GRNN在翻斗式雨量計中的應用*

孫鑒鋒, 許 磊, 王建新

(北京林業大學 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據進行預測和比對。實驗結果表明:廣義回歸神經網絡(GRNN)算法預測效果最好。針對氣象部門對雨量計測量數據的使用方式局限性，據此結合預測數據給出了一種智能信息處理的方案，能夠將雨量信息較為準確、直觀和全面地展現出來，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； 廣義回歸神經網絡； 數據預測； 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，已經逐步取代虹吸式雨量計等傳統的雨量計，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差異和儀器安裝不當等情況[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，信號為離散數據。而氣象部門收集到離散數據后，僅停留在對數據基本的計算操作上，信息可視化較差，數據背后蘊藏的信息也難以直觀地體現出來。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。根據離散的雨量數據點，詳細地預測降雨發生過程中的數據值，使離散數據變為連續曲線[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，合理地利用物聯網[5]，將預測降雨過程的數據迅速并且實時地展現出來，使預測過程的信息變得動態化和多元化，進一步地幫助氣象部門更好地開展雨量計測量的工作。本文根據雨量計誤差的特點，結合神經網絡等智能算法，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據擬合的準確性，為后續進一步探究信息可視化提供了理論基礎。同時提出一個結合算法預測雨量在內的智能信息處理系統的關鍵方案。

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部結構精密，如圖1所示,其數據傳輸及存儲在一定程度上能夠實現數字化和自動化，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，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 翻斗式雨量計內部結構

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)在翻斗計數的過程中，其翻轉角為φ，從φ變為水平0°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，可以看出翻轉次數越多，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頻率，從而損失雨量ω的次數增加，引起更大的誤差。根據此誤差的特性，可以增加翻斗面積或增加每斗水重量來降低翻斗的翻轉頻率，以此達到優化的目的。國外已經率先普及了可稱量高積水量(如由0.1mm變為0.2mm和0.5mm)的翻斗式雨量計(美國UNRO生產的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激增和減慢的趨勢，如果氣象部門在降雨過程中(允許數據有一定時間延遲)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

通過長期研究函數逼近和曲線擬合[7]、選取了三次樣條插值[8]、RBF神經網絡[9]、GRNN神經網絡[10]三種有效的算法進行降雨數據的擬合。

重點應用GRNN的曲線擬合能力，預測已發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神經網絡算法進行對比，從而得到擬合雨量計雨量的最佳算法。

2.2 GRNN模型構建

結合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神經網絡的拓撲結構，雨量數據經過輸入層、隱含層(模式層和求和層)和輸出層的網絡計算后將會得到該雨量發生的時間。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的核函數在核空間Rm上滿足

(2)

圖4 GRNN拓撲結構

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。而聯合概率密度pXY(x,y)與條件概率密度之間的關系如下式

(4)

于是式(3)變為

(5)

(6)

則大Parzen密度估計的聯合概率密度函數為

(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，得到降雨發生時間的回歸值(x)

(9)

2.3 可視化智能處理方案

以互聯網為平臺的智能信息技術應用于雨量計數據預測中，能夠極大地改觀當前雨量計應用行業，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、可控。圖5給出了雨量計數據可視化的智能信息處理方案。

圖5 雨量計數據可視化智能處理方案

2.4 實驗設計

根據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神經網絡算法和GRNN算法。因獲取的雨量計數據有限，對數據處理過程如下：在雨量計感量精度為0.2mm的情況下，選取40組數據，數據每隔1組進行樣本抽樣操作，用于后續的插值擬合或樣本訓練，最后剩余數據用于驗證預測數據的精度；同樣地，在雨量計感量精度為0.4mm的情況下，選取80組數據，每隔4組挑選數據作為樣本，剩余數據用于預測精度的檢驗。

2.5 模型仿真與結論

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生時間的實驗結果。

表1 雨量計感量增至0.2 mm時的預測結果

表2 雨量計感量增至0.4 mm的預測結果

對于上述預測結果，采用標準誤差(MSE)和最接近真實值個數(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神經網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類算法均表現出了較強的穩定性。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神經網絡的146倍，顯示了GRNN在曲線擬合上的強大優勢。

3 結束語

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，結果表明:預測數據具有較強的穩定性，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算法在預測數據的精度上要明顯高于三次樣條插值算法和RBF神經網絡算法，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，給出了雨量計數據可視化的智能信息處理方案，與GRNN算法相結合，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布和應急方案的穩步實施。

[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.函數擬合法力數字傳感器的非線性和溫度補償[J].傳感器與微系統,2016,35(2):16-18.

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

[6] 楊漢塘.翻斗雨量計動態計量系統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.無線應變采集節點的溫漂誤差補償[J].傳感器與微系統,2013,32(10):27-29.

[9] 花曉蕾,唐慧強,張紅燕,等.基于RBF神經網絡的空間插值法在空氣質量監測中的應用[J].傳感器與微系統,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, 應用數學，數據挖掘。王建新(1972-), 男, 通訊作者，博士,教授,博士生導師,主要從事應用數學、軟件工程、數據挖掘方面的研究工作，E—mail:wangjx@bjfu.edu.cn。