一種區域降水預測的時空集成模型

馬宇紅 薛生倩 王小小 路金葉

DOI：10.16783/j.cnki.nwnuz.2024.03.012

收稿日期：2023-12-05;修改稿收到日期：2024-03-12

基金項目：國家自然科學基金資助項目（51368055）

作者簡介：馬宇紅（1971—），男，甘肅天水人，副編審，博士.主要研究方向為時空序列數據建模和預測.

E-mail：mayh@nwnu.edu.cn

摘要：提出了一種融合多種深度學習方法的時空預測集成模型LSTM-ARIMA-SARIMA-BP-CNN（簡稱LASBC模型），其中ARIMA模型捕捉降水時間序列的近鄰性，SARIMA模型捕捉周期性，BP神經網絡揭示降水分布的時空相關性，CNN挖掘氣象、地理因素對降水的影響，最后通過LSTM網絡對4個模型的預測結果進行融合，提高預測精度.以中國西部地區12個城市1985年1月至2021年12月的月降水量數據為主，應用LASBC模型對12個城市的月降水量進行預測，結果顯示：LASBC模型的預測精度顯著提高；基于預測月降水量，給出了6個主要城市未來10年氣候偏干旱或濕潤的月份及降水量；未來10年，我國西北干旱區年均降水基本保持穩定，高寒凍土區略有增加，西南濕潤區增長趨勢明顯.

關鍵詞：降水分布；時空預測；機器學習；集成模型；時空相關性

中圖分類號：TP 391.42;R 742.5??? 文獻標志碼：A??? 文章編號：1001-988Ⅹ（2024）03-0105-10

A spatiotemporal integrated model for

regional precipitation prediction

MA Yu-hong1，2，XUE Sheng-qian1，WANG Xiao-xiao1，LU Jin-ye1

（1.College of Mathematics and Statistics，Northwest Normal University，Lanzhou 730070，Gansu，China;

2.Editorial Department of the University Journal，Northwest Normal University，Lanzhou 730070，Gansu，China）

Abstract：A spatiotemporal prediction model LSTM-ARIMA-SARIMA-BP-CNN（LASBC） for regional precipitation is proposed，which integrates multiple deep learning methods.Among them，ARIMA model captures the time-neighbor correlation of precipitation time series，SARIMA model captures the periodic trend of precipitation time series，BP neural network reveals the spatiotemporal correlation of precipitation distribution，CNN network excavates the influence of meteorological and geographical factors on precipitation，and finally，LSTM network is used to fuses the prediction results of the four models so as to improve the prediction accuracy.Based on the monthly precipitation data of major cities in western China from January 1985 to December 2021，the LASBC model is used to forecast the monthly precipitation of 12 cities in western China.The results show that the prediction accuracy of the LASBC model is greatly improved;the predicting months and precipitations for six major cities with a slightly arid or humid climate in the next 10 years are given

based on? the predicted monthly precipitation;in the next ten years the annual average precipitation in the northwest

arid region has remained stable，with a slight increase in the high-altitude permafrost region and a significant growth trend in the southwest humid region.

Key words：precipitation distribution;spatiotemporal prediction;machine learning;integration model;spatiotemporal correlation

眾所周知，一個地區降水量的時空分布嚴重影響著人們生產生活的各個方面.我國西部地區地域遼闊，地形復雜，屬于典型的溫帶大陸性氣候和高原山地氣候，降水空間分布極不均勻，局地差異大；降水量按季度、按月度分布很不平衡，冬季干旱少雨，夏季水量充沛.降水的時空不均衡嚴重影響區域生態環境及經濟發展，所以挖掘區域降水數據的時空分布規律，準確預測未來降水的時空分布對于高效利用降水改善生態環境、發展區域經濟及預防地質災害都具有重要的現實意義.

1? 研究綜述

降水預測模型通常分為5類：物理模型、統計模型、機器學習模型、深度學習模型和集成學習模型，物理模型也稱為過程模型，它需要考慮影響降水的各種氣象因素，通過模擬降水的物理過程對降水進行預測，統計模型、機器學習模型、深度學習模型和集成學習模型統稱為數據驅動模型，它通過挖掘蘊含在降水歷史數據中的內在規律和演化趨勢對降水的時空分布和強度進行預測.

物理模型根據空氣動力學和熱力學原理揭示降水過程中各種氣象因素對降水分布及強度的影響.2004年，陳菊英等［1］通過集成多種降水前兆敏感因子，建立了海河流域汛期降水的多級預報物理模型；馬振鋒等［2］根據四川盆地固有的三類降水分布特征，建立了一種預測川渝地區汛期降水量的物理模型.物理模型雖然對降水的物理過程和各種氣象因素的影響解釋清晰，預測精度高，但物理模型的建立需要大量專業的氣象知識，且很容易受到各種突發性隨機因素的干擾.

統計模型主要通過對歷史降水數據的統計分析建立回歸方程進行預測，當前最流行的統計模型是差分自回歸移動平均（Auto-Regressive Integrated Moving Average， ARIMA）模型.胡盈等［3］利用江西省 16 個氣象站點逐月降水量數據建立 ARIMA 模型，并對 2020—2021 年的逐月降水量進行預測；Coban等［4］基于ARIMA模型對土耳其馬爾馬拉地區的降水進行預測；Nayagam等［5］通過線性回歸模型對印度喀拉拉邦夏季降水進行預測；Huang等［6］提出了一種年際增量結合經驗正交分解的統計預測方法；Wang等［7］采用經驗正交函數和旋轉經驗正交函數分析了1960—2010年我國降水的時空分布特征及演化規律.統計模型簡單直觀，當降水時間序列是線性或接近線性時，統計模型能產生令人滿意的預測結果，但當時間序列呈現非線性時預測精度往往差強人意.

機器學習模型通過模擬人腦的工作方式，自動學習和提取降水數據的特征進行預測.機器學習模型具有較強的自適應性和學習能力，能夠處理非線性和非平穩的數據，但需要大量的訓練數據和計算資源.近來，Chau等［8］結合奇異譜分析（Singular Spectrum Analysis， SSA）和支持向量回歸（Support Vector Regression， SVR）實現了巴基斯坦3類農業帶的月降水預測；Hartigan等［9］使用隨機森林（Random Forest， RF）和SVR對悉尼流域的降水和氣溫進行預測；Xiang 等［10］利用決策樹（Decision Tree， DT）和RF對重慶市的夏季降水進行預測；Rostam等［11］通過多層感知器探索伊朗首都德黑蘭大尺度氣候指數與降水之間的聯系；Lu等［12］通過具有不同核函數的支持向量機（Support Vector Machine， SVM）預測廣西地區的月降水量；Kisi等［13］結合離散小波變換（Discrete Wavelet Transform， DWT）和SVM對土耳其伊茲密爾和阿菲永站的日降水量進行預測.

深度學習模型是神經網絡模型的擴展，它通過增加網絡深度和寬度處理更為復雜的數據.降水數據通常具有時空依賴性、大規模和高維度屬性，深度學習模型不僅適應于大規模數據建模，而且能夠自動捕獲數據的時空依賴性，所以廣泛應用于時空數據建模與預測.典型的深度學習模型有卷積神經網絡（Convolutional Neural Network，CNN）、深度置信網絡（Deep Belief Networks， DBN）和堆棧自編碼網絡（Stacked Auto-Encoder Network， SAEN）.Luc等［14］使用多層前饋神經網絡（Multi-Layer Feed-forward Network， MLFN）、偏循環神經網絡和時間延遲神經網絡對悉尼帕拉馬塔河流域10次暴雨事件的降水量進行預測；Baratta等［15］結合MLFN和SSA對意大利臺伯河流域的日降水量進行預測；Nasseri等［16］將遺傳算法與ANN相結合，對悉尼帕拉馬塔河流域上游降水進行短期預測；LI等［17］基于BP神經網絡對浙江北部夏季降水量進行預測；Shi等［18］提出了一種基于CNN的降水預測方法；Du等［19］成功地將DBN模型應用到天氣降水預測研究中；Ha等［20］使用DBN提高了韓國首爾地區降水和溫度等的預測精度；Tao等［21］結合Atrous小波變換建立了一個具有注意機制的多尺度長短期記憶（Multiscale Long-Short Term Memory， MLSTM）神經網絡，并對長江流域129個監測站月降水量的預報精度進行改進；Misra等［22］提出了基于LSTM的循環神經網絡模型，并利用印度馬哈納迪盆地的降水數據和加拿大坎貝爾河流域的降水數據測試了模型的可靠性.

集成學習模型可以對多種預測模型進行融合，如將統計模型和物理模型進行加權融合，或對多個深度學習模型集成優化.多模式集成預測是一種信息后處理技術，它通過綜合不同方面的信息或各有所長的建模方法有效改善模型的預測精度.近來，Wu等［23］建立了一種混和深度學習模型預測具有時空依賴的區域O3和NO2的濃度；Ding等［24］結合時空建模和多尺度網絡預測城市出租車的需求；Yu等［25］建立了基于集成深度圖注意強化學習網絡的多因素驅動時空風電預測模型.

受集成學習方法的啟發，本文根據降水數據的高度時空依賴性和外在氣象因素的強關聯性，首先通過ARIMA模型、季節性ARIMA模型（SARIMA）、BP神經網絡和CNN分別對某區域的降水進行預測，然后再通過LSTM 對4種模型的預測結果進行融合，建立了一種深度學習集成預測模型LSTM-ARIMA-SARIMA-BP-CNN（簡稱LASBC模型），其中 ARIMA模型和SARIMA模型分別捕捉降水的時間近鄰性和周期性，BP神經網絡模型挖掘降水數據的時空相關性，CNN模型揭示外在的氣象和地理因素對降水的影響.以中國西部地區12個城市1985年1月至2021年12月的月降水量數據為主，結合當月平均溫度、相對濕度、日照時數等氣象因素以及經度、緯度、海拔高度等地理數據，應用LASBC模型對西部12個主要城市的月降水量進行預測，結果顯示：與4個單一預測模型相比，新模型的預測精度大幅提高；基于預測月降水量，給出了6個主要城市未來10年氣候偏干旱或濕潤的月份及相應的降水量；分析每5年的年均降水量可知，未來10年我國西北干旱區降水量基本穩定，高寒凍土區略有增加，西南濕潤區增長明顯.

2? 模型與方法

2.1? 時空序列模式

2.1.1? 時間的近鄰性和周期性? 一般而言，事物的發展變化在時間上具有近鄰相關性，時間越接近狀態越相似，時間近鄰預測就是用時間序列連續的前n個值去預測當前值；時間序列的周期性刻畫了事物發展的周期性變化，如月亮的圓缺和河水潮汐的變化明顯以月為周期，所以第t天的變化不僅與前n天的變化密切相關，而且與其上個月、上上個月相鄰日期的變化高度相似.

時空序列的時間近鄰模式和周期模式可以表述為

TCs，t～（xs，t-n，xs，t-（n-1），…，xs，t-2，xs，t-1），

TPs，t～（xs，t-n·T，xs，t-（n-1）·T，…，xs，t-2·T，xs，t-1·T），

其中s為數據監測點，t為當前時刻，n是歷史時間滯后期，即用監測站s前n個時刻的值預測當前時刻的值，T是時間序列的周期；TC代表時間近鄰模式，TP代表時間周期模式.所以時間近鄰預測和時間周期預測分別表達為

TCs，t=fTCs（xs，t-n，xs，t-（n-1），…，xs，t-2，xs，t-1），

TPs，t=fTPs（xs，t-n·T，xs，t-（n-1）·T，…，

xs，t-2·T，xs，t-1·T）.

2.1.2? 時空的近鄰性? 根據地理學第一定律，任何地理事物在時間和空間上都是高度依賴的，時間越接近狀態越相似，空間越接近屬性越相似.時空預測就是用事物所有近鄰前n個時刻的狀態或屬性去推斷其當前的狀態或屬性.以B（s，r）表示以s為中心、r為半徑的鄰域，記

Γs={1≤i≤S：i∈B（s，r）}={s1，s2，…，sk}

為監測點s在其r鄰域內所有近鄰點的集合，因為監測點s在t時刻的預測值STs，t與其所有k個近鄰前n個時刻的值相關，所以對空序列的時空相關模式可以表述為

STs，t～（xs1，t-n，xs1，t-（n-1），…，xs1，t-1，…，

xsk，t-n，xsk，t-（n-1），…，xsk，t-1），

其中si（1≤i≤k）為監測點s的第i個近鄰，ST代表時空近鄰模式.所以時空近鄰預測表達為

STs，t=fSTs（xs1，t-n，xs1，t-（n-1），…，xs1，t-1，…，

xsk，t-n，xsk，t-（n-1），…，xsk，t-1）.

2.1.3? 外在因素相關性? 任何事物都不是孤立存在的，其發展變化必然受環境因素的影響，當前狀態或屬性與許多特定因素具有很強的相關性，如一地某時刻的空氣質量不僅受到該地前n個時刻風速、風向、溫度、濕度等氣象因素的影響，也受到地形及人類活動的影響.所以外在因素相關性模式可以表述為

FCs，t～（y1s，t-n，y1s，t-（n-1），…，y1s，t-1…，

yms，t-n，yms，t-（n-1），…，yms，t-1），

其中FC代表因素相關，m代表相關因子數，n代表時間滯后期.所以外在因素相關的預測可以表述為

FCs，t=fFCs（y1s，t-n，y1s，t-（n-1），…，y1s，t-1…，

yms，t-n，yms，t-（n-1），…，yms，t-1）.

2.2? 基礎模型

2.2.1? ARIMA和SARIMA模型? ARIMA模型是20世紀70年代Box和Jenkins提出的一種時間序列預測方法［26］.在ARIMA（p，d，q）模型中，AR為自回歸項，MA為滑動平均項；p為自回歸階數，q為滑動平均階數，d為使時間序列成為平穩序列所做的差分次數（階數）.一般地，d=0的ARIMA（p，d，q）模型表示為

t=c+∑pi=1φiXt-i+∑qj=1θjεt-j+εt，

其中φi（1≤i≤p）和θj（1≤j≤q）為不全為零的待定系數；εt為獨立的誤差項；Xt為平穩、正態、零均值的時間序列.ARIMA模型簡單，但缺點是要求時間序列數據是平穩的或者差分后是平穩的，并且其只能捕捉時間序列數據的線性關系而不能捕捉非線性關系.SARIMA模型主要處理具有明顯周期性的時間序列.如果時間序列數據是一個非平穩時間序列，并且在大尺度上存在明顯的周期性，則需要先對時間序列進行周期差分，然后再進行若干次趨勢差分，使之成為平穩時間序列然后才能應用ARIMA模型.

平穩時間序列的均值和協方差不隨時間變化，數據序列的平穩性一般使用ADF檢驗和KPSS檢驗來判斷.ADF檢驗是一種基于單位根檢驗的平穩性檢驗方法，如果ADF統計量小于對應的臨界值，且P值小于顯著性水平，則認為時間序列是平穩的；KPSS檢驗與ADF檢驗相反，它假設時間序列是平穩的，然后通過KPSS統計量來檢驗這個假設，如果KPSS統計量小于對應的臨界值，且P值小于顯著性水平，則時間序列是平穩的.

2.2.2? BP神經網絡? BP（Back Propagation）神經網絡是1986年Mcclleland等［27］建立的一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，它的基本思想是利用梯度下降法使網絡的實際輸出值和期望輸出值之間的均方誤差最小.BP神經網絡在輸入層與輸出層之間增加了若干隱含層神經元，神經元狀態的改變影響輸入與輸出之間的關系.BP神經網絡由正向計算過程和反向計算過程組成，正向傳播過程從輸入層經過隱含層逐層處理，并轉向輸出層，每一層神經元的狀態只影響下一層神經元的狀態；如果輸出層不能得到預期輸出，則將誤差沿原路反向傳播，通過修改各神經元的權值使得輸出誤差最小.

2.2.3? 卷積神經網絡（CNN）? CNN是一類包含卷積操作且具有深度結構的前饋神經網絡，其研究始于20世紀80～90年代，時間延遲網絡和LeNet-5是最早出現的卷積神經網絡［28］.CNN既具有良好的特征提取能力，又具有較強的辨別能力，因此在機器學習系統中主要用于特征提取和分類.經典的CNN結構由卷積層和池化層交替疊加組成，最后由全連接層輸出.首先，數據在卷積層和若干個卷積核進行卷積操作，提取輸入特征；然后，池化層對卷積層提取的特征進行選擇，池化操作有助于特征的組合；最后，全連接層進行擬合，減少特征信息的損失.

2.3.4? 長短期記憶網絡（LSTM）? LSTM網絡是一種具有獨特三門結構的循環神經網絡［29］，遺忘門決定網絡對上一層輸入的保留程度，輸入門決定網絡對新輸入的保留程度，輸出門決定網絡對輸出的保留程度.LSTM的這種門結構不僅可以控制信息流的走向，而且可以防止循環神經網絡長時間依賴上的梯度消失或梯度爆炸現象，特別適合處理間隔較長的時間序列.

2.3? 集成模型結構

一個地區所在的海陸位置、地形、氣壓、風

帶、洋流、太陽黑子以及人類活動對降水均有很大影響，所以降水序列數據具有特殊的時空結構特征.為了綜合考慮影響降水的各種氣象因素及地理因素，并充分發掘蘊含在歷史降水數據中的內在規律，提高降水預測精度，本文建立一個多模型集成學習預測模型LASBC，其中ARIMA模型捕捉降水時間序列的近鄰性特證，SARIMA模型捕捉周期性特征，BP神經網絡模型挖掘時空相關性，CNN揭示氣象和地理因素在時間和空間維度上對降水的影響，最后，4個子模型的預測結果再由LSTM模型進行融合，得到更高精度的預測結果.

LASBC集成學習模型的基本思想為

s，t=fs（TCs，t，TPs，t，STs，t，FCs，t），

其中TCs，t，TPs，t，STs，t，FCs，t分別是ARIMA、SARIMA、CP和CNN 模型的預測結果，集成學習模型的整體流程與結構如圖1所示.

2.4? 性能評估指標

使用平均絕對誤差（MAE）、均方誤差（MSE）、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）4個指標對模型的預測性能進行評價，其定義分別為

MAE=1n∑ni=1｜i-xi｜，

MSE=1n∑ni=1（i-xi）2，

RMSE=1n∑ni=1（i-xi）2，

MAPE=1n∑ni=1｜（i-xi）/xi｜·100%，

其中，n為數據的個數，xi表示第i個數據的真實值，i表示所有第i個數據的預測值.評價指標的值越接近于0，模型預測精度越高.

3? 應用分析

3.1? 數據集介紹

我國西部地區屬于典型的溫帶大陸性氣候和高原山地氣候，在氣候上可以分為高寒凍土區、西北干旱區和西南濕潤區3個區域，降水在時間分布上具有明顯季節性，夏季降水豐沛，冬季降水稀少；降水量空間分布極為不均，總體表現為從東南向西北逐步減少.西部地區地域廣闊、城市眾多，我們選取氣象、地理數據及降水監測數據相對完整的12個省會城市西安、銀川、蘭州、西寧、烏魯木齊、成都、重慶、拉薩、昆明、貴陽、南寧、呼和浩特作為研究對象，數據集為12個城市1985年1月到2021年12月共37年的月降水量數據，以及每月的平均溫度、相對濕度、日照時數等氣象數據和城市經度、緯度、海拔高度等地理數據，數據整理自《中國氣象統計年鑒》（1985—2021）及中國氣象網.

為了直觀展示各模型的預測精度，我們選取高寒凍土區的拉薩和西寧、西北干旱區的烏魯木齊和西安、西南濕潤區的重慶和南寧6個主要城市進行對比，以1985年1月至2016年12月的數據為訓練集，2017年1月至2021年12月的數據為測試集，并對2022年1月至2031年12月各城市的降水進行前瞻性預測.

3.2? 模型參數設置

6個主要城市：拉薩、西寧、烏魯木齊、西安、重慶、南寧的降水量數據先做一次周期差分，再做一次趨勢差分后經檢驗成為平穩時間序列，最后通過AIC和BIC準則確定最優的自回歸階數p和滑動平均階數q，得到6個城市對應的ARIMA模型分別為ARIMA（2，1，4），ARIMA（3，1，4），ARIMA（3，1，2），ARIMA（4，1，4），ARIMA（4，1，4）和ARIMA（3，1，2）.BP神經網絡為4層結構，輸入層4個神經元（時間滯后期n=4），第一隱層30個神經元，第二隱層10個神經元，輸出層1個神經元；訓練函數選擇traingd梯度下降法，最大訓練次數為4000，學習率為0.02，訓練精度10-5.CNN網絡為LeNet-5架構，不同城市近鄰數可能有所不同，但時間滯后期統一設置為3，若城市的近鄰數為m，則輸入特征為3m，使用adam優化器，設置最小批處理數為16，梯度閾值為1，初始學習率為0.05，迭代次數為250.LSTM的輸入層特征維度為4，隱含單元數為100，輸出全連接層特征維度為1，使用adam優化器，最大訓練輪數為250，梯度閾值為1，初始學習率為0.005.

3.3? 結果與分析

圖2是6個主要城市測試集的預測結果，其中紅線代表預測值，藍線代表真實值.由圖2可知，6個主要城市的降水量在時間上具有明顯的周期性，每年豐水期、枯水期特征分明，水量差別大.表1為LASBC模型和SARIMA模型、ARIMA模型、BP模型、CNN模型對6個主要城市降水預測性能的評價指標.結合圖2和表1可知，LASBC模型對6個城市降水量的預測與實際降水量最為接近，誤差最小.以經典的RMSE為例，拉薩的RMSE為10.72，比單純的SARIMA模型、ARIMA模型、BP模型和CNN模型分別改進了73.4%，62.2%，70.7%和42.9%，平均改進率62.3%；西安的RMSE為15.75，比單純的SARIMA模型、ARIMA模型、BP模型和CNN模型分別改進了55.6%，58.8%，64.9%和49.4%，平均改進率57.2%；LASBC模型對烏魯木齊、拉薩、西寧和西安的預測精度最高，RMSE分別為7.63，10.72，11.21和15.75，而對重慶和南寧的預測精度較低，RMSE分別為46.35和46.57，原因是：一方面，重慶和南寧地處西南濕潤區，月降水量的絕對數值大導致誤差偏大；另一方面，西南濕潤區受拉尼娜和厄爾尼諾氣候影響明顯，降水分布隨機性強、強度波動性大導致誤差偏大.綜合評價可知，本文模型預測精度更高，性能更好.

3.4? 未來預測

為了探究中國西部地區未來10年降水量的變化，我們應用LASBC模型對西部地區6個主要城市：拉薩、西寧、烏魯木齊、西安、重慶、南寧2022年1月至2031年12月共10年的降水分布及強度進行前瞻性預測，結果見圖3.由圖3可以看出，整個西部地區未來10年的月降水量及分布與前40年相比變化不大，夏季降水集中，水量充沛，冬季降水稀少；西南濕潤區的重慶和南寧，夏季降水量明顯高于西北干旱區的烏魯木齊和西安，其中南寧市2023年8月降水量會突破400 mm，2031年8月降水量更是接近500 mm；烏魯木齊和西寧全年降水稀少，烏魯木齊最高月降水量不會超過100 mm，西寧更是在50 mm附近徘徊，但烏魯木齊和西寧市夏季和冬季降水量差異最少，原因可能是冬季降雪補償引起的.

圖4是拉薩、西寧、烏魯木齊、西安、重慶、南寧6個主要城市1991年1月至2031年12月每5年平均年降水量變化趨勢.從圖4可以看到，高寒凍土區的拉薩和西寧未來10年內降水量略有增加，2021—2025年年均降水量為479.74 mm和423.79 mm，2026—2030年年均降水量為502.16 mm和470.16 mm，相比上個5年降水分別增加22.42 mm和46.37 mm；西北干旱區的烏魯木齊和西安的降水量有波動，但變化不大，烏魯木齊和西安市2021—2025年的年均降水量分別為423.79和303.27 mm，而2026—2030年的年均降水量為470.16和292.73 mm，烏魯木齊略有增加，而西安則略有減少；西南濕潤區的重慶的降水量在1996年后持續增加，至2016年后年降水量已經超過1 000 mm，預測未來降水量總體會波動增加，南寧市年均降水量多年保持在1 200～1 400 mm之間，雖然偶爾有所波動，但總體保持平穩，變化不大.

總體來說，中國西部地區近40年降水量呈現緩慢增加的趨勢，高寒凍土區與西北干旱區增長緩慢，而西南濕潤區降水呈現較明顯的增長趨勢.未來10年，中國西部地區的年平均降水量總體不會有明顯增加的趨勢.

表2是模型預測得到的我國西部6個城市未來10年內偏干旱和濕潤的月份及降水量，降水分布的巨大差異對西部地區的工農業生產、生態保護和防災減災工作都提出了新的挑戰，針對降水稀少和豐沛的月份，各地政府部門可提前做好水資源調配利用和防旱防澇準備工作.

4? 總結

中國西部地區降水量在時間上呈現出較強的周期性和季節性，夏秋降水最多，冬春較少；在空間上呈現出南多北少，由南到北遞減的趨勢.本文建立了一種融合多種深度學習方法的時空集成預測模型LASBC，利用SARIMA模型捕捉降水時間序列的周期性，ARIMA模型捕捉時間近鄰性， BP神經網絡揭示降水量分布的空間相關性，CNN網絡捕捉氣象、地理因素對降水的影響，最后通過LSTM網絡對4個模型的預測結果進行融合.選取高寒凍土區、西北干旱區和西南濕潤區的6個主要城市的月降水量進行預測，結果表明：多模式集成模型的預測誤差更低，精度更高；基于預測的月降水量，給出了6個主要城市未來10年氣候可能趨于干旱或濕潤的月份及預測降水量；未來10年，我國西北干旱區年均降水量基本保持穩定，高寒凍土區略有增加，西南濕潤區增長趨勢明顯.然而，有兩個方面的因素對LASBC模型的應用帶來了一定程度的挑戰：一是西南濕潤區受厄爾尼諾現象影響，突發性極端降水事件頻發影響預測精度；二是我國西部地區地域廣闊，城市空間相關性明顯不足影響模型性能.

參考文獻：

［1］? 陳菊英，齊晶，楊鵬，等．海河流域分區汛期降水量的多級預報物理模型的應用前景［C］//全國水文學術討論會，南京：2004-12-01．

［2］? 馬振鋒，譚友邦．預測川渝地區汛期降水量的一種物理統計模型［J］.大氣科學，2004，28（1）：138．

［3］? 胡盈，吳靜.基于ARIMA模型的降水空間特征分析及預測［J］. 江西科學， 2021，39（1）：99.

［4］? ?COBAN V，GULER E，KILIC T，et al.Precipitation forecasting in Marmara region of Turkey［J］.Arab J Geosci，2021，14（2）：86.

［5］? NAYAGAM L R，JANARDANAN R，MOHAN H S R．An empirical model for the seasonal prediction of southwest monsoon rainfall over Kerala，a meteorological subdivision of India［J］.Int J Climatol，2010，28（6）：823.

［6］? HUANG Yan-yan，WANG Hui-jun，ZHANG Pei-yi.A skillful method for precipitation prediction over eastern China［J］.Atmos Ocean Sci Lett，2022，15：100133.

［7］? WANG Yan-jiao，CHEN Xian-yan，YAN Feng.Spatial and temporal variations of annual precipitation during 1960—2010 in China［J］.Quatern Int，2015，380/381：5.

［8］? CHAU K W，WU C L.A hybrid model coupled with singular spectrum analysis for daily rainfall prediction［J］.J Hydroinform，2010，12（4）：458．

［9］? HARTIGAN，Mac NAMARA S，ESLIE L M，et al．Attribution and prediction of precipitation and temperature trends within the Sydney catchment using machine learning［J］.Climate，2020，8（10）：120．

［10］? XIANG B，ZENG C F，DONG X N，et al．The application of a decision tree and stochastic forest model in summer precipitation prediction in Chongqing［J］.Atmosphere，2020，11（5）：508．

［11］? ROSTAM M G，SADATINEJAD S J，MALEKIAN A．Precipitation forecasting by large-scale climate indices and machine learning techniques［J］.J Arid Land，2020，2（5）：854．

［12］? LU Ke-sheng，WANG Ling-zhi.A novel nonlinear combination model based on support vector machine for rainfall prediction［C］//2011 Fourth International Joint Conference on Computational Sciences and Optimization，Kunming and Lijiang，China，2011：1343．

［13］? KISI O，CIMEN M.A wavelet-support vector machine conjunction model for monthly streamflow forecasting［J］.J Hydrol，2011，399（1/2）：132．

［14］? ?LUC K C，BALL J E，SHARMA A．An application of artificial neural networks for rainfall forecasting［J］.Math Comp Model，2001，33（6）：683．

［15］? BARATTA D，MASULLI F，CICIONI G，et al.Application of an ensemble technique based on singular spectrum analysis to daily rainfall forecasting［J］.Neural Networks，2003，16（3）：375．

［16］? NASSERI M，ASGHARI K，ABEDINI M J．Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network［J］.Expert Syst Appl，2008，35（3）：1415．

［17］? LI Yue-jun，GUO Pin-wen． Application of downscaling forecast for the north of Zhejiang precipitation in summer based on the BP neural network model［J］.Trans Atmos Sci，2017，40（3）：425.

［18］? SHI X J，SHI Z R，WAN H G，et al.Convolutional LSTM network：A machine learning approach for precipitation nowcasting［C］//Neural Information Processing Systems，Cambridge，MA：MIT Press，2015：802.

［19］? DU J，LIU Y，LIU Z.Study of precipitation forecast based on deep belief networks［J］.Algorithms，2018，11（9）：132.

［20］? HA J H，YONG H L，KIM Y H.Forecasting the precipitation of the next day using deep learning［J］.Korean Inst Intell Syst，2016，26：93．

［21］? TAO Li-zhi，HE Xin-guang，LI Jia-jia，et al.A multiscale long short-term memory model with attention mechanism for improving monthly precipitation prediction［J］.J Hydrol，2021，602：126815.

［22］? MISRA S，SARKAR S，MITRA P.Statistical downscaling of precipitation using long short-term memory recurrent neural networks［J］.Theor Appl Clim，2018，134（3/4）：1179．

［23］? WU Cui-lin，HE Hong-di，SONG Rui-feng，et al.A hybrid deep learning model for regional O3 and NO2 concentrations prediction based on spatiotemporal dependencies in air quality monitoring network［J］.Environ Pollut，2023，320：121075.

［24］? DING Fei，ZHU Yue，YIN Qi，et al.MS-ResCnet：A combined spatiotemporal modeling and multi-scale network for taxi demand prediction［J］.Comput Electr Eng，2023，105：108558.

［25］? YU Cheng-qing，YAN Guang-xi，YU Cheng-ming，et al.A multi-factor driven spatiotemporal wind power prediction model based on ensemble deep graph attention reinforcement learning network［J］.Energy，2023，263：126034.

［26］? BOX G E P，JENKINS G M．Time Series Analysis：Forecasting and Control［M］.San Francisco：Holden-Day，1976.

［27］? MCCLELLAND J，RUMELHART D.Parallel Distributed Processing：Explorations in the Microstructure of Cognition：Psychological and Biological Models［M］.Cambridge，MA：MIT Press，1987.

［28］? LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition［J］.P IEEE，1998，86（11）：2278.

［29］? SUNDERMEYER M，SCHLUTER R，NEY H.LSTM neural networks for language modeling［R］.Human Language Technology and Pattern Recognition，Computer Science Department，Aachen，Germany：RWTH Aachen University，2012.

（責任編輯? 馬宇鴻）