GRNN在翻斗式雨量计中的应用*

孙鉴锋, 许 磊, 王建新

(北京林业大学 信息学院,北京 100083)

GRNN在翻斗式雨量计中的应用*

孙鉴锋, 许 磊, 王建新

(北京林业大学信息学院,北京100083)

针对当前翻斗式雨量计传感器存在的计量误差，提出了有效的应对措施，并使用3类曲线拟合算法对北京市7.21暴雨实际观测资料的雨量计数据进行预测和比对。实验结果表明:广义回归神经网络(GRNN)算法预测效果最好。针对气象部门对雨量计测量数据的使用方式局限性，据此结合预测数据给出了一种智能信息处理的方案，能够将雨量信息较为准确、直观和全面地展现出来，增强了气象部门对应急事件的处理能力。

翻斗式雨量计； 传感器； 广义回归神经网络； 数据预测； 智能信息处理

0 引 言

当前雨量计的主要研究工作依旧集中在对误差分析和提高精度等方面，这是气象观测和研究工作的重要组成部分[1]。翻斗式雨量计是气象部门常用的一种雨量计，已经逐步取代虹吸式雨量计等传统的雨量计，在测量雨量方面有着极其重要的地位。翻斗式雨量计主要由传感器和雨量采集器组成，其测量误差主要由传感器导致[2]，这是由其测量方式带来的不可避免的误差。除此之外，雨量计计量雨水过程中的主要误差还可能来源于观测体制不同，不同仪器之间的系统差异和仪器安装不当等情况[3]。

翻斗式雨量计测量雨水的过程中，传感器将测量值以信号的形式输出到外围设备，信号为离散数据。而气象部门收集到离散数据后，仅停留在对数据基本的计算操作上，信息可视化较差，数据背后蕴藏的信息也难以直观地体现出来。有效利用计量雨水的输出信号将对气象部门开展进一步的研究工作有重要意义。根据离散的雨量数据点，详细地预测降雨发生过程中的数据值，使离散数据变为连续曲线[4]，能够给气象部门的人员提供更加丰富的降雨信息，方便进行决策部署，增强了应急事件处理的实时性和有效性。同时，在信息进程化的不断推动下，合理地利用物联网[5]，将预测降雨过程的数据迅速并且实时地展现出来，使预测过程的信息变得动态化和多元化，进一步地帮助气象部门更好地开展雨量计测量的工作。本文根据雨量计误差的特点，结合神经网络等智能算法，设计实验，从北京市7.21暴雨事件实际降雨资料的实验中证明了数据拟合的准确性，为后续进一步探究信息可视化提供了理论基础。同时提出一个结合算法预测雨量在内的智能信息处理系统的关键方案。

1 雨量计原理

1.1 翻斗式雨量计误差来源

当前的翻斗式雨量计传感器内部结构精密，如图1所示,其数据传输及存储在一定程度上能够实现数字化和自动化，例如，磁钢与干簧管配合控制开关闭合向记录仪传输信号，通过自动记录笔记录雨量值。翻斗式雨量计的上翻斗(或下翻斗)在达到感量精度时，进行翻斗计数，此时，磁钢进行一次扫描，使干簧管闭合开关一次，同时送出一次脉冲信号(预先设定好的感量精度)。

图1 翻斗式雨量计内部结构

图2中，下部的传感器部件中主要配有磁钢和干簧管部件。上翻斗(或下翻斗)在翻斗计数的过程中，其翻转角为φ，从φ变为水平0°时，下翻斗(或上翻斗)并没有在接水，此时损失雨量ω。这是翻斗式雨量计仪器不可避免的误差，可以看出翻转次数越多，累积误差将变大。因此，雨强增大，小感量精度的翻斗式雨量计的计量误差也将会变大。

图2 翻斗式雨量计测量雨水工作原理

1.2 降低误差设计

雨强较大时，雨水迅速落入承雨口，加快了每斗水的翻转频率，从而损失雨量ω的次数增加，引起更大的误差。根据此误差的特性，可以增加翻斗面积或增加每斗水重量来降低翻斗的翻转频率，以此达到优化的目的。国外已经率先普及了可称量高积水量(如由0.1mm变为0.2mm和0.5mm)的翻斗式雨量计(美国UNRO生产的R100型雨量计)，并且达到了很好的效果，可以将精度提升2～5倍[6]。

由北京市7.21特大暴雨事件的实际雨量计观测资料的分析可以看到，雨量计的计量感量为0.1mm，是一种小感量的雨量计。根据翻斗式误差特性的分析，尤其在7.21暴雨强度下，其测量精确度势必会降低不少。如图3所示，可以较为直观地看到，在不同时段的雨量会呈现激增和减慢的趋势，如果气象部门在降雨过程中(允许数据有一定时间延迟)观察雨量变化的趋势，能够较早地进行决策部署。

图3 北京市721暴雨事件雨量变化趋势

2 理论与应用

2.1 曲线拟合

通过长期研究函数逼近和曲线拟合[7]、选取了三次样条插值[8]、RBF神经网络[9]、GRNN神经网络[10]三种有效的算法进行降雨数据的拟合。

重点应用GRNN的曲线拟合能力，预测已发生降雨过程中任意一时间点的雨量，辅之以三次样条插值算法和RBF神经网络算法进行对比，从而得到拟合雨量计雨量的最佳算法。

2.2 GRNN模型构建

结合GRNN来探究雨量计感量降雨雨量和时间之间的相互关系，有如下理论推导过程。

预先设定X为雨量变量，Y为时间变量。图4展示了GRNN神经网络的拓扑结构，雨量数据经过输入层、隐含层(模式层和求和层)和输出层的网络计算后将会得到该雨量发生的时间。具体地，可以定义雨量计感量雨量值xi与时间变化量yi的非线性模型为

yi=f(xi)+ε(i)，i=1,2,…,N

(1)

式中f(x)为时间变量yi的预测值；ε(i)为随机误差。雨量变量X的核函数在核空间Rm上满足

(2)

图4 GRNN拓扑结构

另外，f(x)等价于给定雨量的回归值x时yi的条件均值，定义为如下

(3)

式中pY|X(y|x)为时间变量y在输入条件雨量为x下的概率密度函数。而联合概率密度pXY(x,y)与条件概率密度之间的关系如下式

(4)

于是式(3)变为

(5)

(6)

则大Parzen密度估计的联合概率密度函数为

(7)

此时，通过ε=(y-yi)/h换元计算，得到

(8)

最后，将式(6)和式(8)代入式(5)中，得到降雨发生时间的回归值(x)

(9)

2.3 可视化智能处理方案

以互联网为平台的智能信息技术应用于雨量计数据预测中，能够极大地改观当前雨量计应用行业，甚至从一定程度上降低测量误差，使降雨测量过程变得动态、可控。图5给出了雨量计数据可视化的智能信息处理方案。

图5 雨量计数据可视化智能处理方案

2.4 实验设计

根据雨量计测量雨水的特点，探究雨量与时间的变化关系。由于北京市7.21暴雨过程中，雨量计在计量雨水时，每次计量雨量大小均匀且相等。因而，实验在雨量作为因变量的情况下，预测雨量计下一翻斗发生的时间。具体地，采用3类算法完成对翻斗时间的预测：三次样条插值法，RBF神经网络算法和GRNN算法。因获取的雨量计数据有限，对数据处理过程如下：在雨量计感量精度为0.2mm的情况下，选取40组数据，数据每隔1组进行样本抽样操作，用于后续的插值拟合或样本训练，最后剩余数据用于验证预测数据的精度；同样地，在雨量计感量精度为0.4mm的情况下，选取80组数据，每隔4组挑选数据作为样本，剩余数据用于预测精度的检验。

2.5 模型仿真与结论

表1和表2分别为雨量计感量精度由起初的0.1mm分别增至0.2,0.4mm的情形下，预测雨量计下一翻斗发生时间的实验结果。

表1 雨量计感量增至0.2 mm时的预测结果

表2 雨量计感量增至0.4 mm的预测结果

对于上述预测结果，采用标准误差(MSE)和最接近真实值个数(NN)来衡量预测效果，如表3所示。

表3 3种算法预测精度比较

通过表3比较结果，可以看出:GRNN算法较其他2种算法的MSE最低，NN最高，其用于雨量计测量雨量的预测效果最好，而三次样条插值法和RBF神经网络算法的预测效果较为接近。整体来看，3种算法的标准误差范围均在30 s附近，这是由于降雨的随机波动性(激增和突降)造成的，也表明了在对雨量进行预测和拟合的同时，会有一定的偏差性。但是通过表1和表2逐个预测值来看，3类算法均表现出了较强的稳定性。特别地，在翻斗感量增至4倍的实验当中，GRNN的预测速度是RBF神经网络的146倍，显示了GRNN在曲线拟合上的强大优势。

3 结束语

基于对翻斗式雨量计传感器误差的分析，通过三类插值拟合算法对北京市7.21暴雨事件降雨资料设计了实验，结果表明:预测数据具有较强的稳定性，高感量精度的雨量计可以被应用到实际测量雨水当中。并且GRNN算法在预测数据的精度上要明显高于三次样条插值算法和RBF神经网络算法，能够满足预测雨量计称量雨量的实时性，快速性和精确性的要求，适合在气象部门中推广。

此外，给出了雨量计数据可视化的智能信息处理方案，与GRNN算法相结合，可以向气象部门提供丰富的信息可视化，使测量人员动态地观察雨量变化的趋势，甚至挖掘出雨量激增或突降时具备的模式，能够有效地进行预警措施的发布和应急方案的稳步实施。

[1] 李耀宁,陶立新,黄 湘.不同雨量计测值误差分析[J].气象科技,2011,39(5):670-672.

[2] 王展宏.翻斗式雨量计的误差分析与改进[J].水利信息化,2012(4):53-56.

[3] 赵晓利,刘厚智,翁炜霖.四种雨量计观测降水量的对比及相关性[J].广东气象,2009,31(5):49-50.

[4] 江 东,单 薏,刘绪坤,等.函数拟合法力数字传感器的非线性和温度补偿[J].传感器与微系统,2016,35(2):16-18.

[5] 赵志军,沈 强,唐 晖,等.物联网架构和智能信息处理理论与关键技术[J].计算机科学,2011,38(8):1-8.

[6] 杨汉塘.翻斗雨量计动态计量系统误差来源及其改善措施[J].水利信息化,2001(4):20-25.

[7] 丁裕国,刘吉峰,王 冀.气象水文应用马尔科夫链统计模拟[M].气象,2015.

[8] 张富生,王大志,梁军生,等.无线应变采集节点的温漂误差补偿[J].传感器与微系统,2013,32(10):27-29.

[9] 花晓蕾,唐慧强,张红燕,等.基于RBF神经网络的空间插值法在空气质量监测中的应用[J].传感器与微系统,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

国家自然科学基金资助项目(61170268)

TP 302

A

1000—9787(2017)10—0157—04

孙鉴锋(1991-), 男, 博士研究生,研究方向为信号处理, 应用数学，数据挖掘。王建新(1972-), 男, 通讯作者，博士,教授,博士生导师,主要从事应用数学、软件工程、数据挖掘方面的研究工作，E—mail:wangjx@bjfu.edu.cn。