趙冬玉 王利偉
【摘 要】根據2015年3月份的GTS實測數據及渤海區域內海洋站的實況數據,建立BP神經網絡數值預報產品釋用模型,在模式數值預報的基礎上,進行0-24小時、24-48小時以及48-72小時渤海區域氣象要素模擬預測。模式業務試用結果表明,BP神經網絡模型具有較強的自適應學習和非線性映射能力,其擬合值與實際值相吻合的較好,預報準確率精度較高。
【關鍵詞】BP神經網絡;數值預報產品釋用;預報準確率
0 引言
數值預報產品的釋用是解決數值預報產品本地化的一項重要技術,也是提高本地區預報準確率的一種有效手段。目前數值預報產品的釋用工作大都基于統計的分析方法,如MOS法[1]、PPM法[2]中的多元線性判別與回歸方程、卡爾曼濾波等。本文采用人工神經網絡方法中應用最為廣泛的BP算法開展數值產品定點釋用,實現站點要素客觀量化預報。
1 數值預報產品釋用原理
BP網絡是人工神經網絡中的一種多層前饋網絡的學習算法,它可以通過神經網絡的自學習功能,確定神經元之間的耦合權值,從而使網絡整體具有近似函數的功能,非常適用于非線性系統的建模研究。圖1給出數值預報產品釋用流程。
2 BP神經網絡數值預報產品釋用模型
2.1 建立數值預報產品釋用模型
圖1 具有兩個隱層的BP網絡
兩個隱層的BP網絡結構如圖1所示,該網絡共分4層:第1層為變量輸入,xj(j=1,2,…,n0)為輸入變量,no為輸入變量的個數。若設x0為第一隱層中激活函數的域值,則輸入向量總共為no+1維。x0一般取為-1將其增廣到輸入量中,作為一個分量,則有x=(x0,x1,…,xn0)。第2層為第1隱層,設有n1個神經元,則其輸出向量g=(g0,g1,…, gn1),其中g0為第一隱層中激活函數的域值,一般取為-1。第3層為第2隱層,設有n2個神經元,其輸出向量h=(h0,h1,…),第4層為輸出層,設有m個神經元,網絡的輸出向量為y=(h1,h2…,hm)[3-4]。
上面各式中,η表示學習率,其值通常在 0.01-1.0 之間,學習率η選得太小,會導致網絡參數(耦合權值)修改量過小,收斂緩慢,選得太大,雖然可以加快學習速度,但可能致使權值修改量在穩定點附近持續震蕩,難以收斂,mc為動量因子,一般取0.9左右。動量項的作用在于記憶前一時刻聯接權值的變化方向,增加動量項,利用其“慣性效應”來抑制可能產生的震蕩,起到平滑作用,這樣可以采用較大的學習率η,以提高學習速度。
3 學習訓練及預報準確率檢驗
實況數據包含2015年3月份的GTS實測數據及渤海區域內海洋站的實況數據,數據主要提取的變量包括3小時一次的氣壓(海平面氣壓及本站氣壓值)、氣溫、能見度、降水、云量;海洋站數據提取的變量主要為風向、風速資料。
以海平面氣壓為例,選用psfc變量作為預報因子,將2015年3月份樣本數據,運用BP神經網絡方法,進行訓練學習,圖2給出網絡擬合及預測值與實際值的對比曲線。從圖2中可知,BP網絡的擬合值與實際值在大部分時段相吻合。
圖2 BP網絡的擬合值和預測值與實際值的對比曲線
各時段海平面氣壓、溫度、相對濕度、能見度、降水、風向和風速的預報準確率如表1所示,從表1中可知,相對于傳動的數值預報釋用方法,采用BP神經網絡算法,海平面氣壓、溫度、能見度的預報準確率大大提高了。
表1 各時段預報結果準確率
4 結論
目前,數值預報產品釋用方法大多數基于統計的分析方法,但是基于該方法的氣象要素的準確率較低。利用BP神經網絡算法進行數值預報產品的釋用,其擬合值與實際值在大部分時段相吻合的較好,各時段渤海區域氣象要素預報準確率較高,具有非常廣闊的應用前景。
【參考文獻】
[1]Zbynk Sokol. Mos-Based Precipitation Forecasts for River Basins[J]. Weather and Forecasting, 2003, 18(5): 769-781.
[2]Ashok Kumar, Parvinder Maini, S.V.Singh. An Operational Model for Forecasting Probability of Precipitation an Yes/No Forecast[J]. Weather and Forecasting, 1999, 14(1): 38-48.
[3]金 龍.神經網絡氣象預報建模理論方法與應用[M].北京:氣象出版社,2004.
[4]蔣宗禮.人工神經網絡導論[M].北京:高等教育出版社,2001.