孫鑒鋒, 許 磊, 王建新

(北京林業(yè)大學 信息學院,北京 100083)

GRNN在翻斗式雨量計中的應用*

孫鑒鋒, 許 磊, 王建新

(北京林業(yè)大學信息學院,北京100083)

針對當前翻斗式雨量計傳感器存在的計量誤差，提出了有效的應對措施，并使用3類曲線擬合算法對北京市7.21暴雨實際觀測資料的雨量計數(shù)據(jù)進行預測和比對。實驗結(jié)果表明:廣義回歸神經(jīng)網(wǎng)絡(GRNN)算法預測效果最好。針對氣象部門對雨量計測量數(shù)據(jù)的使用方式局限性，據(jù)此結(jié)合預測數(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^為準確、直觀和全面地展現(xiàn)出來，增強了氣象部門對應急事件的處理能力。

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

0 引 言

當前雨量計的主要研究工作依舊集中在對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]。翻斗式雨量計是氣象部門常用的一種雨量計，已經(jīng)逐步取代虹吸式雨量計等傳統(tǒng)的雨量計，在測量雨量方面有著極其重要的地位。翻斗式雨量計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，雨量計計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?shù)惹闆r[3]。

翻斗式雨量計測量雨水的過程中，傳感器將測量值以信號的形式輸出到外圍設備，信號為離散數(shù)據(jù)。而氣象部門收集到離散數(shù)據(jù)后，僅停留在對數(shù)據(jù)基本的計算操作上，信息可視化較差，數(shù)據(jù)背后蘊藏的信息也難以直觀地體現(xiàn)出來。有效利用計量雨水的輸出信號將對氣象部門開展進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，詳細地預測降雨發(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，方便進行決策部署，增強了應急事件處理的實時性和有效性。同時，在信息進程化的不斷推動下，合理地利用物聯(lián)網(wǎng)[5]，將預測降雨過程的數(shù)據(jù)迅速并且實時地展現(xiàn)出來，使預測過程的信息變得動態(tài)化和多元化，進一步地幫助氣象部門更好地開展雨量計測量的工作。本文根據(jù)雨量計誤差的特點，結(jié)合神經(jīng)網(wǎng)絡等智能算法，設計實驗，從北京市7.21暴雨事件實際降雨資料的實驗中證明了數(shù)據(jù)擬合的準確性，為后續(xù)進一步探究信息可視化提供了理論基礎。同時提出一個結(jié)合算法預測雨量在內(nèi)的智能信息處理系統(tǒng)的關鍵方案。

1 雨量計原理

1.1 翻斗式雨量計誤差來源

當前的翻斗式雨量計傳感器內(nèi)部結(jié)構(gòu)精密，如圖1所示,其數(shù)據(jù)傳輸及存儲在一定程度上能夠?qū)崿F(xiàn)數(shù)字化和自動化，例如，磁鋼與干簧管配合控制開關閉合向記錄儀傳輸信號，通過自動記錄筆記錄雨量值。翻斗式雨量計的上翻斗(或下翻斗)在達到感量精度時，進行翻斗計數(shù)，此時，磁鋼進行一次掃描，使干簧管閉合開關一次，同時送出一次脈沖信號(預先設定好的感量精度)。

圖1 翻斗式雨量計內(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)在翻斗計數(shù)的過程中，其翻轉(zhuǎn)角為φ，從φ變?yōu)樗?°時，下翻斗(或上翻斗)并沒有在接水，此時損失雨量ω。這是翻斗式雨量計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，雨強增大，小感量精度的翻斗式雨量計的計量誤差也將會變大。

圖2 翻斗式雨量計測量雨水工作原理

1.2 降低誤差設計

雨強較大時，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(美國UNRO生產(chǎn)的R100型雨量計)，并且達到了很好的效果，可以將精度提升2～5倍[6]。

由北京市7.21特大暴雨事件的實際雨量計觀測資料的分析可以看到，雨量計的計量感量為0.1mm，是一種小感量的雨量計。根據(jù)翻斗式誤差特性的分析，尤其在7.21暴雨強度下，其測量精確度勢必會降低不少。如圖3所示，可以較為直觀地看到，在不同時段的雨量會呈現(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)有一定時間延遲)觀察雨量變化的趨勢，能夠較早地進行決策部署。

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[9]、GRNN神經(jīng)網(wǎng)絡[10]三種有效的算法進行降雨數(shù)據(jù)的擬合。

重點應用GRNN的曲線擬合能力，預測已發(fā)生降雨過程中任意一時間點的雨量，輔之以三次樣條插值算法和RBF神經(jīng)網(wǎng)絡算法進行對比，從而得到擬合雨量計雨量的最佳算法。

2.2 GRNN模型構(gòu)建

結(jié)合GRNN來探究雨量計感量降雨雨量和時間之間的相互關系，有如下理論推導過程。

預先設定X為雨量變量，Y為時間變量。圖4展示了GRNN神經(jīng)網(wǎng)絡的拓撲結(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)絡計算后將會得到該雨量發(fā)生的時間。具體地，可以定義雨量計感量雨量值xi與時間變化量yi的非線性模型為

yi=f(xi)+ε(i)，i=1,2,…,N

(1)

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

(2)

圖4 GRNN拓撲結(jié)構(gòu)

另外，f(x)等價于給定雨量的回歸值x時yi的條件均值，定義為如下

(3)

式中pY|X(y|x)為時間變量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系如下式

(4)

于是式(3)變?yōu)?/p>

(5)

(6)

則大Parzen密度估計的聯(lián)合概率密度函數(shù)為

(7)

此時，通過ε=(y-yi)/h換元計算，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)為平臺的智能信息技術(shù)應用于雨量計數(shù)據(jù)預測中，能夠極大地改觀當前雨量計應用行業(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態(tài)、可控。圖5給出了雨量計數(shù)據(jù)可視化的智能信息處理方案。

圖5 雨量計數(shù)據(jù)可視化智能處理方案

2.4 實驗設計

根據(jù)雨量計測量雨水的特點，探究雨量與時間的變化關系。由于北京市7.21暴雨過程中，雨量計在計量雨水時，每次計量雨量大小均勻且相等。因而，實驗在雨量作為因變量的情況下，預測雨量計下一翻斗發(fā)生的時間。具體地，采用3類算法完成對翻斗時間的預測：三次樣條插值法，RBF神經(jīng)網(wǎng)絡算法和GRNN算法。因獲取的雨量計數(shù)據(jù)有限，對數(shù)據(jù)處理過程如下：在雨量計感量精度為0.2mm的情況下，選取40組數(shù)據(jù)，數(shù)據(jù)每隔1組進行樣本抽樣操作，用于后續(xù)的插值擬合或樣本訓練，最后剩余數(shù)據(jù)用于驗證預測數(shù)據(jù)的精度；同樣地，在雨量計感量精度為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)用于預測精度的檢驗。

2.5 模型仿真與結(jié)論

表1和表2分別為雨量計感量精度由起初的0.1mm分別增至0.2,0.4mm的情形下，預測雨量計下一翻斗發(fā)生時間的實驗結(jié)果。

表1 雨量計感量增至0.2 mm時的預測結(jié)果

表2 雨量計感量增至0.4 mm的預測結(jié)果

對于上述預測結(jié)果，采用標準誤差(MSE)和最接近真實值個數(shù)(NN)來衡量預測效果，如表3所示。

表3 3種算法預測精度比較

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，其用于雨量計測量雨量的預測效果最好，而三次樣條插值法和RBF神經(jīng)網(wǎng)絡算法的預測效果較為接近。整體來看，3種算法的標準誤差范圍均在30 s附近，這是由于降雨的隨機波動性(激增和突降)造成的，也表明了在對雨量進行預測和擬合的同時，會有一定的偏差性。但是通過表1和表2逐個預測值來看，3類算法均表現(xiàn)出了較強的穩(wěn)定性。特別地，在翻斗感量增至4倍的實驗當中，GRNN的預測速度是RBF神經(jīng)網(wǎng)絡的146倍，顯示了GRNN在曲線擬合上的強大優(yōu)勢。

3 結(jié)束語

基于對翻斗式雨量計傳感器誤差的分析，通過三類插值擬合算法對北京市7.21暴雨事件降雨資料設計了實驗，結(jié)果表明:預測數(shù)據(jù)具有較強的穩(wěn)定性，高感量精度的雨量計可以被應用到實際測量雨水當中。并且GRNN算法在預測數(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)絡算法，能夠滿足預測雨量計稱量雨量的實時性，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具備的模式，能夠有效地進行預警措施的發(fā)布和應急方案的穩(wěn)步實施。

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

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

[3] 趙曉利,劉厚智,翁煒霖.四種雨量計觀測降水量的對比及相關性[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償[J].傳感器與微系統(tǒng),2016,35(2):16-18.

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

[6] 楊漢塘.翻斗雨量計動態(tài)計量系統(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.氣象水文應用馬爾科夫鏈統(tǒng)計模擬[M].氣象,2015.

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

[9] 花曉蕾,唐慧強,張紅燕,等.基于RBF神經(jīng)網(wǎng)絡的空間插值法在空氣質(zhì)量監(jiān)測中的應用[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

國家自然科學基金資助項目(61170268)

TP 302

A

1000—9787(2017)10—0157—04

孫鑒鋒(1991-), 男, 博士研究生,研究方向為信號處理, 應用數(shù)學，數(shù)據(jù)挖掘。王建新(1972-), 男, 通訊作者，博士,教授,博士生導師,主要從事應用數(shù)學、軟件工程、數(shù)據(jù)挖掘方面的研究工作，E—mail:wangjx@bjfu.edu.cn。