A minimalistic approach for evapotranspiration estimation using the Prophet model

ABSTRACT

This study aimed to evaluate the potential of the recently introduced Prophet model for estimating reference evapotranspiration (ETo). A comparative study was conducted for benchmarking the model results with support vector regression (SVR) and temperature-based empirical models (Thornthwaite and Hargreaves) in southern Japan. The performance of the Prophet, SVR and temperature-based empirical models was evaluated by Nash–Sutcliffe efficiency (NSE) and coefficient of determination (R²). The results indicate that temperature-based Prophet and SVR models have greater accuracy than the empirical models. The Prophet model with sole input of relative humidity, sunshine hours or windspeed showed acceptable accuracy (NSE > 0.80; R² > 0.80), while SVR models with similar inputs showed greater errors. Accuracy improved with increasing number of input parameters, giving excellent performance (NSE > 0.95; R² > 0.95) with all input parameters. Hence, the Prophet model is a new promising approach for modelling ETo with limited input variables.     

顾及大气角动量的Prophet-VAR日长变化预报方法

针对日长变化参数序列中蕴含的复杂非线性特征会严重影响其预报精度的问题,同时为探讨引入大气角动量序列是否有助于提升预报精度,提出一种Prophet拟合外推联合向量自回归(vector autoregression,VAR)残差补偿的组合模型用于日长预报.选用2008～2020年的日长变化参数序列进行实验,同时设计不顾及大...     

Prophet模型在GNSS坐标时间序列中的插值分析

针对GNSS坐标时间序列中存在数据缺失的问题,提出将Prophet模型应用于GNSS坐标时间序列的插值中。设计不同的数据随机缺失比例和连续缺失长度,使用Prophet模型、拉格朗日法和三次样条法进行对比实验。结果表明,Prophet模型在GNSS坐标时间序列中具有更高的插值精度并能够保持较好的稳定性,且对于连续缺失的数据插值有着明显的优势。     

基于EWT-Prophet方法的地表沉降预测

针对地表沉降预测研究中单一传统方法预测精度较低、预测过程不稳定等问题,提出一种经验小波变换(EWT)与Prophet预测模型相结合的优化预测方法.以江西省上饶市德兴矿区为例,采用30景哨兵1号影像进行SBAS-InSAR沉降研究,并获取该区域研究时段内的沉降时序数据.首先对原始沉降时序数据进行EWT自适应分解,分解产生...     

Towards flexible groundwater-level prediction for adaptive water management: using Facebook’s Prophet forecasting approach

ABSTRACT

There is an increasing need for accurate groundwater-level (GWL) prediction to support effective seasonal water management. It is desirable for forecasting tools to be not only accurate but also accessible for decision-makers. We test the Prophet forecasting procedure, an open-source code released by Facebook, to address these challenges. It is based on an additive model considering non-periodic changes and periodic components in a Bayesian framework with easily-interpretable parameters. Predictions of daily GWL data in an area affected by pumping near a tourist complex in the Ramsar wetland area of Doñana (Spain) are compared to other forecasting methods. Prophet outperforms most methods in predicting GWL making it a fast and flexible forecasting tool for hydrologists and water managers. Furthermore, it allows gaining insight into the influence of each component of the forecast separately, helping to assess the hydrodynamic response to external drivers such as groundwater pumping.     

降雨事件对上海地铁通勤客流时空影响的精细尺度研究

全球气候变化背景下,降雨事件日益增多,严重影响城市交通和居民的日常出行。本文以上海市为例,基于分时降雨数据和地铁OD客流数据,运用Prophet时序模型拟合降雨事件下的客流常态值,从站点和OD二个维度定量评估降雨造成的地铁通勤客流变化时空格局。研究结果表明：① 通勤客流总体随小时雨量增大而下降,不同类型站点客流的降雨波动性呈现差异;降雨会造成进站客流的时间滞后性和堆积性,通勤出行需求越大的站点类型堆积效应越显著;由于出发时间弹性差异,不同时点客流的降雨敏感性也不同,7:00和17:00敏感性较高,8:00—9:00和18:00—19:00则相对刚性;② 降雨会造成行程时间≤15 min的短距离客流显著上升,总体增加7.3%,中长距离客流变化不明显,总体减少1.3%;在不同功能区之间,早高峰居住型→产业型的客流波动和时间堆积性最为显著,晚高峰商服型→居住型的返程客流波动性较低;早高峰降雨敏感性线路的起始站点多分布在大型居住区,晚高峰则位于大型产业园区和商业中心;晚高峰返程客流的波动性低于早高峰。尽管降雨事件对通勤客流总量影响不明显,但会造成局部空间区域和时点的客流激增。本文的研究方法与结果有助于量化降雨对地铁通勤客流的影响程度,并为空间化的交通运行保障提供决策依据。     

Prophet时序预测模型在电离层TEC异常探测中的应用

提出一种基于Facebook 开源的Prophet预测模型进行电离层TEC异常识别的新方法。 首先, 对比分析了该方法与传统时间序列预测方法(ARIMA模型等)预测电离层TEC建模背景值的精度, 以及与经典电离层TEC异常识别方法(滑动四分位法)提取前面对应一致的电离层TEC背景值的精度。 结果表明, Prophet预测模型预测建模背景值的精度要明显优于其他方法, 且预测的建模精度比ARIMA模型等方法高2.55倍左右, 比滑动四分位法高10.74倍左右。 同时, 在最佳预测建模区间时, 其精度值大小比较依次为RMSE_IQR=10.5841>RMSE_ARIMA=3.2780>RMSE_Prophet=0.8469, 说明传统探测法预测建模背景值时具有较大的不足。 随后, 以2017年8月8日九寨沟7.0级地震为例, 利用该方法分析了电离层TEC异常扰动情况, 并对比验证了该方法的有效性和准确性。 实验结果表明: 在震前第10 d和第2 d电离层TEC发生较为明显的负异常, 第7 d电离层TEC发生较为明显的正异常。 对比实验表明, Prophet预测模型的有效性和准确性明显优于滑动四分位法。     

基于Prophet-XGBoost模型的GNSS高程时间序列预测

针对GNSS时间序列非平稳性和非线性等特点,通过分析XGBoost模型与Prophet模型的适用性与特点,构建Prophet-XGBoost预测模型。该模型先通过Prophet模型对GNSS原始时间序列进行分解,然后通过XGBoost模型进行分部预测,等权相加得到预测结果。实验选用ALGO、ALRT、BRST三个IGS站U分量日坐标时间序列数据,采用MAE和RMSE作为评价指标。结果表明,与单一的XGBoost模型和Prophet模型相比,Prophet-XGBoost模型的MAE和RMSE值均得到一定程度优化,说明该模型具备有效性,可用于GNSS时间序列预测。     

基于Prophet-RF模型的GNSS高程坐标时间序列预测分析

针对GNSS高程坐标时间序列非平稳性与非线性等特点,在深入分析Prophet模型与随机森林(ran-dom forest,RF)模型特性的基础上,构建了Prophet-RF组合预测模型,解决了Prophet模型对时间序列非线性部分预测能力较弱的缺陷,且该组合模型具有较强的鲁棒性.本文选用BJFS站高程方向的连续观测数据...     

Prophet-Elman残差改正电离层TEC短期预报模型

针对电离层TEC非线性、非平稳的特点,建立一种基于Prophet与Elman神经网络相结合的残差改正电离层短期预报模型。利用该模型对IGS提供的不同太阳活动程度期间的电离层TEC时间序列进行建模预报。结果显示,改正模型能够反映电离层TEC的变化特征,在太阳活动低年和太阳活动高年预报的平均相对精度分别为92.9%和92.2%,均方根误差分别为0.94 TECu和1.77 TECu,精度较Prophet-Elman模型及单一Elman模型有显著提高。