当前世界环境

介绍

雨是水文循环最重要的阶段和生物体的主要要求。它有不同的形式，如雾，雾，毛毛雨，雪，雨夹雪和釉。土壤水分和地下水形式的雨水是在印度等国家的农业生产和社会发展的最重要要求，其中68％的地理位置都受到雨量条件。印度有足够的水量，但降雨的空间分布不均匀，面对洪水和干旱条件是国家的一些地区。在国家的国内生产总值（GDP）和年度降雨量的变化之间，过去已经观察到强大的联系。由于阿拉伯海湾和孟加拉湾的法律压力，印度通过西南季风风收到75％的降雨。印度夏季季风在四个月内分布在四个月内，它的持续时间变化为75至120天西拉贾斯坦邦和南部的国家。西拉贾斯坦邦的空间分布在西拉贾斯坦西部至卡纳塔克沿海地区的500毫米至3798毫米（Amarsinghe和Shrama，¹2009）.Guhathakurta和Rajeevan²(2006)在6月、7月及9月的雨量对年雨量的贡献有下降趋势，而在其他19个分区的8月雨量则有上升趋势。

世界明智的气象组织对其各自地区的天气预报进行了巨大的任务。自适应神经模糊推理系统（ANFIS）是Takagi-Sugeno模糊的推理系统。它适用于神经网络和模糊逻辑原理的集成，并具有两个的优势。Tektas.^3.（2010年）应用ANFIS和ARIMA模型，用于火鸡，伊斯坦布尔的歌词预测。昌施⁴(2012)利用30组气象变量建立了月降水ANFIS模型。Jesadaet al。⁵(2012)采用模块化模糊推理系统(Mod FIS)对泰国东北部地区的月降水数据进行预报。Suthartono开发了自适应神经模糊推理系统(ANFIS)和自回归移动平均(ARIMA)模型等．⁶（2012）预测印度尼西亚Pujon和Wagir的每月降雨。过去的研究表明，ANFIS比统计和ANN模型更好。达斯塔拉尼et al。⁷（2010年）评估ANFIS和ANN用于预测降雨的适用性，并发现ANN和ANFIS模型是提前12个月的12个月内模拟和预测降水量的有效工具。El-Shafie.等⁸（2011）拟提议预测马来西亚的克隆河的降雨量。Chien-Lin Huang等人⁹(2014)结合自适应网络模糊推理系统(ANFIS)检索到的最优模型参数和结构，构建了台风降水预报模型，提前1 ~ 6小时预报降水。Fi-John常et al。^10.（2014）规定，同化降水量分别具有高于0.85和0.72的相关系数分别具有可靠且稳定的降雨预测，分别为一个和两小时降雨预测。本研究将用于准备有关乌代普尔市降雨的稀缺和排水的问题，以及为耕作作物播种的界界的跨越社区。

材料和方法

研究区域

印度拉贾斯坦邦的乌代普尔市位于北纬24°58'，东经73°68'，海拔598米。它属于热带半干旱气候，1979-2013年年平均降雨量为617毫米，2002-12年年平均蒸发皿蒸发量为5.1毫米/天。5月是最热的月份，平均最高气温为39.8°C(2002-12年)，1月是最酷的月份，平均最低气温为4.9°C(2002-2012年)。蒸发皿蒸发量最高的月份为7月10.6毫米/天(2002-2012年)。

数据采集和之前的分析

降雨量及其时空分布取决于许多变量，如压力、温度、风速和风向(luk等．^11.2001）。收集降雨，蒸发，相对湿度，风速，湿灯泡，干泡温度和平均温度数据进行研究。5月25日期间的数据^TH.到10月30日^TH.对1979年至2013年的数据进行了预分析和编制。因此，每个时期的数据总数是153个。采用1979-2008年的数据进行编制和验证，采用2009-13年的数据进行预测和误差检验。

模糊逻辑系统

模糊套

模糊集用于模糊逻辑。在经典集合理论中，元素相对于集合的隶属关系是根据一个清晰的条件(一个元素属于或不属于这个集合)以二进制的形式确定的。模糊集理论允许隶属函数的逐步评估。一个隶属函数可以作为一个指示函数，将某个域的所有元素映射为1或0，就像经典概念中那样。因此，模糊集可以作为经典集理论的一种扩展。

自适应神经模糊推理系统（ANFIS）模型

ANFIS是一种基于Takagi-Sugeno-kang (TSK)的模糊映射算法。ANFIS是一种基于竞争或合作关系的模糊系统并行排列的混合模糊系统。概念ANFIS包括输入输出数据库、模糊系统生成器、模糊推理系统和自适应神经网络五个主要组成部分。该模型中用于映射的模糊推理系统是输入特征到输入隶属函数，²向规则输入成员函数，^3.规则为一组输出特征。⁴输出特性到输出成员函数。⁵输出成员资格函数到单个值输出，或与输出相关的决定。Neuro自适应学习技术提供了模糊建模方法，以获取有关数据集的信息，以解决最佳允许相关的模糊推理系统以获得给定的输入/输出数据的成员函数参数。没有系统的过程来定义隶属函数参数以模糊逻辑可用。建造模糊规则需要定义作为模糊集的原因和后果。人工神经网络（ANN）能够从输入和输出对学习并以交互方式调整到它。通过使用ANN用于自动模糊规则生成和参数优化的学习能力，通过使用ANN的学习能力来消除模糊系统设计中的基本问题。有两种类型的FIS，Mamdani FIS和Sugeno-Takagi FIS。这两个系统在后果参数的定义方面彼此不同。Sugeno FIS的后果参数是衬垫方程，称为“第一阶Sugeno FIS”，或恒定系数，“零阶Sugeno FIS”。本研究中使用的Sugeno型FIS是FIS和自适应神经网络的组合。 The hybrid learning algorithm is used as an optimization method for membership function parameter training. The hybrid method is a combination of least squares estimation with back propagation gradient descent method.

ANFIS架构

ANFIS是一种功能相当于模糊推理系统的自适应网络，称为“自适应神经-模糊推理系统”。ANFIS采用Takagi-Sugeno型模糊推理系统。输入变量加上常数项的线性组合将是每条规则的输出。每个规则输出的加权平均值就是最终输出。图1所示的ANFIS基本结构有两个输入X和Y和一个输出f，如图2所示。规则库中包含两个Takagi-Sugeno if-then规则，如下所示

图1 ANFIS的基本结构 点击此处查看数字

图2:一个两输入的一阶Sugeno-fuzzy模型 点击此处查看数字

以下描述相同图层中的节点函数：

第1层：此图层中的每个节点I都是具有节点功能的方形节点。

其中x是节点的输入我,我是(或我−2B)是与该节点相关联的语言标签（例如“小”或“大”）。换句话说，o₁，_我是模糊集的隶属度等级吗一个它指定给定输入x满足量词的程度一个．的成员函数一个可以是任何合适的隶属函数，如三角函数或高斯函数。当隶属函数的参数发生变化时，所选的隶属函数也会发生相应的变化，从而使模糊集的隶属函数表现出多种形式一个．此图层中的参数称为“前提参数”。

第2层:该层中的每个节点都是标记为II的固定节点，其输出为所有输入信号的乘积。

模糊规则的触发强度由每个节点表示

第3层：此图层中的每个节点是标记为n的固定节点。通过I的所有规则的触发强度的总和的规则触发强度的比率由I计算^TH.节点。

这一层给出了所谓的“正火强度”。

第4层：该层中的每个节点I都是具有节点功能的自适应节点。

在哪里，W^-_t是来自第3层和{p的归一化发射强度_我,问_我, r_我}是该节点的参数集。这一层的参数称为“后续参数”。

第5层：该层中的单个节点是标记为σ的固定节点，作为所有传入信号的求和的总输出由该节点计算。

这一层称为输出节点，其中单个节点通过对所有输入信号的求和来计算总体输出，这是ANFIS的最后一步。因此，网络逐层向输入向量提供信息。

ANFIS模型的开发

Case I和Case II分别以前一天和之前移动平均周的湿球温度、平均温度、相对湿度和蒸发四个天气参数作为输入参数。目前的降雨量对这两种情况都有影响。对病例I和病例II生成了四个ANFIS模型。将湿球温度、平均温度、相对湿度和蒸发的观测值用Tw表示_我,我T_我,我，RH._我,我和E_我,我分别对j^TH.我的一天^TH.年（i = 1,2，......，m和j = 1,2，...，n）。

模型的功能形式可以给出为

P_我,我＝f(T_{Wi, j - 1}T_{j - 1,我}RH._我，j-1E_我，j-1) .....................( 6)

敏感性分析

对ANFIS（高斯，5）进行敏感性分析，以通过将天气参数逐一添加和移除天气参数来确定用于降雨预测的大多数和更少的明智的天气参数。随后是制定和验证模型。用于敏感性分析模型的统计指标。

模型的性能和评价

通过对期望降雨量和预测值的图形比较，采用目视观测对模型的性能进行评价。还确定了统计和水文指标，以检验拟合优度，以便与预期的降雨量进行比较。

结果与讨论

对比较研究降雨预测模型和最佳适合模型的比较研究降雨预测模型及敏感性分析提出了结果和讨论。

ANFIS模型制定的比较研究

Gausian，2，广义贝尔，4，高斯，5和广义钟，分别为案例I和案例II配制了3种型号。如图3所示的定量性能进行了视觉观察，从2009到2013年的测试年度的各个模型。可以从图4中观察到。图3至图3。7模型在观察和预测的降雨价值之间表现出密切。

图3:ANFIS的观测及预测日雨量 测试期间的模型（高斯2）（2009-13）。 点击此处查看数字

图4:ANFIS的观测及预测日雨量 模型(广义钟，4)在测试期间(2009-13)。 点击此处查看数字

图5：观察和预测ANFI的每日降雨 模型(高斯，5)在测试期间(2009-13)。 点击此处查看数字

图6：观察和预测ANFI的每日降雨 模型(高斯，5)在测试期间(2009-13)。 点击此处查看数字

图7:灵敏度的表现 分析ANFIS(高斯，5)。 点击此处查看数字

分别计算Case I和Case II用于训练和测试的相关系数(CC)、均方误差(MSE)、归一化均方误差(NMSE)、百分比误差(% Error)等统计指标和体积误差(EV)、系数效率(CE)等水文指标，如表1所示。结果表明:高斯2优于广义钟，情形I为4，高斯5优于广义钟，情形II为2。结果表明，高斯隶属函数的性能优于广义钟形隶属函数。由表可知，ANFIS模型(高斯，5)在CC、MSE、AIC、% Error、CE、EV分别为0.002、0.36、0.87、-4674、30.27、82.30、8.75的四种模型中表现较好。相关系数(Correlation Coefficient, CC)表示降雨期望与预测值之间的相关性。其他统计指标也表明ANFIS(高斯，5)在四个选定模型中表现较好。Case II的ANFIS模型Gaussian, 5和Generalised bell, 2的性能优于Case I的Gaussian, 2和Generalised bell, 4，说明准备数据集的方式在模型的制定中也起着重要的作用，降雨预报依赖于长期天气。

表1:Anfis模型在培训和测试期间的绩效评价

（G-BELL：广义贝尔，高斯：高斯）

敏感性

敏感性分析有助于确定有关天气参数的敏感性，以发展降雨预报模型。对不同统计指标CC、MSE、NMSE、% Error和AIC值进行分析，结果如图7所示。从图7中可以清楚地看出，对于建立降雨量预报模型，湿球温度是最敏感的天气参数，其次是平均温度、相对湿度和蒸发量。

在印度拉贾斯坦邦的乌代普尔市，有几个ANFIS模型进行了降雨预报。对于发展非线性关系，高斯隶属函数和广义钟形隶属函数等价。这里ANFIS(高斯，5)给出了乌代普尔市在所有可接受的统计指标范围内的最佳结果。

参考文献

1. Amarsinghe，U.和Sharma，B.印度食品谷物的水PS生产率：探索潜在的改进。印度国家河流联系项目（NRLP）的战略分析，4：13-54，（2009）。
2. Guhathakurta, P.和Rajeevan, M.在印度的降雨模式趋势，NCC研究报告国家气候中心办公室的气象(研究)，印度气象部门，(2006)。
3. 使用ANFIS和ARIMA模式进行天气预报。环境研究、工程与管理。51:5-10,(2010)。
4. 基于神经模糊模型的月降水预测。水资源管理26:4467 - 4483(2012)。
5. 陈志强，陈志强，陈志强，等。基于模糊推理系统的泰国东北地区降水预测研究。计算机工程与应用，2012,29(5):527 - 534。
6. Suthartono, Faulina R.， Lusia, D.A, Otok, B.W.， Sutikno, Kuswanto, H.，基于anfi - arima的集合方法的降雨预测。科学、商业和工程统计(ICSSBE)，国际会议，978-1-4673-1581-4，（2012）。
7. ANN和ANFIS模型在重建缺失流数据中的应用。环境监测评估,166：421-434，（2010）。
8. El-Shafie A.，Jaafer O.和Seyed A.基于Adaptive神经模糊推理系统的Klang River，Malaysia，国际物理科学杂志， 6(12): 2875-2888，(2011)。

9. 黄建林，徐年生，魏志强，李春文。基于人工智能的自适应网络模糊推理系统的参数和结构反演，气象进展，2015:1-22，(2014)。
10. 昌，日元明蒋，孟颂蔡，明昌谢，科罗林·苏氏，索洛豪索。流域降雨预测使用神经模糊网络与多传感器信息的同化，水文杂志，508：374-384，（2014）。
11. Luk，K.C.，Ball，J.E.and Sharma A.一种人工神经网络降雨预测。数学和计算机建模，33:883 - 699(2001)。