(美)(55];北大西洋涛动(NAO) [56];尼诺1 + 2,尼诺3,尼诺3.4,尼诺4 (57];北太平洋涛动(NP) [58];北热带大西洋SST指数(NTA) (53];海洋尼诺指数(ONI) (59];太平洋年代际振荡(PDO) [60];太平洋北美指数(机构)61年];Quasibiennial振荡(QBO) [62年];萨赫勒地区降雨(SAHELRAIN) [63年];南方涛动指数(SOI) (64年];太阳能通量(65年];热带大西洋北部指数(TNA) (66年];Trans-Nino指数(提供)(67年];热带大西洋南部指数(TSA) (68年];西半球暖池(WHWP) [69年];西太平洋指数(WP) (70年];和全球平均陆地/海洋温度(GMSST) [71年,72年]。这些指数的时间序列中可用https://www.esrl.noaa.gov/psd/data/climateindices/list/。

2.4。线性模型
2.4.1。线性模型

线性模型预测定量输出y基于一个预测x,假设它们之间存在线性关系。以下方程描述了这种线性关系: 在哪里 偏差(抵消), 是变量的系数(斜率)x, 是错误或随机噪声。

2.4.2。多元线性模型

一般来说,多元线性模型假设p不同的预测是可用的,输出是一组加权的线性组合X预测变量x。多元线性模型的公式如下: 在哪里 代表了jth预测和 代表的大小之间的关系j预测和输出 。系数的绝对值 定义的程度影响的预测输出(73年]。

2.4.3。线性模型正规化和选择

随着可用性变量的增加,陷入过度拟合的概率也会增加(74年]。过度拟合是一个错误,发生在一个模型适合太密切的一组有限的数据点,减少模型的预测能力。为了防止这种缺陷,通常,脊和套索回归作为正则化技术(73年]。应用这些技术的目标是获得简洁的模型。在多元线性模型中,参数的调整是通过最小化代价函数(余量和广场,RSS)通过最小二乘。RRS公式如下所示: 在哪里n数据集和样品的数量 的价值吗我th的样本j预测。岭回归聚集一个惩罚项成本函数,等于的平方和的大小系数。因此,这种方法使所有最低的预测系数大小。在套索回归方法中,惩罚项的总和等于绝对系数的大小,甚至一些值可以变成零。这就是为什么套索被认为是一个特征选择方法。岭回归和套索最小化以下方程描述,数量分别为: 在哪里λ≥0是一个调优参数。在估计正则化系数的影响是通过控制的λ伴随的惩罚项。在一个极端的例子,当λ= 0,惩罚项不造成任何影响。相反,如λ⟶∞,正规化点球的发病率增加(73年]。

2.4.4。训练和测试数据集

27日天气气候指数的数据滞后12个月对降雨数据。这一决定将一个实际问题。预测12个月的雨,外生变量的信息从之前的24 - 12个月是必要的。从信息滞后,从1到24个月,所以有675年时间序列作为预测的气候指标。将线性模型的自回归的感觉,同样的降雨信号被用作预测模型中考虑滞后外生因素。虽然有些因素相互关联(例如,斯皮尔曼指数0.94 TNA - NTA),没有省略。这是因为只有完全相关信号(即。,genuinely redundant) do not provide additional information [75年]。原始数据集被分为两个子集:从1964年1月至2014年12月第一个和第二个从2015年1月到2015年12月。极大极小正常化过程应用于第一子集产生参数规范化第二子集。第一子集是随机分为训练模型的一个子集找到最好的系数(80%)和一个子集进行测试评估模型(20%)。应用这种方法,五十多元线性模型估算降雨安装,即25为每个方法(脊和套索),一个没有滞后,24落后从1到24落后。该算法用于定义的最佳值λ和适应模型是交叉验证(73年]。

2.5。随机森林

随机森林(RF) (76年)是基于的理念提高预测模型的使用决策树的装配(77年)的结果。每个随机树是基于样本值的独立随机向量具有相同的分布。射频已经成为流行的水文和气候应用程序(例如,[27,28)由于其高性能,高效的大数据集和训练高维度和评估的重要性的不同特性代表了实例。

几个hyperparameters可以优化的基于随机森林模型的建设。,不同的值的决策树,它的最大深度,使用的功能数量在树木的建设探索在网格搜索倍交叉验证(78年时尚。为此,85%的数据被用作训练子集。对于测试结果的性能模型,剩下的15%是独立使用。最后,该模型用于预测2015年降雨两站学习。

2.6。支持向量机

支持向量机(SVM) [79年)提高数据向量空间的维数,可以构造一个线性回归模型。线性回归的执行是基于数据点代表组成所谓的支持向量。高维度数据的表示形式是使用内核函数完成的。在这里,使用高斯径向基函数(RBF)。两个hyperparameters必须优化正则化参数(C)和扩散的影响支持向量(参数γ)。

的优化hyperparameters与射频是相同的方式完成的,即,85%的数据训练和倍交叉验证和测试为15%。由此产生的模型被用于预测2015年降雨两站学习。许多研究在气候和气象用支持向量机(12,13,24,25在预测)和射频,所以我们使用它们作为基准比较NARX的性能。

2.7。复发性神经网络与外源输入NARX模型

外源输入的非线性自回归网络(NARX)是一个动态递归神经网络(RNN)的反馈连接,附上几层网络;即。,the output is considered as another input of the network. Figure3描述了NARX模型架构。


图3
NARX模型的方案。

它的记忆能力是有用的非线性时间序列的预测。此外,与经典的人工神经网络,NARX收益自由度由外源输入(包含有价值的信息32]。有两种不同的体系结构NARX:串并联结构(称为开环)和并行体系结构(称为闭环)由以下方程,分别是: 在哪里 映射函数和吗 NARX的预测输出的时间吗 ,确定的瞬间 。条款 是真正的过去的时间序列值,也称为地面真理,然后呢 是过去的预测NARX生成的输出。真正的外源输入的值 。的数量是由输入延迟和输出延迟 和 ,分别。

串并联结构用于训练过程,因为实际产出,导致传统的前馈表示,而并行体系结构可以根据反馈做出预测估计输出而不是准确的输出。

映射函数 (这是最初未知)安装培训过程的进展。多层感知器(MLP)体系结构是用来表示这个近似,因为它是一个健壮的结构学习的任何类型的连续非线性映射能力。一个经典的MLP包含三个基本层:输入、隐藏层和输出层。此外,元素,比如神经元激活函数和权重的连接。隐藏的神经元数量的增加,模型方法更复杂的功能。然而,这些隐藏的神经元的数目的选择取决于解决案例研究。一般来说,只有一个隐层神经元从(0.5 p 2 p)是常用的80年]。sigmoid-linear传递函数组合可以提供一个有效的数学表示的输出作为输入信号的函数(32]。

2.7.1。NARX模型架构

在NARX模型中,27日天气气候指数和雨量信号作为输入网,和降雨量是输出。再一次,没有一个因素被排除在外。确定最优NARX架构和由于大量的网络设置允许,标准试错法选择隐藏节点的数量和使用滞后许多。输入层神经元的数量取决于使用滞后,所以架构与2,3,4,5,6,9岁和12滞后进行了测试。输出层只有一个神经元。网有一个隐藏层和10、20、30、40、50个神经元。隐层的神经元使用乙状结肠传递函数,而使用的输出神经元线性传递函数(32]。在培训过程中,第一个是随机分成训练样本子集,交叉验证样本和测试样本(分别为70%、15%和15%)。连接权值是随机初始化,和他们使用Levenberg-Marquardt算法调优80年),这是一种最广泛使用的函数时间序列网络预测和培训(81年]。有必要提到使用串并联结构,执行培训和测试样本与上述体系结构评估。测试样本是随机选择的,所以暂时性丢失的感觉。一旦NARX安装在串并联配置中,转换为并行体系结构,测试相应闭环(第二子集)评估。这个模型可以执行预测前几个时间步长;因此,预测输出(在前面的步骤)构成实时系列以及闭环测试子集。

2.8。性能的措施
2.8.1发布。Nash-Sutcliffe效率系数(研究)

分析了无被广泛用于评估水文模型的性能。分析了无甚至比其他指标,如确定系数。然而,它是容易受到极端值,因为它使一个求和的平方值观测值和预测值之间的差异(82年]。这个指数是由方程(5): 在哪里 和 观测值和预测值是在每一个时期,分别和 观测值的平均值。

2.8.2。Kling-Gupta效率(KGE)

KGE性能测量是基于三个同样加权组件:可变性,线性相关性,和偏见比,预测和观测数据之间的关系。这个指数是由方程(6): 在哪里一个可变性(标准差之间的比例预测的观测值)、cc是线性预测与观测值之间的相关性,然后呢β预测的平均值之间的分工是在观测值的平均值。

2.8.3。确定偏差百分比(PBIAS)

PBIAS决定是否有趋势值(即预测的模型。,如果这些都是高于或低于观测值)。积极PBIAS表明模型低估了预测变量,而负表明变量是高估了。最优值是一个PBIAS等于零。这个指数被定义为

2.8.4。均方根误差(RMSE)

均方根误差的预测价值和观测结果之间的区别。RMSE总是正的,和价值观封闭为零表示非常合适;同时,RMSE异常敏感。RMSE被定义为 在哪里N时间序列的长度。

了无,KGE PBIAS可以分类的拟合优度四类(83年,84年),如表所示2。
拟合优度 分析了无 KGE PBIAS
很好 > 0.75 > 0.90 (−10、10)
好 (0.65,0.75) (0.75,0.9) (−−15日10]∨[10、15)
令人满意的 [0.50,0.65] [0.50,0.75] (−−25日15]∨[15、25)
令人不满意的 < 0.50 < 0.50 <−25∨> 25
表2
拟合优度的分类和性能。

这些指标评估模型的拟合优度训练子集和预测性能的测试子集。

3所示。结果与讨论

3.1。多元线性模型

获得多元线性模型预测降雨Labrado和Chirimachay数据集从1964年1月至2015年12月。每50个模型的配备λ= 10d, 。为每个获得的拟合模型λ产生最佳性能。分析了无规与所选模型应用于训练集和测试集对岭回归和套索在图中进行了描述4。

(一)”n一个me=
(一)
(b)”n一个me=
(b)
图4
分析了无规岭回归得到的模型和套索:(一)Labrado;(b) Chirimachay。

岭回归和套索,趋势是显而易见的。滞后增加,分析了无生长在训练集。然而,Labrado站(图4(一)),性能随着滞后增加到18,测试集的性能下降。模型拟合最好,脊和套索,得到约16落后。在模型与16滞后,表现的都是相同的,而适合脊方法是更好的。尽管使用正则化方法,从模型过度拟合提出了使用18滞后或更多,很明显,适合增加,但性能降低。Chirimachay站(图4 (b)),行为类似于Labrado。最好的模型为两脊和套索在18滞后。在这些模型中,脊比套索对健康和性能。再次,从19滞后模型过度拟合问题。的五大预测附录1所示。这些预测是排名的绝对值 在每一个拟合模型。

在附录1中,可以看出,对于Labrado站,预测尼诺1 + 2滞后1期(尼诺1 + 2 _1)最具影响力指数出现在线性模型定义的套索方法。相反,脊方法,尼诺1 + 2出现在前六滞后模型;飓风活动落后7期(HURR_7),成为最具影响力的从七至十一滞后模型,和其余的模型影响相同降雨信号滞后的12个月。Chirimachay站,尼诺1 + 2是最重要的变量,因为它总是出现第一位预测模型获得的套索。与此同时,对岭回归,同样的降雨(滞后一个月)是最具影响力的预测模型,考虑到十一滞后。然而,从这里(模型与滞后从12到24个月),相同的11和12个月降雨量与滞后成为最重要的预测因子。另一个重要的预测指标如下:北太平洋涛动滞后1期(NP_1)和萨赫勒地区降雨滞后3或5期(SAHELRAIN_3和SAHELRAIN_5),在大多数的模型对套索和岭回归模型无论车站。值得注意的是,当我们把预测,例如,尼诺1 + 2滞后1期,真正的滞后是13期因为我们最初引起滞后12期的预测因子对降水变量在初始数据库。这并不适用于自然降雨延迟变量。ENSO指数有强烈影响厄瓜多尔降雨(43]。他们发现的重要预测因子降雨主要来自热带太平洋海面温度,尤其是来自ENSO事件。这个语句匹配与我们发现在尼诺1 + 2和北太平洋涛动指数。总的来说,模型获得Labrado和Chirimachay都“不满意”表2,从而暗示需要移动在非线性模型来提高性能。

3.2。随机森林模型

12的射频模式滞后Labrado站的最佳性能。然而,测试显示(表3低的值分析了无KGE;因此,这些被归类为“不满意”。相反,PBIAS是“非常好的”价值,RMSE是相对较高的。在测试、闭环的值分析了无KGE,和RMSE不好;只有PBIAS更好的相对测试子集。Chirimachay站提出了更好的射频模式12落后Labrado相似。因此,在测试,分析了无KGE显示“不满意”的价值观和PBIAS是“很好”。在测试闭环子集、指标分析了无KGE和RMSE低性能,只有PBIAS是“很好”。
盆地 滞后 子集 分析了无 KGE PBIAS RMSE
Labrado 12 测试(Ts) 0.24 0.21 −2.75 39.97
测试闭环 0.04 0 1.48 40.41
Chirimachay 12 测试(Ts) 0.25 0.26 −2.37 47.18
测试闭环 0.09 0.06 6.1 39.61
表3
结果射频模型。

RF模型显示可怜的预测(图的结果5);因此,分析了无KGE值较低,这些都是令人不满意的。模型难以预测高低极端值;观察和预测之间的区别更明显的是在1月和7月两个站;一般来说,射频显示较低的预测性能虽然射频比LM。

(一)”n一个me=
(一)
(b)”n一个me=
(b)
(c)”n一个me=
(c)
(d)”n一个me=
(d)
图5
对比预测和观测值:(a)观察和预测Labrado子集;(b)观察和预测Chirimachay;(c)预测2015年Labrado;(d)预测2015年Chirimachay。

此外,陈等人。85年)发现射频执行比LM干旱预测。然而,极端事件是不准确的。一致(85年射频模型),在降雨峰值并不准确。降雨量Labrado和Chirimachay电台今年显示了两个高峰,4月和10月(图2)。出于这个原因,低价值的月度预测观察到在潮湿和干燥的季节。

3.3。支持向量机模型

支持向量机模型3落后Labrado站提供了一个更好的性能;然而,对于测试,统计学家薄弱,和了无KGE显示“不满意”的价值观;然而,PBIAS是“很好,”和RMSE是相对较高的。在闭环测试,评价模型的指标恶化;只有RMSE显示了一个小的改进。因此,滞后的数量并没有一个强大的影响模型中,支持向量机模型3、6、9、12落后了无非常相似的价值观,KGE, PBIAS,滞后的数量没有明显不同。Chirimachay站,SVM模型12落后表现出更好的性能。然而,在测试子集,分析了无KGE呈现“不满意”值很低,只有PBIAS“很好,”和RMSE很高。闭环测试表明(表4)低的值分析了无KGE PBIAS“不满意,”是“很好,”和RMSE相对较高。的支持向量机模型Labrado Chirimachay是相似的;换句话说,在测试和测试闭环显示低比试验值。这些值是贫穷和归类为“不满意,“同样,两个模型都“很好”PBIAS在测试和测试闭环。
盆地 滞后 子集 分析了无 KGE PBIAS RMSE
Labrado 12 测试(Ts) 0.24 0.23 −0.94 39.85
测试闭环 −0.03 −0.03 1.39 41.85
Chirimachay 6 测试(Ts) 0.19 0.31 −0.53 48.93
测试闭环 0.09 0.25 0.93 39.65
表4
结果支持向量机模型。

图6显示了支持向量机模型预测与观测数据。模型显示困难预测降雨峰值主要集中在1月和9月,显著的差异在哪里观察两站。然而,Chirimachay站显示较低的性能。虽然支持向量机是一种最精确的降雨量预测模型(12),它未能预测极端降雨(12];出于这个原因,支持向量机没有显示良好的预测Labrado Chirimachay,展示了几个低和高峰在降雨(图6)。

(一)”n一个me=
(一)
(b)”n一个me=
(b)
(c)”n一个me=
(c)
(d)”n一个me=
(d)
图6
对比预测和观测值:(a)观察和预测Labrado子集;(b)观察和预测Chirimachay;(c)预测2015年Labrado;(d)预测2015年Chirimachay。
3.4。复发性神经网络与外源输入(NARX)

不同数量的隐藏的神经元进行评估的能力来生成精确的模型输出。一个隐藏层神经元由50与乙状结肠传递函数和一个输出神经元线性函数提供最有效的网络体系结构。Labrado站,3落后在输入是必要的生产的最佳模式和6 Chirimachay滞后。表5显示了性能最好的模型。
盆地 模型 子集 分析了无 KGE PBIAS RMSE
Labrado 3落后,50隐藏神经元 火车(Tr) 0.57 0.77 −0.50 31.20
交叉验证(简历) 0.38 0.70 0.60 30.83
测试(Ts) 0.54 0.77 −3.00 30.02
测试闭环 0.57 0.51 12.30 47.74
Chirimachay 6落后,50隐藏神经元 火车(Tr) 0.52 0.75 2.60 42.72
交叉验证(简历) 0.53 0.72 −5.20 46.20
测试(Ts) 0.54 0.69 5.10 36.69
测试闭环 0.61 0.61 22.20 36.76
表5
结果NARX模型。

根据表5Labrado盆地,拟合优度(评价培训、交叉验证和测试样本)是按照系数分析了无“满意”,“好”与KGE协议,并根据PBIAS“很好”。同样,性能(评估测试闭环)是“满意”为分析了无PBIAS KGE和“好”。Chirimachay站,拟合优度也是“令人满意的”了无和KGE PBIAS后“很好”。最后,与了无表现“令人满意的”协议,KGE, PBIAS。作为一个综合评价,该模型适合Labrado是“好”,和Chirimachay是“令人满意的模型。“图7显示了预测与实际降雨量训练子集Labrado (a)和Chirimachay (b)。此外,预测和测试提出了闭环的实际降雨时间序列(c)为Chirimachay Labrado和(d)。

(一)”n一个me=
(一)
(b)”n一个me=
(b)
(c)”n一个me=
(c)
(d)”n一个me=
(d)
图7
对比预测和观测值:(a) Labrado训练子集;(b) Chirimachay训练子集;(c)预测2015年Labrado;(d)预测2015年Chirimachay。

图7模型表明,训练子集,达到一个完美的适合一些数据点(点线),但对其它数据,预测很弱(数字7(一)和7 (b))。Labrado站显示问题主要在山峰降雨高估和低估(图7 (c))。相反,Chirimachay站显示比Labrado更好的预测,趋势是更好的捕捉从1到8个月,从9到12,它显示了糟糕的预测(图7 (d))。

在测试闭环数据点(第二集),预测是“很好”的前六个月,在那之后,性能降低。它是有意义的,因为远期预测是基于预测从先前的步骤。因此,先前的预测错误影响后续的预测。所有预测模型依赖于长期的数据从过去的时间81年]。这是符合我们的研究,因为它与一系列长期的信息也因为NARX模型写出好的预测。然而,预测质量减少当未来倍增加。

总体结果表明NARX模型的一个令人满意的性能。然而,在一个较低的规模和与当地的外生变量,NARX模型显示在其他研究性能优良(40,41]。同时,一些研究,如(81年,86年),显示NARX模型的合适的方式得到好的预测问题涉及长期依赖。然而,这些研究使用一些预测;因此,他们的表现能像我们的研究改进,包括更多的外生变量。因此,NARX模型提出了一个很好的选择为一些水文气象的预测变量与不同时间尺度,因为它需要的信息优势的相关外生变量。

4所示。结论

在这项研究中,线性和非线性方法评估降雨预报。线性模型、气候指数:尼诺1 + 2,萨赫勒地区降雨,飓风活动,北太平洋涛动,同样的降雨延迟信号,是最具影响力的降雨量的预测。即使对模型与预测延迟高于或等于12个月,同样的降雨信号延迟12个月是最重要的。因此,它显示了季节性降雨中信号,这预计每年同期的类似措施。然而,线性模型没有捕获的降雨动态,因此,评价是“令人不满意的。“线性模型达到最好的性能预测滞后约16或18 + 12个月的初始延迟时间之间的预测和降雨变量。RF和SVM预测比LM在这两个站,但这个模型提出了精度低和高峰的降雨。SVM表现出更好的性能比射频;然而,一般来说,Labrado和Chirimachay显示可怜的预测性能。

相反,外源输入的非线性自回归网络也被评估。考虑到降雨的行为是混乱和高度非线性,NARX网络有更好的性能,获得Labrado站模型被认为是“好”和“满意”Chirimachay站。最好的NARX网络报道,50个隐层神经元,和延迟的倍数3期(3为Chirimachay Labrado和6)。在12个月前的预测,模型几乎总是遵循实际降雨量的变化信号。前6个月,非常准确的预测模型。然而,当我们继续预测未来,性能降低。

为预测峰值预测显示几个问题;这是在Labrado站更明显。这些结果可能归因于天气安第斯地区的复杂行为,这有几个本地和外部影响降雨过程的动态影响。因此,未来的挑战对降雨预测必须专注于捕捉这些山峰,确定降水事件的触发。这些改进降雨量的预测基本生成合适的计划是在水资源管理决策。

附录

预测订单
Labrado Chirimachay
滞后 模型 1 2 3 4 5 1 2 3 4 5
L0 脊 尼诺1 + 2 尼诺3 ONI WP HURR 尼诺1 + 2 尼诺3 太阳能 交通噪音指数 运输安全管理局
套索 尼诺3 尼诺1 + 2 ONI WP NTA 尼诺3 尼诺1 + 2 ONI 太阳能 交通噪音指数
L1 脊 尼诺1 + 2 _1 NP_1 ONI HURR_1 Rainfall_1 Rainfall_1 尼诺1 + 2 _1 NP_1 HURR_1 TSA_1
套索 尼诺1 + 2 _1 NP_1 HURR_1 Rainfall_1 TSA_1 尼诺1 + 2 _1 Rainfall_1 NP_1 HURR_1 TSA_1
L2 脊 尼诺1 + 2 _1 NP_1 Rainfall_1 尼诺1 + 2 _2 HURR_1 Rainfall_1 NP_1 尼诺1 + 2 _1 HURR_1 NAO_2
套索 尼诺1 + 2 _1 NP_1 HURR_1 Rainfall_1 GMSST_2 尼诺1 + 2 _1 Rainfall_1 NP_1 HURR_1 NAO_2
L3 脊 尼诺1 + 2 _1 NP_1 Rainfall_1 Rainfall_3 SAHELRAIN_3 Rainfall_1 NP_1 Rainfall_3 尼诺1 + 2 _1 NAO_2
套索 尼诺1 + 2 _1 NP_1 Rainfall_1 HURR_1 Rainfall_3 尼诺1 + 2 _1 Rainfall_1 NP_1 NAO_2 Rainfall_3
L4 脊 NP_1 尼诺1 + 2 _1 Rainfall_3 Rainfall_1 SAHELRAIN_3 Rainfall_1 Rainfall_3 NP_1 尼诺1 + 2 _1 NAO_2
套索 尼诺1 + 2 _1 Rainfall_1 尼诺_4 1 + 2 NP_1 Rainfall_3 尼诺1 + 2 _1 Rainfall_1 NP_1 HURR_1 Rainfall_3
L5 脊 尼诺1 + 2 _1 Rainfall_1 Rainfall_3 NP_1 SAHELRAIN_3 Rainfall_1 Rainfall_3 NP_1 尼诺1 + 2 _1 NAO_2
套索 尼诺1 + 2 _1 尼诺1 + 2 _5 Rainfall_3 Rainfall_1 尼诺4 _5 尼诺1 + 2 _1 Rainfall_1 NP_1 Rainfall_3 NAO_2
16种 脊 尼诺1 + 2 _1 Rainfall_3 Rainfall_1 SAHELRAIN_3 NP_1 Rainfall_1 Rainfall_6 尼诺1 + 2 _1 Rainfall_3 NP_1
套索 尼诺1 + 2 _1 尼诺1 + 2 _5 Rainfall_3 Rainfall_1 尼诺4 _5 尼诺1 + 2 _1 Rainfall_1 NP_1 Rainfall_6 Rainfall_3
发明人或者设计人 脊 HURR_7 Rainfall_1 尼诺1 + 2 _1 Rainfall_3 NP_1 Rainfall_1 HURR_7 Rainfall_3 Rainfall_6 尼诺1 + 2 _1
套索 尼诺1 + 2 _1 尼诺1 + 2 _5 HURR_7 Rainfall_1 Rainfall_3 尼诺1 + 2 _1 Rainfall_1 NP_1 HURR_7 Rainfall_3
经历了18个 脊 HURR_7 尼诺1 + 2 _1 Rainfall_1 NP_1 Rainfall_3 Rainfall_1 HURR_7 Rainfall_3 Rainfall_6 Rainfall_8
套索 尼诺1 + 2 _1 尼诺1 + 2 _5 HURR_7 Rainfall_3 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 NP_1 HURR_7 Rainfall_8
L9 脊 HURR_7 SAHELRAIN_3 Rainfall_3 Rainfall_1 NP_1 Rainfall_1 HURR_7 Rainfall_6 Rainfall_8 Rainfall_3
套索 尼诺1 + 2 _1 尼诺1 + 2 _5 HURR_7 Rainfall_3 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 HURR_7 NP_1 Rainfall_8
L10 脊 HURR_7 Rainfall_1 尼诺1 + 2 _1 SAHELRAIN_3 NP_1 Rainfall_1 HURR_7 Rainfall_6 尼诺1 + 2 _1 Rainfall_3
套索 尼诺1 + 2 _1 HURR_7 Rainfall_1 Rainfall_3 BEST_9 尼诺1 + 2 _1 Rainfall_1 NP_1 HURR_7 Rainfall_8
不断化解 脊 HURR_7 Rainfall_3 SAHELRAIN_3 Rainfall_1 NP_1 Rainfall_1 Rainfall_11 HURR_7 Rainfall_6 Rainfall_8
套索 尼诺1 + 2 _1 HURR_7 Rainfall_3 Rainfall_1 SOI_11 尼诺1 + 2 _1 Rainfall_1 Rainfall_11 HURR_7 NP_1
L12 脊 Rainfall_12 HURR_7 Rainfall_3 SAHELRAIN_3 NP_1 Rainfall_12 Rainfall_1 Rainfall_11 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 HURR_7 SOI_11 Rainfall_3 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 NP_1
L13 脊 Rainfall_12 HURR_7 Rainfall_3 NP_1 SAHELRAIN_3 Rainfall_12 Rainfall_1 Rainfall_11 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 HURR_7 Rainfall_3 SOI_11 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 NP_1
L14 脊 Rainfall_12 HURR_7 Rainfall_3 NP_1 Rainfall_1 Rainfall_1 Rainfall_12 Rainfall_11 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 HURR_7 Rainfall_3 SOI_11 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 NP_1
课时 脊 Rainfall_12 HURR_7 Rainfall_3 NP_1 尼诺1 + 2 _1 Rainfall_12 Rainfall_11 Rainfall_1 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 HURR_7 NP_1 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 HURR_7
L16 脊 Rainfall_12 Rainfall_3 HURR_7 SAHELRAIN_3 SAHELRAIN_5 Rainfall_11 Rainfall_12 Rainfall_1 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 HURR_7 Rainfall_3 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 NP_1
L17 脊 Rainfall_12 HURR_7 NP_1 尼诺1 + 2 _1 Rainfall_3 Rainfall_12 Rainfall_1 Rainfall_11 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 HURR_7 NP_1 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 NP_1
就是 脊 Rainfall_12 HURR_7 Rainfall_3 NP_1 尼诺1 + 2 _1 Rainfall_12 Rainfall_11 Rainfall_1 HURR_7 Rainfall_6
套索 尼诺1 + 2 _1 尼诺_18 1 + 2 Rainfall_12 NP_1 HURR_7 尼诺1 + 2 _1 Rainfall_1 Rainfall_12 Rainfall_11 NP_1
由于 脊 Rainfall_3 Rainfall_12 SAHELRAIN_3 HURR_7 SAHELRAIN_5 Rainfall_12 Rainfall_11 Rainfall_1 HURR_19 Rainfall_6
套索 尼诺1 + 2 _1 尼诺_18 1 + 2 Rainfall_12 NP_1 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 HURR_19 NP_1 Rainfall_12
活用 脊 Rainfall_12 Rainfall_3 HURR_7 HURR_19 SAHELRAIN_3 Rainfall_12 Rainfall_11 Rainfall_1 HURR_19 Rainfall_17
套索 尼诺_18 1 + 2 尼诺1 + 2 _1 Rainfall_12 NP_1 Rainfall_1 尼诺1 + 2 _1 Rainfall_1 HURR_19 Rainfall_12 Rainfall_11
L21 脊 Rainfall_12 Rainfall_3 HURR_7 SAHELRAIN_3 HURR_19 Rainfall_11 Rainfall_12 Rainfall_1 HURR_19 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_3 Rainfall_12 NP_1 HURR_7 尼诺1 + 2 _1 Rainfall_1 HURR_19 Rainfall_11 Rainfall_12
戏 脊 Rainfall_12 Rainfall_3 HURR_7 HURR_19 SAHELRAIN_3 Rainfall_11 Rainfall_12 Rainfall_1 HURR_19 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_12 尼诺_18 1 + 2 NP_1 Rainfall_3 尼诺1 + 2 _1 Rainfall_1 HURR_19 尼诺3 _16 NP_1
L23 脊 Rainfall_3 Rainfall_12 SAHELRAIN_3 HURR_7 AO_14 Rainfall_11 Rainfall_12 Rainfall_1 HURR_19 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_3 Rainfall_12 尼诺_18 1 + 2 NP_1 尼诺1 + 2 _1 Rainfall_1 Rainfall_11 Rainfall_12 HURR_19
L24 脊 Rainfall_3 SAHELRAIN_3 Rainfall_12 AO_14 SAHELRAIN_5 Rainfall_11 Rainfall_12 Rainfall_1 HURR_19 Rainfall_6
套索 尼诺1 + 2 _1 Rainfall_3 Rainfall_12 尼诺_18 1 + 2 NP_1 尼诺1 + 2 _1 Rainfall_1 HURR_19 Rainfall_11 Rainfall_12
附录

数据可用性

降雨和气候指数的时间序列数据都站用于支持本研究的结果中包括文件的补充信息。

信息披露

A.V.-P的参与。在他的博士项目水资源的背景下,大学提供的昆卡,EscuelaPolitecnicaNacional,大学Tecnica特殊de Loja。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢INAMHI所提供的信息。这项工作是支持的昆卡大学通过其研究部门(DIUC)通过项目“Evaluacion del危险sequias en昆卡andinas reguladas influenciadas关于variabilidad climatica y: climatico”和“工厂化de las身体climatologicas de美国德尔,producen las sequias en el厄瓜多尔大陆”。

补充材料

DB_Chirimachay_station的文件。txt和DB_Labrado_station。三种组织在以下方式:首先,日期,其次,27个气候指数的时间序列,第三,雨站的时间序列。(补充材料)

引用

  1. e·a·b·Eltahir和r . l .胸罩”沉淀回收。”地球物理评论,34卷,不。3、367 - 378年,1996页。视图:出版商的网站|谷歌学术搜索
  2. 问:太阳,c .苗族段,h . Ashouri s Sorooshian和k . l .许”回顾全球降水数据集:数据源,估计,相互比对,“地球物理评论卷,56号1,第107 - 79页,2018。视图:出版商的网站|谷歌学术搜索
  3. c·基德和g·霍夫曼,”全球降水测量。”气象应用程序,18卷,不。3、334 - 353年,2011页。视图:出版商的网站|谷歌学术搜索
  4. m . Xinggang j .招待会,z Guofeng et al .,“降水稳定同位素组成在不同海拔地区的季风边缘区,“第四纪国际卷,493年,第95 - 86页,2018年。视图:出版商的网站|谷歌学术搜索
  5. m . n .法国w·f·克拉尼和Y r . r . Cuykendall”降雨预测使用神经网络在时间和空间上,“《水文,卷137,不。1 - 4、1 - 31,1992页。视图:出版商的网站|谷歌学术搜索
  6. c·戴利·d·r·康克林和m . h .山区,”当地大气分离在复杂地形改变气候变化的影响,”国际气候学杂志,30卷,不。12日,第1864 - 1857页,2010年。视图:出版商的网站|谷歌学术搜索
  7. r . Celleri和j . Feyen热带安第斯山脉的水文生态系统:重要性、知识状态、和观点,“山的研究与开发卷,29号4、350 - 355年,2009页。视图:出版商的网站|谷歌学术搜索
  8. 诉Iniguez w·布伊泰尔特说,b . d . Bievre”造林的影响和培养在安第斯似的牧草地的出水量,”森林生态与管理,卷251,不。1 - 2,比如22 - 30,2007页。视图:出版商的网站|谷歌学术搜索
  9. w·布伊泰尔特说,r . Celleri b . De Bievre et al .,”的人类安第斯高寒带对水文的影响,“地球科学评论,卷79,不。1 - 2日,53 - 72年,2006页。视图:出版商的网站|谷歌学术搜索
  10. a . DDubey”降雨预测人工神经网络模型在本地治里,“国际期刊的计算机应用程序,卷120,不。3,-,2015页。视图:出版商的网站|谷歌学术搜索
  11. n . Mishra h·k·索尼,索尼h . k s沙玛和a·k·阿帕德海耶”发展和降雨预测人工神经网络模型的分析,利用时间序列数据,”智能系统和应用程序的国际期刊,10卷,不。1,16-23,2018页。视图:出版商的网站|谷歌学术搜索
  12. A . m . Bagirov和A·马哈茂德”每月比较评估模型预测降雨在澳大利亚,“水资源管理,32卷,不。5,1777 - 1794年,2018页。视图:出版商的网站|谷歌学术搜索
  13. 黄永发。黄懿慧Lee Seo,中州。金,“特征选择使用进化计算非常短期暴雨预报,“气象学的进展卷,2014年,页1 - 15,2014。视图:出版商的网站|谷歌学术搜索
  14. a . Givati m·豪斯,y利未,d·巴斯卡,和e·贝克尔,“使用国际的优势multimodel合奏季节性降水预报对以色列,”气象学的进展卷,2017年,页1 - 11,2017。视图:出版商的网站|谷歌学术搜索
  15. A . Schepen t .赵问:j . Wang和d·e·罗伯逊,”贝叶斯建模方法后处理每日sub-seasonal季节性降雨预报全球气候模型和评价12澳大利亚集雨”水文和地球系统科学,22卷,不。2、1615 - 1628年,2018页。视图:出版商的网站|谷歌学术搜索
  16. a . Schepen问:j . Wang和d·e·罗伯逊“季节性预测的澳大利亚降雨通过校准和桥接耦合GCM输出,“每月天气回顾,卷142,不。5,1758 - 1770年,2014页。视图:出版商的网站|谷歌学术搜索
  17. Khajehei和h . Moradkhani”,对一种改进的合奏降水预测:概率后处理的方法,”《水文卷,546年,第489 - 476页,2017年。视图:出版商的网站|谷歌学术搜索
  18. a·穆勒,a . Lenkoski和t . l . Thorarinsdottir“多元概率预测使用合奏贝叶斯模型平均和连系动词,“季度皇家气象学会杂志》上,卷139,不。673年,第991 - 982页,2013年。视图:出版商的网站|谷歌学术搜索
  19. a . Schepen和问:j .王”合奏月度预测流域降雨较长时间,后处理输出耦合环流模式,”《水文卷,519年,第2931 - 2920页,2014年。视图:出版商的网站|谷歌学术搜索
  20. b . p . j . Byakatonda Parida, p . k . Kenabatho和d . b . Moalafhi“夏季降水的开始和停止南国预测半干旱和干旱频率分析博茨瓦纳、”理论和应用气候学,卷135,不。1 - 2、101 - 117年,2019页。视图:出版商的网站|谷歌学术搜索
  21. m .妹妹d·萨布,d . Yassine”Rainfall-rain使用人工神经网络建模,”APCBEE Procedia,10卷,第256 - 251页,2014年。视图:出版商的网站|谷歌学术搜索
  22. h . Mislan s Hardwinarto y Sumaryono, m . Aipassa”降雨月度预测基于人工神经网络:一个案例研究在tenggarong车站,东Kalimantan-Indonesia”Procedia计算机科学59卷,第151 - 142页,2015年。视图:出版商的网站|谷歌学术搜索
  23. v . k . Dabhi和美国Chaudhary混合wavelet-postfix-GP anand印度地区,降雨量预测模型”人工智能的发展卷,2014年,页1 - 11,2014。视图:出版商的网站|谷歌学术搜索
  24. z曹国伟,f . Pu、y阴、b·汉和x陈,“实时研究当地降雨量预测基于MEMS传感器,”杂志上的传感器卷,2018 - 2018页。视图:出版商的网站|谷歌学术搜索
  25. c . Cai j . Wang和z,“改善TIGGE降水预测使用SVR合奏方法在淮河流域,”气象学的进展卷,2018年,页1 - 15,2018。视图:出版商的网站|谷歌学术搜索
  26. 工程学系。月亮,中州。金、y . h·李和B.-R。月亮”,应用机器学习非常短期的暴雨的预警系统,”《水文卷,568年,第1054 - 1042页,2019年。视图:出版商的网站|谷歌学术搜索
  27. m . Min, c .呗,j .郭et al .,“估计从himawari-8夏季降水和全球基于机器学习的预测系统,”IEEE地球科学和遥感卷,57号5,2557 - 2570年,2019页。视图:出版商的网站|谷歌学术搜索
  28. m·阿里·r·普拉萨德,y,和z . m . Yaseen”完整的集成经验模态分解杂化与随机森林和内核岭回归模型对月降雨预测,“《水文,卷。58岁的ID 124647条,2020年。视图:出版商的网站|谷歌学术搜索
  29. c .细语”,一个先进的审查萨赫勒地区降水和气候之间的关系指数:小波的方法,”国际大气科学杂志》上卷,2014年,页1 - 11,2014。视图:出版商的网站|谷歌学术搜索
  30. 答:阿里,”大型湿地系统的非线性多元rainfall-stage模型”,《水文,卷374,不。3 - 4、338 - 350年,2009页。视图:出版商的网站|谷歌学术搜索
  31. F.-J。Chang L.-C。Chang C.-W。黄,pext。花王”预测月度区域地下水通过混合软计算技术水平,”《水文卷,541年,第976 - 965页,2016年。视图:出版商的网站|谷歌学术搜索
  32. s·m·古兹曼,j·o·巴斯和m . l . m . Tagert“每日NARX神经网络预测地下水的使用水平,”水资源管理没有,卷。31日。5,1591 - 1603年,2017页。视图:出版商的网站|谷歌学术搜索
  33. a·温斯迟、t . Liesch和s Broda”使用非线性自回归网络的预测地下水位与外源输入(NARX)”《水文卷,567年,第758 - 743页,2018年。视图:出版商的网站|谷歌学术搜索
  34. f . Previdi和m . Lovera”识别parametrically-varying城市排水网络模型对降雨径流关系,“IFAC诉讼卷,42卷,不。10日,1768 - 1773年,2009页。视图:出版商的网站|谷歌学术搜索
  35. b . a . Amisigo n . van de Giesen c·罗杰斯,w·依Andah和j·弗”每月在西非的沃尔塔盆地流速及流水量预测:一个输出narmax多项式造型,“地球物理和化学,部分A / B / C,33卷,不。1 - 2、141 - 150年,2008页。视图:出版商的网站|谷歌学术搜索
  36. a . m .易卜拉欣Ahmadian, y . f .萨达特”GeoResJ混合darima-narx模型预测长期每日流入丢在水库使用北大西洋涛动(NAO)和降雨数据,”GeoResJ卷。13日,9到16,2017页。视图:出版商的网站|谷歌学术搜索
  37. F.-J。张,中国。陈,Y.-R。黄,大肠,K.-Y。常,“实时multi-step-ahead水位预测复发性神经网络对城市防洪、”《水文卷,517年,第846 - 836页,2014年。视图:出版商的网站|谷歌学术搜索
  38. h . h . Kim Keum k .汉,“城市洪水实时预报结合液压和概率方法,”水,11卷,不。2、293 - 318年,2019页。视图:出版商的网站|谷歌学术搜索
  39. t·南达b . Sahoo h .贝利亚,c . Chatterjee”与外源输入(WNARX)小波非线性自回归动态神经网络模型对实时洪水预报使用卫星降水产品,”《水文卷,539年,页57 - 73,2016。视图:出版商的网站|谷歌学术搜索
  40. p . Benevides j . Catalao g·尼科,”神经网络方法预测每小时强降雨利用GNSS可沉淀的水蒸气和气象传感器、”遥感,11卷,不。8,966年,页2019。视图:出版商的网站|谷歌学术搜索
  41. z拉希米、z h·穆罕默德Shafri和m·诺曼”GNSS-based天气预报方法使用非线性汽车回归方法与外源输入(NARX)”大气和日地物理学杂志》上卷,178年,第84 - 74页,2018年。视图:出版商的网站|谷歌学术搜索
  42. e . Pisoni m .淀粉,c .走向灭亡,y l . Piroddi”使用NARX模型预测空气污染水平峰值。”人工智能技术的工程应用,22卷,不。4 - 5,593 - 602年,2009页。视图:出版商的网站|谷歌学术搜索
  43. l . b . de Guenni m·加西亚。g·穆尼奥斯et al .,“每月预测降水沿海岸厄瓜多尔:ENSO和传递函数模型,”理论和应用气候学,卷129,不。3 - 4、1059 - 1073年,2017页。视图:出版商的网站|谷歌学术搜索
  44. d·e·门多萨e·p·萨马尼·e·a·帕切科v . m . Carrillo和y·d·r·Ochoa-Tocachi“随机为高热带安第斯地区降雨预测,”2017年。视图:谷歌学术搜索
  45. r . Celleri l . Campozano和y铁砧,“在安第斯山区流域水资源综合管理:Machangara河,”关系前景:评估资源使用挑战水、能源和食物联系、m Al-Saidi和l . Ribbe Eds。,pp。80年- - - - - -97,ResearchGate, Berlin, Germany, 2016.视图:谷歌学术搜索
  46. b . c . s .汉森·d·t·Rodbell g . o .苏打水b·莱昂k . r .年轻,和m .雅培“晚冰期和全新世植被历史从两个网站在西部山脉西南厄瓜多尔,”古地理学、古气候学、古生态学,卷194,不。1 - 3、79 - 108年,2003页。视图:出版商的网站|谷歌学术搜索
  47. 诉Vanacker g . Govers巴罗斯,j . Poesen和j·德克斯公司,“短期的影响社会经济和人口变化对土地利用动态和其相应的地貌响应关系在热带山区流域水蚀,厄瓜多尔,”景观生态学,18卷,不。1、1 - 15,2003页。视图:出版商的网站|谷歌学术搜索
  48. r . Celleri p . Willems w·布伊泰尔特说,j . Feyen“时空Paute盆地降水变率,厄瓜多尔的安第斯山脉,”水文过程,21卷,不。24日,第3327 - 3316页,2007年。视图:出版商的网站|谷歌学术搜索
  49. j . c . h .蒋介石和d . j . Vimont”类似的太平洋和大西洋经向热带硕士变化的模式,”杂志的气候,17卷,不。21日,第4158 - 4143页,2004年。视图:出版商的网站|谷歌学术搜索
  50. d·b·恩菲尔德a . m . Mestas-Nunez和p . j .特林布尔“大西洋数十年震荡及其与降雨的关系和在美国本土的河流,”《地球物理研究快报,28卷,不。10日,2077 - 2080年,2001页。视图:出版商的网站|谷歌学术搜索
  51. 周,a·j·米勒,j . Wang和j . k .天使”趋势NAO和AO及其对平流层过程,”《地球物理研究快报,28卷,不。21日,第4110 - 4107页,2001年。视图:出版商的网站|谷歌学术搜索
  52. c·a·史密斯和p·d·Sardeshmukh”的影响ENSO的动力学差异上表面温度在冬季,“国际气候学杂志,20卷,不。13日,1543 - 1557年,2000页。视图:出版商的网站|谷歌学术搜索
  53. c . Penland和l . Matrosova”预测热带大西洋的海面温度使用线性逆建模,”杂志的气候,11卷,不。3、483 - 496年,1998页。视图:出版商的网站|谷歌学术搜索
  54. g . s . Lehmiller t . b . Kimberlain和j·b·Elsner“季节性预测模型对北大西洋飓风盆地位置,”每月天气回顾,卷125,不。8,1780 - 1791年,1997页。视图:出版商的网站|谷歌学术搜索
  55. k·沃尔特和m . s . Timlin,”厄尔尼诺/南方振荡行为自1871年作为一个扩展多元诊断ENSO指数(MEI.ext)”国际气候学杂志没有,卷。31日。7,1074 - 1087年,2011页。视图:出版商的网站|谷歌学术搜索
  56. a·g·Barnston和r·e·Livezey”分类、季节性和持久性的低频大气环流模式,”每月天气回顾,卷115,不。6,1083 - 1126年,1987页。视图:出版商的网站|谷歌学术搜索
  57. k . Trenberth气候数据指南:尼诺SST指数(尼诺1 + 2、3、3.4、4;ONI和交通噪音指数)国家大气研究中心的巨石,有限公司,2016年美国。
  58. j·c·罗杰斯,”北太平洋涛动。”气候学杂志,1卷,不。1,39-57,1981页。视图:出版商的网站|谷歌学术搜索
  59. J.-Y。Yu H.-Y。花王、t·李和s . t .金”地下海洋温度指数为太平洋中部和东太平洋的厄尔尼诺和拉尼娜事件类型,“理论和应用气候学,卷103,不。3 - 4、337 - 344年,2011页。视图:出版商的网站|谷歌学术搜索
  60. n . j .曼图亚和s . r .兔,“太平洋年代际振荡,”《海洋学,卷。58岁的没有。1,35-44,2002页。视图:出版商的网站|谷歌学术搜索
  61. 指出r . a . Ebdon“50 mb的风流在热带和亚热带地区1957年1月和1958年1月,“季度皇家气象学会杂志》上,卷86,不。370年,第542 - 540页,1960年。视图:出版商的网站|谷歌学术搜索
  62. r . j . Reed w·j·坎贝尔,l·a·拉斯穆森和d·g·罗杰斯“downward-propagating的证据,每年在赤道平流层风逆转,”地球物理研究杂志》,卷66,不。3、813 - 818年,1961页。视图:出版商的网站|谷歌学术搜索
  63. e·尼克尔森回顾最近的研究对雨情及其年际变化卷。32306年,地球、海洋和大气科学部门,美国佛罗里达州的塔拉哈西佛罗里达州立大学,2013。
  64. a·j·特鲁普,“南方振荡”季度皇家气象学会杂志》上,卷91,不。390年,第506 - 490页,1965年。视图:出版商的网站|谷歌学术搜索
  65. 普尔,“理解太阳能指数”,Qst卷。200年,38-40,2002页。视图:谷歌学术搜索
  66. d·b·恩菲尔德a . m . Mestas-Nunez d·a·梅耶和l . Cid-Serrano“偶极子有多普遍在热带大西洋海洋表面温度的关系?”地球物理学研究杂志:海洋,卷104,不。C4, 7841 - 7848年,1999页。视图:出版商的网站|谷歌学术搜索
  67. k . e . Trenberth和d . p . Stepaniak指数厄尔尼诺进化。”杂志的气候,14卷,不。8,1697 - 1701年,2001页。视图:出版商的网站|谷歌学术搜索
  68. b . Rajagopalan y Kushnir, y·m·图尔”观察十年中间纬度和热带大西洋气候变化,“《地球物理研究快报,25卷,不。21日,第3970 - 3967页,1998年。视图:出版商的网站|谷歌学术搜索
  69. 王c和d·b·恩菲尔德,“热带西半球暖池”,《地球物理研究快报,28卷,不。8,1635 - 1638年,2001页。视图:出版商的网站|谷歌学术搜索
  70. j·m·华莱士和d s Gutzler”远程并置对比位势高度场在北半球冬季,“每月天气回顾,卷109,不。4、784 - 812年,1981页。视图:出版商的网站|谷歌学术搜索
  71. j·汉森,r·鲁迪,j . Glascoe和m .佐藤GISS表面温度变化的分析,“地球物理学研究杂志:atm,卷104,不。D24, 30997 - 31022年,1999页。视图:出版商的网站|谷歌学术搜索
  72. j·汉森,佐藤m和k,“全球表面温度变化,”全球管道每月,5卷,不。2、1至29,2009页。视图:出版商的网站|谷歌学术搜索
  73. g .詹姆斯d·威滕、t . Hastie和y . r . Tibshirani介绍了统计学习施普林格,卷。7日,柏林,德国,2000年。
  74. g·钱德拉塞卡和f .领域,特征选择方法,调查”计算机与电气工程,40卷,不。1,16-28,2014页。视图:出版商的网站|谷歌学术搜索
  75. 即盖恩和a . Elisseeff”介绍变量和特征选择。”机器学习研究杂志》上,3卷,第1182 - 1157页,2003年。视图:谷歌学术搜索
  76. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
  77. j·r·昆兰“决策树归纳”,机器学习,1卷,不。1,第106 - 81页,1986。视图:出版商的网站|谷歌学术搜索
  78. m·库巴特“一个简单的机器学习任务,”介绍机器学习,艾德·m·库巴特。,页队,施普林格国际出版,可汗,瑞士,2017。视图:谷歌学术搜索
  79. v . n . Vapnik“直接方法在统计学习理论中,”统计学习理论的本质,v . n . Vapnik Ed,页225 - 265,施普林格,纽约,纽约,美国,2000年。视图:谷歌学术搜索
  80. h·b·德穆斯·m·h·比尔o·德·杰斯,和Y·m·t·哈根神经网络设计马丁•哈根好,斯蒂尔沃特市美国,2014年。
  81. 林t, b·g·霍恩·帝诺和c·l·贾尔斯,“学习NARX复发性神经网络的长期依赖,”IEEE神经网络7卷,第1338 - 1329页,1996年,https://ieeexplore.ieee.org/abstract/document/548162。视图:谷歌学术搜索
  82. d . r .使节和g·j·麦凯布,“评估”的使用拟合优度”措施在水文和hydroclimatic模型验证,”水资源研究,35卷,不。1,第241 - 233页,1999。视图:出版商的网站|谷歌学术搜索
  83. d . n . Moriasi j·g·阿诺德·m·w·范·刘,r . l . Bingner r·d·马克,t·l·威斯,”模型评估指南系统量化流域模拟的准确性”美国农业和生物工程师学会的事务,50卷,不。3、885 - 900年,2007页。视图:出版商的网站|谷歌学术搜索
  84. k . Abbaspour s Raghavan s . a . Vaghefi m . Faramarzi因绝食抗议多日,y l .陈综合水土管理:选择从2016年国际斯瓦特会议论文瑞士巴塞尔,MDPI, 2017年。
  85. 和y w . m . j . Chen Li王”统计的不确定性估计使用随机森林及其应用干旱预测,“数学问题在工程文章ID 915053卷,2012年,2012年。视图:出版商的网站|谷歌学术搜索
  86. h·t·Siegelmann b·g·霍恩和y c·l·贾尔斯“复发性NARX神经网络的计算能力,”IEEE系统,人,控制论,B部分(控制论),27卷,不。2、208 - 215年,1997页。视图:谷歌学术搜索

版权©2020马里奥·佩纳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点420年
下载241年
引用

相关文章