《类神经网路结合卫星影像於台风降雨预报》由会员分享,可在线阅读,更多相关《类神经网路结合卫星影像於台风降雨预报(10页珍藏版)》请在金锄头文库上搜索。
1、 ( 22 )類神經網路結合衛星影像於颱風 降雨預報 Remote Sensing Imagery for Typhoon Rainfall Forecasting-An ANN Approach 蔡 孟 蓉 MENG-JUNG TSAI 國立台灣大學 生物環境系統工程學系 研究助理 江 衍 銘 YEN-MING CHIANG 國立台灣大學 生物環境系統工程學系 博士班研究生 張 斐 章* FI-JOHN CHANG 國立台灣大學 生物環境系統工程學系 教授 摘 要 本研究透過複迴歸分析、倒傳遞類神經網路以及輻狀基底函數網路,分別架構淡水 氣象站颱風時期下一時刻之定量降雨預報模式。模式輸入資料
2、為 23 場颱風事件之觀測 時雨量及 GMS-5 衛星影像資料,此外,為有效減少輸入維度,本研究以平均值法及主成 份分析法於資料前處理過程中針對 27 個雲頂溫度值進行分析。藉由上述三模式與不同 之輸入組合測試可得知,預報之成果以輻狀基底函數網路最佳,其所建立之雨量預報相 較於複迴歸模式在精確度上有 12.4%的改善;而在模式輸入組合部份則以主成份分析法 縮減之輸入組合優於各方案,相較於僅以雨量為輸入之方案有 8.5%之改善。由研究結果 可證實以類神經網路結合衛星影像資料確實能有效建立精確之颱風降雨預報。 關鍵詞:降雨預報,類神經網路,衛星影像,主成份分析。 ABSTRACT In this
3、study, three models: multiple regression method, backpropagation neural network (BPNN), and radial basis function neural network (RBFNN) were built for rainfall forecasting during typhoon periods. The meteorological data used herein included twenty-three typhoon events that consisted of ground-based
4、 rain gauge and GMS-5 satellite imagery data. In order to effectively reduce the input dimensions, the twenty-seven cloud top temperatures were further investigated through principal component analysis (PCA) and average method. According to the forecasting performance of various model and input comb
5、inations, two results have been obtained: (1) the accuracy of rainfall forecasting by using neural networks is better than that of multiple regression method and improvement made from RBFNN is about 12.4% as compared with multiple regression forecasts; (2) regarding the selection of inputs, the PCA
6、can helps to reduce redundant dimensions and therefore increase the accuracy which is 8.5% of improve- ment against that of gauge measurements. The results demonstrate that accurate typhoon rainfall forecasting can be efficiently constructed by making use of artificial neural network with satellite
7、imagery data. Keywords: Rainfall forecasting, Artificial neural networks, Satellite imagery, Principal component analysis. * 通訊作者,國台灣大學生工系教授兼水工所研究員,台巿大安區106 斯4 段1 號,changfjntu.edu.tw 臺灣水利 第55卷 第1期 民國96年3月出版 Journal of Taiwan Water Conservancy Vol. 55, No. 1, March 2007 ( 23 )一、前 言 颱風為一劇烈的大自然氣候現象,因台灣
8、位於西北太平洋地區主要之颱風路徑上,故每年夏、秋兩季平均約有三至四個颱風侵襲台灣。颱風對台灣的好處在於其所帶來豐沛的雨水,使台灣免於發生缺水的危機,然而亦由於颱風登陸時所挾帶之豪雨常導致嚴重的洪水、山崩及土石流災害,造成社會重大的財產損失,甚至是人民的傷亡,因此準確的預測颱風時期之降雨量將可提供洪水預警系統有效且實用之訊息,進而大幅降低災情之產生。 降雨受到複雜的大氣過程於時間以及空間變化所影響,且降雨強度在時空尺度上的分佈,更與壓力、溼度、溫度、風速及風向等變數有關,這些變數與降雨量皆為複雜的非線性關係,尤其是颱風路徑與其降雨結構多變且不易掌握,由過去的經驗顯示定量降雨預報依然是一個相當具挑
9、戰性的工作。本研究以西元 20002004 年收集之 23 場颱風事件為例,架構淡水氣象站颱風時期之降雨預報模式。首先藉由不同之輸入組合以建構二種不同之輸入模型,輸入變數包含地面氣象站所測得的時雨量資料及 GMS-5 (Geostationary Meteorological Satel- lite)衛星影像資料;此外,本研究進一步針對GMS-5 影像資料研究雲頂溫度在不同處理方式上之差異,分別以平均值法及主成分分析法再提出二種不同之輸入組合。藉由上述四種不同之輸入模型,透過複迴歸模式(Multiple Regression Method)、倒傳遞類神經網路(Backpropagation N
10、eural Net- work, BPNN)及輻狀基底函數網路(Radial Basis Function Neural Network, RBFNN)建構淡水氣象站下一時刻的颱風降雨預報模式。 二、文獻回顧 從早期以線性迴歸方程所建立之雨量預報模式,直到現今電腦運算科技及遙測技術的日新月異,許多專家學者紛紛投入了降雨預報的領域。在應用類神經網路於雨量的推估上有陳如賢(2003),採用颱風特性資料及雨量站特性資料,建立一個含有兩層隱藏層之倒傳遞類神經網路,用以預報颱風來臨時之雨量站降雨量。Luk et al. (2001)研究三種類神經網路預報降雨量在空間上的分佈且應用於都市排水。陳正斌(20
11、04)探討颱風其形成、行徑路線及降雨量間皆具有其不確定性,而模糊理論能有效處理此類問題,故其以調適性網路模糊推論系統建立颱風降雨預報模式。此外,亦有許多學者使用不同的演算法,如時間序列以及迴歸分析,其中Ramirez et al. (2005)以潛勢溫度、風的垂直分量、比濕度、空氣溫度、可降水量、相對渦度與濕氣散度通量為倒傳遞類神經網路之輸入資料,預報6 個雨量站每天的降雨量,並與線性複迴歸之預報結果做比較。在應用衛星影像推估降雨的研究有劉振榮(1992)利用同步衛星 GMS-4 中的紅外線與可見光影像資料,配合臺灣地區地面雨量觀測網測得的雨量資料,找出影像資料與降雨間的相關性,並建立降雨推估
12、模式。洪維均(2005)利用GMS-5 同步氣象衛星三個紅外光頻道之影像資料與地面雨量站之降雨紀錄,推估降雨量。在應用類神經網路結合衛星影像推估降雨的研究有 Hsu et al.(1997)以 PERSIANN模式將日本島作為訓練區域,收集 GMS 紅外光影像及地面資料,利用自組特徵映射網路,預報日本島及佛羅里達半島二個區域之降雨量。 三、理論概述 本研究選用三種方法架構淡水氣象站下一小時之颱風降雨預報模式,此三模式分別為傳統之複迴歸分析以及近年來廣為發展之類神經網路(Artificial Neural Network, ANN)倒傳遞網路與輻狀基底函數網路。為有效減少輸入變數個數,因此本研究
13、應用平均值法及主成份分析法(Principal Component Analysis, PCA)在資料前處理過程中嘗試降低各模式之輸入維度以簡化模式複雜度。其中迴歸分析方法為找出應變數 Y 與自變數X 間的關係,即建立一穩定、可靠之迴歸模型,當迴歸模型建立後,自變數便可透過此模型得到預報值(羅積玉,1990);而主成份分析又稱經驗正交函數分析(empirical orthogonal function analysis),其可在保留大部分原有變數分佈特性下,降低變數維度,以最少的主成分表示最大比例的原始資料變異程度,可使分析工作更為精簡(易任,1990)。 3.1 經網 類神經網路主要的基本概
14、念為模仿人類腦神經( 24 )系統,因此在邏輯的組成單元與架構上皆與生物神經網路類似,其中最重要的三項功能為學習、回想及歸納推演(張斐章與張麗秋,2005)。而類神經網路經過了長時間的發展,已有許多不同的網路模型被提出 , 常見的網路架構有倒傳遞類神經網路(孫建平,1996)、輻狀基底函數網路(林國峰等,2004;張斐章等,2004)以及自組織特徵圖網路(Chang et al., 2005)等,因其具有高度訊息處理與非線性映射的能力,可解決物理模式難以描述與建構之非線性關係,因此被大量地應用於水文領域上。而倒傳遞類神經網路為發展最早且應用最廣之網路,其架構為一多層前饋式網路,可分為輸入、隱藏
15、及輸出三層。其使用監督式學習法,藉由網路輸出值與目標輸出值間之誤差來修正模式,因此網路學習的過程即為使誤差函數 E 達到最小值。基本上求解最佳化問題的數值方法很多,如最陡坡降法(steepest descent method) 、 共軛梯度法(conjugate gradient method)及牛頓法(Newton method)等,Chiang et al. (2004)探討最陡坡降法與共軛梯度法兩者於訓練BPNN 之效能及精確性,研究結果證實共軛梯度演算法在較少的迭代次數下可有較佳的優選成果,因此本研究選用共軛梯度法求解誤差函數 E 之最小值。 3.2 基底函經網(RBFNN) 輻狀基底函數網路以函數逼近方式建構網路,最早衍生於解決多變數的內插問題,後由 Powell (1987)加以發展。RBFNN 屬於前饋式類神經網路,架構主要由輸入層有n 個神經元與單一隱藏層 m 個神經元及輸出層所組成(如圖1 所示)。其演算說明如下: 圖 1 輻狀基底函數網路架構圖(張斐章與張麗秋, 2005) 首先輸入資料透過輸入層輸入後,再將輸入資料傳給隱藏層中建構許多輻狀基底函數()cx ,即為計算輸入資料與隱藏層各神經元中心點距離後,經輻狀基底函數轉換獲得隱藏層神經元之輸出,可表示為(1)式: ( )()jjcxxz=(1) 式中()為輻狀基底函數,cj為隱藏層第j 個神經元中心點,jcx