自动站气温数据异常补偿方法.docVIP

自动站气温数据异常补偿方法 　　摘要：为了保证气象资料的完整性与准确性，针对含有间断噪声的自动站日平均气温数据提出了3种隶属度函数，设计了基于平方平均隶属度函数的模糊支持向量机（FSVM）补偿算法，建立了补偿模型，并与传统支持向量机（SVM）方法进行了对比。实验结果表明：基于平方平均隶属度函数的FSVM方法对噪声点有较强的识别能力，插补后的数据精度达到了1.4℃，优于传统SVM方法的1.6℃；整体预测精度达到了1.13℃，同样优于传统SVM方法的1.42℃。 　　关键词：自动气象站；间断噪声；日平均气温；平方平均隶属度函数；模糊支持向量机；补偿 　　中图分类号： TP391.9 　　文献标志码：A 　　Abstract： To ensure the integrity and accuracy of the meteorological data， combined with automatic weather stations daily average temperature data which contained discontinuous noise， three types of membership functions were submitted. A compensation algorithm of Fuzzy Support Vector Machine （FSVM） based on rootmeansquare membership function was designed and the compensation model was established too. Finally， the FSVM method was compared with the traditional Support Vector Machine （SVM） method. The experimental results show that the proposed algorithm has good recognition capability for noise points. After interpolation， the data precision was 1.4℃， better than 1.6℃ of the traditional SVM method. Moreover， the whole data precision was 1.13℃， superior to 1.42℃ of the traditional SVM method. 　　Key words： automatic weather station； discontinuous noise； daily average temperature； rootmeansquare membership function； Fuzzy Support Vector Machine （FSVM）； compensation 　　0引言 　　由于受到环境因素干扰、硬件故障等原因的影响，自动气象站所采集的数据会出现异常的情况：往往包含一些噪声值，或者出现数据缺失。尤其是间断不连续的噪声，通常混在数据中难以被发现并且不易精确插补，极易导致数据的偏差甚至错误，对需要利用气象资料进行气候统计分析和气候变化的研究产生重大影响。因此，需要采取行之有效的办法对异常数据进行填补，以尽量减少其带来的损失。 　　对于气象数据缺失的插补，我国的气象从业者已经展开了一些研究[1-3]。但是，鲜见对含有噪声的数据进行处理的文献，且处理方法和效果的好坏完全依赖于周边气象站的选择及其数据质量的高低。当周边没有合适的气象站可选择或者周边气象站也出现数据异常的情况时，以上方法显然是不可行的。 　　针对上述问题，基于3种隶属度函数的设计方法提出了基于平方平均隶属度函数的模糊支持向量机（Fuzzy Support Vector Machine，FSVM）算法，对带有间断噪声的自动站日平均气温数据进行了插补实验，验证了该算法的可行性，并且分析了其优于传统支持向量机（Support Vector Machine，SVM）算法的回归性能。 　　1FSVM理论 　　由图8以及表4可以看出，针对气温这种变化规律存在随机性的样本，基于平方平均隶属度函数的FSVM能够较好地保证所建模型的通用性，比SVM方法具有更好的泛化能力。 　　两种方法对训练样本及测试样本的相对误差如图9所示。前1095个数据为训练样本相对误差，后366个数据为测试样本相对误差。 　　由图9可知，FSVM方法的平均相对误差为17.72%，平均预测精度1.13℃；SVM方法的平均相对误差为28.6%，平均预测精度为1