[发明专利]一种气象数据缺失插补方法和系统

说明书

本发明涉及气象监测技术领域，尤其涉及一种气象数据缺失插补方法和系统，其特征在于：所述插补方法首先对气象数据进行主成分分析，主成分分析后的数据构建ELM神经网络，并采用小生境思维进化算法优化极限学习机，构建NMEA‑ELM预测模型，以气象数据中的指标参数作为预测模型输入量，以缺失气象数据作为输出数据，完成缺失气象数据的插补。本发明插补数据精度更高，更有效，提高自动气象站数据的准确性和完整性。

技术领域

本发明涉及气象监测技术领域，尤其涉及一种气象数据缺失插补方法和系统。

背景技术

气象观测资料是天气预报、气候分析、气象研究的重要依据，因此，自动气象站数据的准确性、完整性显得尤为重要；由于受野外环境干扰、传感器设备故障等影响，短时期内数据的缺失遗漏难免发生，对资料的可用性及后续深入研究产生影响；

目前，国内对缺失气象数据插补研究主要集中在空间插补方法上，即气象资料的插补根据地域内气象站的数量、区域空间分布和特定的气象要素等具体情况进行计算，当局部区域内没有气象站或周边气象站数据也缺失的情况下，此种方法显然无法实现插补。

发明内容

本发明的目的是为了提供一种气象数据缺失插补方法和系统，采用小生境思维进化算法优化极限学习机方法对缺失气象数据进行插补，准确性高。

为解决以上技术问题，本发明的技术方案为：一种气象数据缺失插补方法，其步骤包括：

步骤1)：产生训练集和测试集，进行主成分分析，具体为：

步骤1.1)：原始数据进行标准化处理，得到标准矩阵，即：

式中，i＝1,2,...,N；j＝1,2,...,m；其中，m表示对象特征总数，N表示数据个数，即采集了m个对象特征，每个对象特征有N个数据；s_j分别为指标变量x_j的均值和方差；指标包括温度、湿度、气压、风向、光照、二氧化碳含量和风速；

步骤1.2)：使用主成分分析法计算主成分贡献率及累计贡献率：

利用降维的方法将多个指标转换为少量相互不相关的指标，从而简化模型；

设原变量X₁,X₂,X₃,…X_m分别表示各对象的特征，用N×m矩阵表示，则，

计算特征值和特征向量

R＝X^*TX^*/(N-1) (3)

式中，R为自相关矩阵，X^*T为矩阵转置，X^*为标准化后的数据矩阵；求得相关矩阵的特征值λ₁,λ₂,…λ_m和相应的特征向量u₁,u₂,…u_m；

计算主成分贡献率和累计贡献率

主成分贡献率：

累计贡献率：

步骤1.3)：确定主成分个数和主成分矩阵；

选取前p(p﹤m)个主成分，使累计方差贡献率满足预设贡献率阈值范围，m个原始变量中的信息就由选取的p个主成分来替代，主成分个数因此即为p；