?基于小波神经网络的河南省农业气候资源年-季尺度预测模型研究

【作者】 吴宇杰； 胡成达； 方文松； 马青荣；

【机构】 中国气象局/河南省农业气象保障与应用技术重点开放实验室； 河南省气象科学研究所；

【摘要】 当前随着全球气候变化加剧,极端天气事件(如干旱、洪涝、冻害)频发,精准的农业气候预测对保障粮食安全、提高农业可持续性至关重要。小波分析法是一种新时频分析方法,继承和发展了短时傅里叶变换的局部化思想,能聚焦于序列的任何细节,并能自动适应时频信号分析的要求。小波神经网络则在人工智能的基础上结合小波转换法对时间序列的预测方法,其充分继承了小波变换良好的时频局部化性质、神经网络的自我学习功能和极强的非线性能力等优点,可以对农业气候资源进行准确预测。本文通过小波分析法对河南地区过去61年(1964-2024)的农业气候特征进行分析,发现温度变化整体呈现出了上升趋势,特别是在1994年之后,温度增长率达到了0.98℃/10a,同时温度的变化也具有较强的周期性,通过不同的细节特征也发现了不同的周期特征。降水的年变化整体呈现出周期性波动趋势,在某些年份降水量会呈现极值,但整体变化不大,较为稳定。日照的变化呈现出先降低后升高的趋势,期间小周期性的变化也比较频繁。相对湿度的变化则呈现平稳随后略微降低的趋势,但其中存在着不同程度的周期的小波动,同时伴随着不一致的震动幅度。由于河南地区属于季风型气候,各种季节尺度的特征变化,都呈现出了明显的周期性,其中各气候因素中的近似特征变量与年尺度的较为一致。在小波神经网络算法获得的2015-2024年的气候特征中,温度的预测结果最为准确,其次是年降水量以及相对湿度,日照时数则相对误差值最高,但在预测结果中可以发现,对趋势的预测较为准确。在对季节尺度值进行预测中,相对误差明显升高,但同样的,周期性特征有较好的表现,并且对每一季度的值也都可以较好的预测,例如温度是第三季度高于第二季度,降水也是第三季度高于第二季度,这种季度间的关系也都可以很好的表现。在对未来10年(2025-2034)的农业气候资源进行预测,发现预测结果合理,变化趋势能对接前60年。例如对温度的预测则同样是表现在升高趋势,在未来10年中温度则明显升高,在2034年达到了年平均温度18.4℃。综上,气候预测在农业气象中发挥着不可替代的作用,从短期生产管理到长期气候适应均具有重要价值。尽管小波神经网络算法仍存在不确定性,但通过算法改良、技术进步、农业数据建设,其应用潜力将可以进一步释放。更多还原