41、基于人工神经网络的降水偏差校正算法及广义Mycielskian图直径研究

基于人工神经网络的降水偏差校正算法及广义Mycielskian图直径研究

1. 基于人工神经网络的降水偏差校正算法

在降水模拟中，偏差校正是提高模拟精度的重要环节。这里介绍两种基于人工神经网络（ANN）的偏差校正模型。

1.1 模型数据分配

在总共253个月降水数据中，108个用于训练，24个用于测试，其余用于验证。

1.2 模型1（ANN - M1）

该模型直接对模拟降水和观测降水进行映射。从后续结果对比来看，ANN - M1与其他方法相比，均方根误差（RMSE）最低，且两个站点的标准差（SD）也很低。不过，低SD表明该预测未能很好地捕捉降水的变化情况。

1.3 模型2（ANN - M2）

此模型不直接映射模拟和观测降水，而是将模拟降水映射到观测与模拟降水差值的绝对值（即模拟和观测降水的误差，|Δe|）。训练、测试和验证数据数量与模型1相同。为获得实际降水，需对训练输出进行重新校正，采用的算法如下：
[
P_{corrected} =
\begin{cases}
P_{sim} + \Delta e, & \text{如果 } P_{sim} \in (P_{sim,i}) - (P_{sim,j}) \text{ 且 } \theta(\Delta e) > 50 \
P_{sim} + \Delta e, & \text{否则}
\end{cases}
]
其中，((P_{sim,i})) 和 ((P_{sim,j})) 的范围在表1中列出；(\Delta e = (P_{obs,i