GRNN在翻斗式雨量計(jì)中的應(yīng)用*

孫鑒鋒, 許 磊, 王建新

(北京林業(yè)大學(xué) 信息學(xué)院,北京 100083)

GRNN在翻斗式雨量計(jì)中的應(yīng)用*

孫鑒鋒, 許 磊, 王建新

(北京林業(yè)大學(xué)信息學(xué)院,北京100083)

針對(duì)當(dāng)前翻斗式雨量計(jì)傳感器存在的計(jì)量誤差，提出了有效的應(yīng)對(duì)措施，并使用3類曲線擬合算法對(duì)北京市7.21暴雨實(shí)際觀測資料的雨量計(jì)數(shù)據(jù)進(jìn)行預(yù)測和比對(duì)。實(shí)驗(yàn)結(jié)果表明:廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)算法預(yù)測效果最好。針對(duì)氣象部門對(duì)雨量計(jì)測量數(shù)據(jù)的使用方式局限性，據(jù)此結(jié)合預(yù)測數(shù)據(jù)給出了一種智能信息處理的方案，能夠?qū)⒂炅啃畔⑤^為準(zhǔn)確、直觀和全面地展現(xiàn)出來，增強(qiáng)了氣象部門對(duì)應(yīng)急事件的處理能力。

翻斗式雨量計(jì)； 傳感器； 廣義回歸神經(jīng)網(wǎng)絡(luò)； 數(shù)據(jù)預(yù)測； 智能信息處理

0 引 言

當(dāng)前雨量計(jì)的主要研究工作依舊集中在對(duì)誤差分析和提高精度等方面，這是氣象觀測和研究工作的重要組成部分[1]。翻斗式雨量計(jì)是氣象部門常用的一種雨量計(jì)，已經(jīng)逐步取代虹吸式雨量計(jì)等傳統(tǒng)的雨量計(jì)，在測量雨量方面有著極其重要的地位。翻斗式雨量計(jì)主要由傳感器和雨量采集器組成，其測量誤差主要由傳感器導(dǎo)致[2]，這是由其測量方式帶來的不可避免的誤差。除此之外，雨量計(jì)計(jì)量雨水過程中的主要誤差還可能來源于觀測體制不同，不同儀器之間的系統(tǒng)差異和儀器安裝不當(dāng)?shù)惹闆r[3]。

翻斗式雨量計(jì)測量雨水的過程中，傳感器將測量值以信號(hào)的形式輸出到外圍設(shè)備，信號(hào)為離散數(shù)據(jù)。而氣象部門收集到離散數(shù)據(jù)后，僅停留在對(duì)數(shù)據(jù)基本的計(jì)算操作上，信息可視化較差，數(shù)據(jù)背后蘊(yùn)藏的信息也難以直觀地體現(xiàn)出來。有效利用計(jì)量雨水的輸出信號(hào)將對(duì)氣象部門開展進(jìn)一步的研究工作有重要意義。根據(jù)離散的雨量數(shù)據(jù)點(diǎn)，詳細(xì)地預(yù)測降雨發(fā)生過程中的數(shù)據(jù)值，使離散數(shù)據(jù)變?yōu)檫B續(xù)曲線[4]，能夠給氣象部門的人員提供更加豐富的降雨信息，方便進(jìn)行決策部署，增強(qiáng)了應(yīng)急事件處理的實(shí)時(shí)性和有效性。同時(shí)，在信息進(jìn)程化的不斷推動(dòng)下，合理地利用物聯(lián)網(wǎng)[5]，將預(yù)測降雨過程的數(shù)據(jù)迅速并且實(shí)時(shí)地展現(xiàn)出來，使預(yù)測過程的信息變得動(dòng)態(tài)化和多元化，進(jìn)一步地幫助氣象部門更好地開展雨量計(jì)測量的工作。本文根據(jù)雨量計(jì)誤差的特點(diǎn)，結(jié)合神經(jīng)網(wǎng)絡(luò)等智能算法，設(shè)計(jì)實(shí)驗(yàn)，從北京市7.21暴雨事件實(shí)際降雨資料的實(shí)驗(yàn)中證明了數(shù)據(jù)擬合的準(zhǔn)確性，為后續(xù)進(jìn)一步探究信息可視化提供了理論基礎(chǔ)。同時(shí)提出一個(gè)結(jié)合算法預(yù)測雨量在內(nèi)的智能信息處理系統(tǒng)的關(guān)鍵方案。

1 雨量計(jì)原理

1.1 翻斗式雨量計(jì)誤差來源

當(dāng)前的翻斗式雨量計(jì)傳感器內(nèi)部結(jié)構(gòu)精密，如圖1所示,其數(shù)據(jù)傳輸及存儲(chǔ)在一定程度上能夠?qū)崿F(xiàn)數(shù)字化和自動(dòng)化，例如，磁鋼與干簧管配合控制開關(guān)閉合向記錄儀傳輸信號(hào)，通過自動(dòng)記錄筆記錄雨量值。翻斗式雨量計(jì)的上翻斗(或下翻斗)在達(dá)到感量精度時(shí)，進(jìn)行翻斗計(jì)數(shù)，此時(shí)，磁鋼進(jìn)行一次掃描，使干簧管閉合開關(guān)一次，同時(shí)送出一次脈沖信號(hào)(預(yù)先設(shè)定好的感量精度)。

圖1 翻斗式雨量計(jì)內(nèi)部結(jié)構(gòu)

圖2中，下部的傳感器部件中主要配有磁鋼和干簧管部件。上翻斗(或下翻斗)在翻斗計(jì)數(shù)的過程中，其翻轉(zhuǎn)角為φ，從φ變?yōu)樗?°時(shí)，下翻斗(或上翻斗)并沒有在接水，此時(shí)損失雨量ω。這是翻斗式雨量計(jì)儀器不可避免的誤差，可以看出翻轉(zhuǎn)次數(shù)越多，累積誤差將變大。因此，雨強(qiáng)增大，小感量精度的翻斗式雨量計(jì)的計(jì)量誤差也將會(huì)變大。

圖2 翻斗式雨量計(jì)測量雨水工作原理

1.2 降低誤差設(shè)計(jì)

雨強(qiáng)較大時(shí)，雨水迅速落入承雨口，加快了每斗水的翻轉(zhuǎn)頻率，從而損失雨量ω的次數(shù)增加，引起更大的誤差。根據(jù)此誤差的特性，可以增加翻斗面積或增加每斗水重量來降低翻斗的翻轉(zhuǎn)頻率，以此達(dá)到優(yōu)化的目的。國外已經(jīng)率先普及了可稱量高積水量(如由0.1mm變?yōu)?.2mm和0.5mm)的翻斗式雨量計(jì)(美國UNRO生產(chǎn)的R100型雨量計(jì))，并且達(dá)到了很好的效果，可以將精度提升2～5倍[6]。

由北京市7.21特大暴雨事件的實(shí)際雨量計(jì)觀測資料的分析可以看到，雨量計(jì)的計(jì)量感量為0.1mm，是一種小感量的雨量計(jì)。根據(jù)翻斗式誤差特性的分析，尤其在7.21暴雨強(qiáng)度下，其測量精確度勢必會(huì)降低不少。如圖3所示，可以較為直觀地看到，在不同時(shí)段的雨量會(huì)呈現(xiàn)激增和減慢的趨勢，如果氣象部門在降雨過程中(允許數(shù)據(jù)有一定時(shí)間延遲)觀察雨量變化的趨勢，能夠較早地進(jìn)行決策部署。

圖3 北京市721暴雨事件雨量變化趨勢

2 理論與應(yīng)用

2.1 曲線擬合

通過長期研究函數(shù)逼近和曲線擬合[7]、選取了三次樣條插值[8]、RBF神經(jīng)網(wǎng)絡(luò)[9]、GRNN神經(jīng)網(wǎng)絡(luò)[10]三種有效的算法進(jìn)行降雨數(shù)據(jù)的擬合。

重點(diǎn)應(yīng)用GRNN的曲線擬合能力，預(yù)測已發(fā)生降雨過程中任意一時(shí)間點(diǎn)的雨量，輔之以三次樣條插值算法和RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比，從而得到擬合雨量計(jì)雨量的最佳算法。

2.2 GRNN模型構(gòu)建

結(jié)合GRNN來探究雨量計(jì)感量降雨雨量和時(shí)間之間的相互關(guān)系，有如下理論推導(dǎo)過程。

預(yù)先設(shè)定X為雨量變量，Y為時(shí)間變量。圖4展示了GRNN神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，雨量數(shù)據(jù)經(jīng)過輸入層、隱含層(模式層和求和層)和輸出層的網(wǎng)絡(luò)計(jì)算后將會(huì)得到該雨量發(fā)生的時(shí)間。具體地，可以定義雨量計(jì)感量雨量值xi與時(shí)間變化量yi的非線性模型為

yi=f(xi)+ε(i)，i=1,2,…,N

(1)

式中f(x)為時(shí)間變量yi的預(yù)測值；ε(i)為隨機(jī)誤差。雨量變量X的核函數(shù)在核空間Rm上滿足

(2)

圖4 GRNN拓?fù)浣Y(jié)構(gòu)

另外，f(x)等價(jià)于給定雨量的回歸值x時(shí)yi的條件均值，定義為如下

(3)

式中pY|X(y|x)為時(shí)間變量y在輸入條件雨量為x下的概率密度函數(shù)。而聯(lián)合概率密度pXY(x,y)與條件概率密度之間的關(guān)系如下式

(4)

于是式(3)變?yōu)?/p>

(5)

(6)

則大Parzen密度估計(jì)的聯(lián)合概率密度函數(shù)為

(7)

此時(shí)，通過ε=(y-yi)/h換元計(jì)算，得到

(8)

最后，將式(6)和式(8)代入式(5)中，得到降雨發(fā)生時(shí)間的回歸值(x)

(9)

2.3 可視化智能處理方案

以互聯(lián)網(wǎng)為平臺(tái)的智能信息技術(shù)應(yīng)用于雨量計(jì)數(shù)據(jù)預(yù)測中，能夠極大地改觀當(dāng)前雨量計(jì)應(yīng)用行業(yè)，甚至從一定程度上降低測量誤差，使降雨測量過程變得動(dòng)態(tài)、可控。圖5給出了雨量計(jì)數(shù)據(jù)可視化的智能信息處理方案。

圖5 雨量計(jì)數(shù)據(jù)可視化智能處理方案

2.4 實(shí)驗(yàn)設(shè)計(jì)

根據(jù)雨量計(jì)測量雨水的特點(diǎn)，探究雨量與時(shí)間的變化關(guān)系。由于北京市7.21暴雨過程中，雨量計(jì)在計(jì)量雨水時(shí)，每次計(jì)量雨量大小均勻且相等。因而，實(shí)驗(yàn)在雨量作為因變量的情況下，預(yù)測雨量計(jì)下一翻斗發(fā)生的時(shí)間。具體地，采用3類算法完成對(duì)翻斗時(shí)間的預(yù)測：三次樣條插值法，RBF神經(jīng)網(wǎng)絡(luò)算法和GRNN算法。因獲取的雨量計(jì)數(shù)據(jù)有限，對(duì)數(shù)據(jù)處理過程如下：在雨量計(jì)感量精度為0.2mm的情況下，選取40組數(shù)據(jù)，數(shù)據(jù)每隔1組進(jìn)行樣本抽樣操作，用于后續(xù)的插值擬合或樣本訓(xùn)練，最后剩余數(shù)據(jù)用于驗(yàn)證預(yù)測數(shù)據(jù)的精度；同樣地，在雨量計(jì)感量精度為0.4mm的情況下，選取80組數(shù)據(jù)，每隔4組挑選數(shù)據(jù)作為樣本，剩余數(shù)據(jù)用于預(yù)測精度的檢驗(yàn)。

2.5 模型仿真與結(jié)論

表1和表2分別為雨量計(jì)感量精度由起初的0.1mm分別增至0.2,0.4mm的情形下，預(yù)測雨量計(jì)下一翻斗發(fā)生時(shí)間的實(shí)驗(yàn)結(jié)果。

表1 雨量計(jì)感量增至0.2 mm時(shí)的預(yù)測結(jié)果

表2 雨量計(jì)感量增至0.4 mm的預(yù)測結(jié)果

對(duì)于上述預(yù)測結(jié)果，采用標(biāo)準(zhǔn)誤差(MSE)和最接近真實(shí)值個(gè)數(shù)(NN)來衡量預(yù)測效果，如表3所示。

表3 3種算法預(yù)測精度比較

通過表3比較結(jié)果，可以看出:GRNN算法較其他2種算法的MSE最低，NN最高，其用于雨量計(jì)測量雨量的預(yù)測效果最好，而三次樣條插值法和RBF神經(jīng)網(wǎng)絡(luò)算法的預(yù)測效果較為接近。整體來看，3種算法的標(biāo)準(zhǔn)誤差范圍均在30 s附近，這是由于降雨的隨機(jī)波動(dòng)性(激增和突降)造成的，也表明了在對(duì)雨量進(jìn)行預(yù)測和擬合的同時(shí)，會(huì)有一定的偏差性。但是通過表1和表2逐個(gè)預(yù)測值來看，3類算法均表現(xiàn)出了較強(qiáng)的穩(wěn)定性。特別地，在翻斗感量增至4倍的實(shí)驗(yàn)當(dāng)中，GRNN的預(yù)測速度是RBF神經(jīng)網(wǎng)絡(luò)的146倍，顯示了GRNN在曲線擬合上的強(qiáng)大優(yōu)勢。

3 結(jié)束語

基于對(duì)翻斗式雨量計(jì)傳感器誤差的分析，通過三類插值擬合算法對(duì)北京市7.21暴雨事件降雨資料設(shè)計(jì)了實(shí)驗(yàn)，結(jié)果表明:預(yù)測數(shù)據(jù)具有較強(qiáng)的穩(wěn)定性，高感量精度的雨量計(jì)可以被應(yīng)用到實(shí)際測量雨水當(dāng)中。并且GRNN算法在預(yù)測數(shù)據(jù)的精度上要明顯高于三次樣條插值算法和RBF神經(jīng)網(wǎng)絡(luò)算法，能夠滿足預(yù)測雨量計(jì)稱量雨量的實(shí)時(shí)性，快速性和精確性的要求，適合在氣象部門中推廣。

此外，給出了雨量計(jì)數(shù)據(jù)可視化的智能信息處理方案，與GRNN算法相結(jié)合，可以向氣象部門提供豐富的信息可視化，使測量人員動(dòng)態(tài)地觀察雨量變化的趨勢，甚至挖掘出雨量激增或突降時(shí)具備的模式，能夠有效地進(jìn)行預(yù)警措施的發(fā)布和應(yīng)急方案的穩(wěn)步實(shí)施。

[1] 李耀寧,陶立新,黃 湘.不同雨量計(jì)測值誤差分析[J].氣象科技,2011,39(5):670-672.

[2] 王展宏.翻斗式雨量計(jì)的誤差分析與改進(jìn)[J].水利信息化,2012(4):53-56.

[3] 趙曉利,劉厚智,翁煒霖.四種雨量計(jì)觀測降水量的對(duì)比及相關(guān)性[J].廣東氣象,2009,31(5):49-50.

[4] 江 東,單 薏,劉緒坤,等.函數(shù)擬合法力數(shù)字傳感器的非線性和溫度補(bǔ)償[J].傳感器與微系統(tǒng),2016,35(2):16-18.

[5] 趙志軍,沈 強(qiáng),唐 暉,等.物聯(lián)網(wǎng)架構(gòu)和智能信息處理理論與關(guān)鍵技術(shù)[J].計(jì)算機(jī)科學(xué),2011,38(8):1-8.

[6] 楊漢塘.翻斗雨量計(jì)動(dòng)態(tài)計(jì)量系統(tǒng)誤差來源及其改善措施[J].水利信息化,2001(4):20-25.

[7] 丁裕國,劉吉峰,王 冀.氣象水文應(yīng)用馬爾科夫鏈統(tǒng)計(jì)模擬[M].氣象,2015.

[8] 張富生,王大志,梁軍生,等.無線應(yīng)變采集節(jié)點(diǎn)的溫漂誤差補(bǔ)償[J].傳感器與微系統(tǒng),2013,32(10):27-29.

[9] 花曉蕾,唐慧強(qiáng),張紅燕,等.基于RBF神經(jīng)網(wǎng)絡(luò)的空間插值法在空氣質(zhì)量監(jiān)測中的應(yīng)用[J].傳感器與微系統(tǒng),2015,34(1):157-160.

[10] Specht D F.A general regression neural network[J].IEEE Transactions on Neural Networks,1991,2(6):568-576.

ApplicationofGRNNintippingbucketraingauge*

SUN Jian-feng, XU Lei, WANG Jian-xin

(SchoolofInformation,BeijingForestryUniversity,Beijing100083,China)

Aiming at measurement errors of tipping bucket rain gauge sensor,an effective measures is proposed and three types of curve fitting algorithms are evaluated in predicting rain gauge data of Beijing7.21rainstorm event observations,by the comparison of their predicting performance.The experimental results show that the prediction effect of general regression neural network (GRNN) algorithm is the best of the three.Since there are some limits to use rain gauge data by meteorological department,for which an intelligent information processing scheme is also proposed based on the predicted data,which can entirely make the rainfall information more accurate,intuitive and comprehensive,improving the coping abilities of meteorological department for emergency events.

tipping bucket rain gauge; sensor; general regression neural network(GRNN); data prediction; intelligent information processing

10.13873/J.1000—9787(2017)10—0157—04

2016—09—01

國家自然科學(xué)基金資助項(xiàng)目(61170268)

TP 302

A

1000—9787(2017)10—0157—04

孫鑒鋒(1991-), 男, 博士研究生,研究方向?yàn)樾盘?hào)處理, 應(yīng)用數(shù)學(xué)，數(shù)據(jù)挖掘。王建新(1972-), 男, 通訊作者，博士,教授,博士生導(dǎo)師,主要從事應(yīng)用數(shù)學(xué)、軟件工程、數(shù)據(jù)挖掘方面的研究工作，E—mail:wangjx@bjfu.edu.cn。