[发明专利]一种基于PSR-PCA-SVR的自动气象站实时气温质量控制方法

说明书

本发明公开了一种基于PSR‑PCA‑SVR的自动气象站实时气温质量控制方法，首先对单站实时气温及定长历史气温序列进行采集；然后对采集的序列做基本的质量控制；接着进行PSR，并对重构得到的高维分量进行PCA，得到原时间序列在高维空间中的具有全局特征的无偏分量信号；最后，通过SVR构建时间序列采集信号的重构模型，得到去噪、降维后的气温重建值，并根据此重建值与实际观测值比较进行条件修正，完成对该时刻气温的质量控制。该方法在基本质量控制方法的基础上弥补了目前质量控制方法不能消除随机噪声、系统噪声、微气象噪声的缺点；在传统神经网络重建基础上融入主特征提取环节，增加了重建模型的泛化性能，提高了实时自动气象站观测数据的质量。

技术领域

本发明涉及一种对自动气象站实时采集气温数据的质量控制方法，特别涉及一种基于PSR-PCA-SVR的自动气象站实时气温质量控制方法，属于自动气象站实时采集数据的质量控制领域。

背景技术

地面气象观测资料的质量对数值天气预报等气候气象研究具有重要的影响。近年来，随着我国经济的发展，地面气象观测站数量也随之增多，这样一方面能够获得更全面的观测资料，另一方面由于观测站中各传感器抗干扰能力的差异性，会导致观测资料中出现系统误差、随机误差、甚至是粗大误差，从而影响地面气象观测资料的质量，对气候研究以及数值天气预报的精度产生影响。因此，需要对地面气象观测资料进行质量控制。我国现有的三级质量控制业务从台站级的基本控制到数据中心的综合控制，从内部一致性到时空一致性的控制，可以有效地提高数据的质量，但是这其中的随机误差和微气象误差较难甄别，而这会影响自动气象站观测数据的质量。

传统基于相空间重构和机器学习算法的实时质量控制法，是根据历史观测数据在高维空间与对应气温的映射关系完成对气温的重建，进而达到质量控制的目的。这种方法忽视了历史气温数据在高维矢量空间中冗余信息的存在，即高维矢量空间独立信号的特征提取，也未考虑冗余信息对重构模型泛化性能的影响，这是传统基于相空间重构和机器学习算法的质控方法的不足之处。

发明内容

本发明所要解决的技术问题是提供一种基于相空间重构(PSR)、主成分分析(PCA)和支持向量回归机(SVR)相结合的自动气象站实时气温质量控制方法，解决了目前质量控制方法不能消除随机误差、系统误差、微气象误差的问题，提高了自动气象站实时观测气温的质量。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于PSR-PCA-SVR的自动气象站实时气温质量控制方法，包括以下步骤：

步骤1，采集被检站的被检时刻的观测气温以及该被检时刻前的n-1个时刻的观测气温，该被检时刻及其前的n-1个时刻的观测气温构成历史气温序列；

步骤2，对历史气温序列进行基本质量控制，得到气温时间序列；其中，基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查和空间一致性检查；

步骤3，对步骤2得到的气温时间序列进行相空间重构，得到高维分量时间序列；

步骤4，对步骤3中得到的高维分量时间序列进行主成分分析，得到主成分分量；

步骤5，根据步骤4得到的主成分分量与步骤2中气温时间序列，将步骤4中的第i个主成分分量与气温时间序列中第i+1个气温进行映射，构成映射样本集，其中，i＝1,2,…,N，N为每个高维分量的长度；

步骤6，利用步骤5构建的映射样本集中的前N-1个映射样本进行SVR训练，得到气温重建模型；

步骤7，在步骤6中的气温重建模型中输入第N个映射样本中的主成分分量，得到被检时刻气温的重建值；