開展干旱預(yù)測是有效應(yīng)對干旱風(fēng)險(xiǎn)的前提基礎(chǔ)。利用1958—2017年青海省38個(gè)氣象站點(diǎn)逐日降水量數(shù)據(jù)計(jì)算多尺度標(biāo)準(zhǔn)化降水指數(shù)(SPI),并建立了SPI序列自回歸移動平均模型(ARIMA)、長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型(LSTM)和基于二者優(yōu)點(diǎn)提出的ARIMA-LSTM組合模型;對模型參數(shù)進(jìn)行率定和驗(yàn)證后,利用所建立的模型,以西寧站點(diǎn)為例,對多尺度SPI值進(jìn)行預(yù)測,借助均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)和決定系數(shù)R2對所有預(yù)測模型的有效性進(jìn)行判定。結(jié)果表明:ARIMA-LSTM組合模型在SPI1和SPI12的RMSE值分別為0.159 7和0.181 0,均低于ARIMA模型的1.265 4和0.293 3,說明ARIMA模型與ARIMA-LSTM組合模型對SPI的預(yù)測精度都與時(shí)間尺度有關(guān),ARIMA模型的預(yù)測精度隨著時(shí)間尺度的增加而逐漸提高;結(jié)合GIS并利用實(shí)測數(shù)據(jù)與模型的預(yù)測數(shù)據(jù)相比較說明ARIMA-LSTM組合模型相比于單一ARIMA模型的預(yù)測精度更高,且能夠很好擬合不同時(shí)間尺度的SPI值。

【文章頁數(shù)】：10 頁

【文章目錄】：
1 研究區(qū)概況
2 數(shù)據(jù)及方法
    2.1 數(shù)據(jù)來源
    2.2 研究方法
        2.2.1 標(biāo)準(zhǔn)化降水指數(shù)（SPI)
        2.2.2 ARIMA模型ARMA模型由下式表示[26]:
        2.2.3 LSTM模型
        2.2.4 ARIMA-LSTM組合模型
        2.2.5 評價(jià)驗(yàn)證指標(biāo)
            (1)RMSE均方根誤差
            (2)MAPE平均絕對百分誤差
            (3）決定系數(shù)R2
3 結(jié)果與分析
    3.1 ARIMA建模流程
        3.1.1 平穩(wěn)化處理及ARIMA模型定階
        3.1.2 ARIMA模型參數(shù)估計(jì)及適用性檢驗(yàn)
    3.2 LSTM建模流程
        (1）輸入數(shù)據(jù)的預(yù)處理
        (2）網(wǎng)絡(luò)訓(xùn)練
        (3）網(wǎng)絡(luò)輸出
    3.3 ARIMA-LSTM組合模型的預(yù)測
4 結(jié)論



本文編號：3740828