《人工神经网络在梅雨期短期降水分级预报中的应用》由会员分享，可在线阅读，更多相关《人工神经网络在梅雨期短期降水分级预报中的应用（8页珍藏版）》请在金锄头文库上搜索。
1、 1人工神经网络在梅雨期短期降水分级预报中的应用 段婧 北京大学大气科学系 北京 1 0 0 8 7 1 苗春生 南京信息工程大学大气科学系 南京 2 1 0 0 4 4 提 要 本文将人工神经网络应用于南京夏季梅雨期短期降水分级预报首先根据梅雨期天气特点用统计和动力学方法从 H L A F S ( 高分辨率有限区域预报系统) 资料中寻找预报因子然后分别用两种方法选取输入因子对人工神经网络进行训练并分别利用抽取的五天做降水分级预报检验结果表明模型拟合结果十分理想显著提高了短期降水的预报能力对暴雨的预报准确率更为显著 关键词人工神经网络预报因子降水分级预报 引 言 江淮梅雨是每年夏初影响长江中下
2、游的重要天气过程 1做好梅雨期的降水预报对国 民经济及人民生活均有重要意义 预报实践和预报检验均表明 利用 H L A F S 有限区域模式预报降水实际效果并不理想 错报漏报情况较多且准确率不高2这是由于数值预报产品的预报误差特征极其复杂引 起的为了有效利用数值预报产品人们采用各种释用技术来充分挖掘其中的有用信息力 图提高预报精度但常用的以经验为主的定性方法存在较大误差而客观定量方法如传统统计学方法动力学方法已不能满足日常的预报精度需要3人工神经网络方法( A N N ) 以其独特的优点已广泛应用于长期天气趋势预报中并取得了 一定效果 但在短期预报中的应用尚处起步阶段 人工神经网络擅长处理知识
3、背景不很清楚模糊随机的大通量信息特别是可以处理非线性系统并且具有很强的自学习能力和适应 能力正因如此本文尝试将人工神经网络引入短期降水分级预报并结合传统统计学方法 和动力学方法以期待达到较好的预报效果 1 资料和方法 1 . 1 H L A F S 资料及资料处理 根据 H L A F S 原始资料利用 2 0 0 2 年 6 月 1 日7 月 3 0 日 6 0 天 2 0 点 2 4 小时预报资料 选取预报因子2 4 小时降水因子选取相同日期 0 8 点和 2 0 点的 1 2 小时预报之和 资料区域为 7 01 4 5 E , 1 56 4 N 格距为 0 . 5 经纬度共计 1 5 1
4、 9 9 个格 点内容包括不同层次的涡度散度位势高度温度温度露点差水汽通量散度水汽 通量风( 风向, 风加权平均) 相对湿度垂直速度地面气压和 1 2 小时降水预报( 详见表 一) 但其中水汽通量散度和水汽通量的资料由于没有有意义的数据全部为 0 . 0不能使 用 风( 风向, 风加权平均) 资料的实际风场预报范围不能覆盖本方法要求的范围 因此需要 对资料进行再处理 选取南京 6 月 2 日7 月 3 1 日 6 0 天 2 0 点的 2 4 小时降水实况资料为预报对象的资料 降水预报因子与预报对象的分级 是根据梅雨时期降水量特点将降水分为三级 小于 0 . 1 m m 无雨0 . 1 2 5
5、 m m 小到中雨大于 2 5 m m 大到暴雨 由于解压后原始 H L A F S资料存在资料的缺省精度和范围不足等问题在求取预报 因子前 根据梅雨期对降水有重要影响要素场的基本认知 需对现有的 H L A F S 资料进行扩充2和二次处理 产生降水需要充足的水汽和较强的上升运动 因此表示大气湿度的比湿和露点 以及表示水汽辐合辐散的水汽通量散度是与降水密切相关的重要物理量 对资料进行加工和再处理 以及 H L A F S 原有的物理量产品 我们得到了可以利用的丰富 的气象资料详见表 1为进一步寻找与降水相关密切的预报因子准备了必要的资料条件 表 1 不同等压面预报物理量的选取和处理结果 层次
6、hpa 不同等压面物理量资料的选取和处理结果 5 0 0 vordivheighttempert-tdwindwpq* 7 0 0 vordivheighttempert-tdwindwprarfrhq*ug*/vg*ra* 8 5 0 vordivheighttempert-tdwindrarfrhq*ug*/vg*ra* 地面 pressurerain12 注1 带* 号的表示经过计算处理得出的物理量其余的是未处理的原始资料内容 2 其中各符号含义分别为 v o r 涡度d i v 散度h e i g h t 等压面上的高度t e m p e r 温度t - t d 温度露点差w i n
7、d风风向和风的加权平均w p 垂直速度r a 水汽通量散度r f 水汽通量r h 相对湿度p r e s s u r e 地面气压r a i n 1 2 1 2 小时降水预报u g * / v g * 地转风q * 比湿r a * 水汽通量散度 1 . 2 人工神经网络的基本原理与算法 本文所使用的 BP 神经网络全称误差逆传播神经网络在众多神经网络中属于前馈型网络该网络模型物理概念清晰通用性好且具有高度灵活可变的拓扑结构4其进行预报的原理主要是将利用统计和动力学方法从 HLAFS 资料中寻找的预报因子经过 分组后作为神经网络学习矩阵的输入网络预报模型的大量参数是网络对输入原始数据进 行不断的
8、学习训练来获得其学习训练过程主要是通过调整网络模型输入层与隐含层及 输出层之间的各连接权系数及阈值其具体算法有很多种本文采用误差反传算法的主要运 行机制和学习计算过程如下 1 输入输出函数 由于输入层上每个节点的输入与输出相同因此可以认为输出是理想输出故输入层上的函数这里不考虑 隐层和输出层上的输入函数满足线性回归02211.bxbxbxbynn+= 1 隐层和输出层上的输出函数为非线性函数本文使用的 BP 网络所选用的输出函数为xexf+=11)( 2 此函数称为 Sigmoid 型非线性函数 2单个样本学习计算过程 隐层上的理想输出难以衡量所以用输出层的理想输出值本方法中为实况降水值来 衡
9、量网络系统的输出误差 E其中包含了隐层误差因此运用输入输出函数通过对 E 的 调整便可以利用单个样本进行训练 3多样本学习计算过程 通过误差的反向传播应用梯度下降法调整权重从而进行多样本的学习计算每进行一个样本的学习结束后权重就会发生相应变化jiW,输入层到隐层的权重是一个从i点到 j 点的矢量权重的调节公式为 )() 1()(,tWtWtWkjkjkj+= 3 其中kjkjWEtW,)(=为权重的改变量根据此式可以看出权重的改变量取决于误3差的大小误差大权重的改变就大表示学习速率此值大时权重修正值就较大学 习速率比较快但太大的会使学习产生振荡因此实际应用中可以在开始阶段取较大的 值然后逐渐减
10、少值达到平稳完成学习过程又具有较快的学习速率 4过程简要流程 简单地说整个流程过程可以概括为用一个样本含有 M 个因子输入网络调出 网络总误差 E 小于某极小值再输入新样本继续调 E 满足小于某极小值直至网络满足 所有历史拟合停止运算该网络系统便可用于预报了其中网络输出总误差表达式为 =NNppEE1其中 =LkpkpkpyyE12 ,)(21式中 NN提供的训练样本个数 p表示样本个数标号 pE第 p 个样本的输出误差 L输出节点个数 k=1,2,.,L 2 预报因子的选取 为了使神经网络预报方法尽快达到预期效果选取预报因子是极为重要的工作选取 的预报因子应与预报对象有较好的相关性 而且还应
11、具有明确的物理意义 该项工作既要求 具有一定的气象学理论基础又要求一定的天气预报经验 2 . 1预报因子的初选 2 . 1 . 1 24 小时降水预报因子RAIN24 降水预报是与实况降水直接相关的物理量资料由于 HLAFS 的降水预报时效仅为 12 小时为与预报对象当日 24 小时降水实况资料对应选前日 08 点的 12 小时降水预报资料 预报前日 20 点到当日 08 点 12 小时降水和 20 点的 12 小时降水预报资料预报当日 08 点到当日 20 点 12 小时降水求和作为前日 20 点 24 小时的预报因子(RAIN) 2 . 1 . 2 500hpa 高度场因子HEIGHT 梅
12、雨期 500hpa 图上西太平洋副高稳定少动我国中部及长江中上游地区是一个相对稳 定的低值区为了表示这种环流特点选取以下几个因子及其选法为500hpa 地转涡度和 低压槽强度因子选取以南京为中心周围取等间距的 8 个点间隔约 400km计算单站组 合因子如图 1 所示 图 1 选取因子方法示意图 南京地区地转涡度因子 计算式04)7531(1HHHHHT+= 其中 H1,H3,H5,H7 分别为南京周围东北西南四个格点的 500hpa 高度值 H0 为南京 500hpa 高度值 东北-西南向 500hpa 高空槽强度因子 计算式)0284(2HHHT+= 4其中 H4,H8 分别为南京周围西北
13、东南方向的两个格点的 500hpa 高度值H0 为南 京 500hpa 高度值 本文中的实际选取计算如下 计算式 南京杭州郑州南京福州太原 HHHTHHHT+=+=2222)2()1 (其中 H 表示下标所示地点的 500hpa 高度值 )2()1 (22TT和均表示了高空东北西南向低槽的强度 500hpa 高度场气压场形式因子 T3取河西走廊西北 95100E4045N 和以福州为中心的 120125E25 30N 的两部分区域分别求高度场的平均值再相减作为组合因子 T3 T4取长江上游 102107E2732N 与长江中下游 118123E 3035N 两部分区域分别求高度场的平均值再相减
14、作为组合因子 T4 T5取郑州附近 110116E3137N 与长江中下游 116125E 2534N 两部分区域分别求高度场的平均值再相减作为组合因子 T5 T6 取郑州为中心 110116E3236N 与以福州为中心 116 125E 2328N 两部分区域分别求高度场的平均值再相减作为组合因子 T62 . 1 . 3 700hpa850hpa 露点温度因子 通常 850hpa 的等温线密集带对应地面锋面 而低层的 Td 则可以表示出大气的饱和程度 它们均与降水密切相关因此计算如下因子选取因子范围以南京为中心周围取等间距 的 8 个点间隔约 400km计算单站组合因子如图 1 中低层温度锋
15、区因子 计算式)234()876(TTTTTTT+= 其中 T6,T7,T8T4,T3,T2 分别为南京以南三个站和南京以北三个站的 700/850hpa 温 度值 中低层露点锋区因子 计算式)234()876(ddddddTTTTTTTD+= 其中2, 3, 48, 7, 6ddddddTTTTTT分别为南京以南三个站和南京以北三个站的700/850hpa 露点值 2 . 1 . 4 垂直速度组合因子 求取南京与福州 700hpa 的垂直速度差负值越大表明南京上升运动越强或福州下沉 运动越强这与南京降水有明显相关实际间接表明了副高的强度 计算式福州南京=WP 其中表示垂直速度 0 表示上升运动 2 . 1 . 5 南京地区水汽垂直输送因子 利用南京本地物理量组合得出反映南京中低层水汽垂直输送情况的综合因子 计算式)3/)850700500()850700500(700+=njnjnjqDVZH 其中 700nj 南京 700hpa 垂直速度 5)850700500(+njDV南京中低层水汽通量散度和 )3/)850700500(+njq南京中低层比湿平均值 2 . 2 选取较优预报因子 确定物理意义明确的因子后利用统计的方法与预报对象求取相关系数根据设定的 信度可通过 T 检验和相关系数检验的因子作为最优预报因子检验结果如表
