BP神經(jīng)網(wǎng)絡(luò)算法在數(shù)值預(yù)報(bào)產(chǎn)品釋用中的應(yīng)用

趙冬玉　王利偉

【摘 要】根據(jù)2015年3月份的GTS實(shí)測(cè)數(shù)據(jù)及渤海區(qū)域內(nèi)海洋站的實(shí)況數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)數(shù)值預(yù)報(bào)產(chǎn)品釋用模型，在模式數(shù)值預(yù)報(bào)的基礎(chǔ)上，進(jìn)行0-24小時(shí)、24-48小時(shí)以及48-72小時(shí)渤海區(qū)域氣象要素模擬預(yù)測(cè)。模式業(yè)務(wù)試用結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的自適應(yīng)學(xué)習(xí)和非線性映射能力，其擬合值與實(shí)際值相吻合的較好，預(yù)報(bào)準(zhǔn)確率精度較高。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；數(shù)值預(yù)報(bào)產(chǎn)品釋用；預(yù)報(bào)準(zhǔn)確率

0 引言

數(shù)值預(yù)報(bào)產(chǎn)品的釋用是解決數(shù)值預(yù)報(bào)產(chǎn)品本地化的一項(xiàng)重要技術(shù)，也是提高本地區(qū)預(yù)報(bào)準(zhǔn)確率的一種有效手段。目前數(shù)值預(yù)報(bào)產(chǎn)品的釋用工作大都基于統(tǒng)計(jì)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(jīng)網(wǎng)絡(luò)方法中應(yīng)用最為廣泛的BP算法開(kāi)展數(shù)值產(chǎn)品定點(diǎn)釋用，實(shí)現(xiàn)站點(diǎn)要素客觀量化預(yù)報(bào)。

1 數(shù)值預(yù)報(bào)產(chǎn)品釋用原理

BP網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中的一種多層前饋網(wǎng)絡(luò)的學(xué)習(xí)算法，它可以通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，確定神經(jīng)元之間的耦合權(quán)值，從而使網(wǎng)絡(luò)整體具有近似函數(shù)的功能，非常適用于非線性系統(tǒng)的建模研究。圖1給出數(shù)值預(yù)報(bào)產(chǎn)品釋用流程。

2 BP神經(jīng)網(wǎng)絡(luò)數(shù)值預(yù)報(bào)產(chǎn)品釋用模型

2.1 建立數(shù)值預(yù)報(bào)產(chǎn)品釋用模型

圖1 具有兩個(gè)隱層的BP網(wǎng)絡(luò)

兩個(gè)隱層的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，該網(wǎng)絡(luò)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(gè)數(shù)。若設(shè)x0為第一隱層中激活函數(shù)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(gè)分量，則有x=（x0，x1，…，xn0）。第2層為第1隱層，設(shè)有n1個(gè)神經(jīng)元，則其輸出向量g=（g0，g1，…， gn1），其中g(shù)0為第一隱層中激活函數(shù)的域值，一般取為-1。第3層為第2隱層，設(shè)有n2個(gè)神經(jīng)元，其輸出向量h=（h0，h1，…），第4層為輸出層，設(shè)有m個(gè)神經(jīng)元，網(wǎng)絡(luò)的輸出向量為y=（h1，h2…，hm）[3-4]。

上面各式中，η表示學(xué)習(xí)率，其值通常在 0.01-1.0 之間，學(xué)習(xí)率η選得太小，會(huì)導(dǎo)致網(wǎng)絡(luò)參數(shù)（耦合權(quán)值）修改量過(guò)小，收斂緩慢，選得太大，雖然可以加快學(xué)習(xí)速度，但可能致使權(quán)值修改量在穩(wěn)定點(diǎn)附近持續(xù)震蕩，難以收斂，mc為動(dòng)量因子，一般取0.9左右。動(dòng)量項(xiàng)的作用在于記憶前一時(shí)刻聯(lián)接權(quán)值的變化方向，增加動(dòng)量項(xiàng)，利用其“慣性效應(yīng)”來(lái)抑制可能產(chǎn)生的震蕩，起到平滑作用，這樣可以采用較大的學(xué)習(xí)率η，以提高學(xué)習(xí)速度。

3 學(xué)習(xí)訓(xùn)練及預(yù)報(bào)準(zhǔn)確率檢驗(yàn)

實(shí)況數(shù)據(jù)包含2015年3月份的GTS實(shí)測(cè)數(shù)據(jù)及渤海區(qū)域內(nèi)海洋站的實(shí)況數(shù)據(jù)，數(shù)據(jù)主要提取的變量包括3小時(shí)一次的氣壓（海平面氣壓及本站氣壓值）、氣溫、能見(jiàn)度、降水、云量；海洋站數(shù)據(jù)提取的變量主要為風(fēng)向、風(fēng)速資料。

以海平面氣壓為例，選用psfc變量作為預(yù)報(bào)因子，將2015年3月份樣本數(shù)據(jù)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法，進(jìn)行訓(xùn)練學(xué)習(xí)，圖2給出網(wǎng)絡(luò)擬合及預(yù)測(cè)值與實(shí)際值的對(duì)比曲線。從圖2中可知，BP網(wǎng)絡(luò)的擬合值與實(shí)際值在大部分時(shí)段相吻合。

圖2 BP網(wǎng)絡(luò)的擬合值和預(yù)測(cè)值與實(shí)際值的對(duì)比曲線

各時(shí)段海平面氣壓、溫度、相對(duì)濕度、能見(jiàn)度、降水、風(fēng)向和風(fēng)速的預(yù)報(bào)準(zhǔn)確率如表1所示，從表1中可知，相對(duì)于傳動(dòng)的數(shù)值預(yù)報(bào)釋用方法，采用BP神經(jīng)網(wǎng)絡(luò)算法，海平面氣壓、溫度、能見(jiàn)度的預(yù)報(bào)準(zhǔn)確率大大提高了。

表1 各時(shí)段預(yù)報(bào)結(jié)果準(zhǔn)確率

4 結(jié)論

目前，數(shù)值預(yù)報(bào)產(chǎn)品釋用方法大多數(shù)基于統(tǒng)計(jì)的分析方法，但是基于該方法的氣象要素的準(zhǔn)確率較低。利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行數(shù)值預(yù)報(bào)產(chǎn)品的釋用，其擬合值與實(shí)際值在大部分時(shí)段相吻合的較好，各時(shí)段渤海區(qū)域氣象要素預(yù)報(bào)準(zhǔn)確率較高，具有非常廣闊的應(yīng)用前景。

【參考文獻(xiàn)】

[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(jīng)網(wǎng)絡(luò)氣象預(yù)報(bào)建模理論方法與應(yīng)用[M].北京：氣象出版社，2004.

[4]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001.