基于神經網絡的天氣發生器

朱思遠，張宸豪，吳邪，耿耀君，楊龍

（西北農林科技大學信息工程學院，咸陽712100）

0 引言

天氣是農業生產的主要決定因素。在許多不同的尺度上，需要天氣數據來解決各種各樣的問題[1]。通常，計算參考蒸發蒸騰、優化灌溉策略等問題直接使用實際觀測數據進行運算，但在研究地區天氣數據缺失的情況下，模型將使用天氣發生器生成所需數據[2]。雖然我國已有一些關于天氣發生器應用的研究，但所使用的模型需要長期的日氣象數據作為輸入，這使得該模型在氣象數據不足或缺失的地方應用有限。

BP（Back Propagation）神經網絡是一種多層前饋神經網絡模型，可用于擬合任意復雜的非線性函數[3-4]。神經網絡具有良好的魯棒性、聯想記憶、高容錯性和信息并行處理能力，被用于多種任務的函數擬合[3]。

本文提出一種基于BP 神經網絡的天氣發生器模型，可以根據12 個月的月平均天氣數據，模擬生成365天的逐日天氣數據。河南省南陽氣象站從1990 年到2004 年的實測天氣數據被用于訓練網絡模型，使用2005 年到2009 年的數據進行模型驗證。

1 基于BP神經網絡的天氣發生器

1.1 網絡結構

本文使用的BP 神經網絡結構如圖1 所示，由輸入層、全連接層、批量歸一化層（Batch Normalization，BN）[5]和激活函數組成。

圖1 網絡結構

第一層輸入層InputLayer，是一個全連接層，形狀為（None，6，12），用于接收經過預處理的6 個不同天氣變量12 個月的平均值（取值在[0.，1.]之間），預處理的詳細步驟見1.3。這里的None 不取定值，可表示任意正整數。

接下來，輸入層的數據會被輸入到Dense 層，Dense 層是一個全連接層，形狀為（None，6，128），其中128 是根據經驗選擇的。輸出的數據經過ReLU[6]的激活，引入非線性因素。經過激活的數據會進入批量歸一化層，在這里添加批量歸一化層是為了：①防止過擬合；②減少對網絡初始化的依賴；③解決梯度彌散[5]。

BatchNormalization 層后接一個形狀為（None，6，365）的Dense 層，用于產生6 個變量365 天的逐日天氣數據，Dense 層的輸出經過Sigmoid 激活函數，被映射成[0.，1.]間的數據，作為網絡的輸出。

1.2 數據

本文所用的數據來自中國氣象局，包括南陽氣象站從1990 年到2010 年的逐日太陽輻射強度、最高溫度、最低溫度、風速、露點溫度、降水量的實測數據。將1990 年到2004 年的數據用于訓練模型參數，2005 年到2009 年的數據用于模型的有效性驗證。

1.3 數據預處理

首先，為簡化問題，將所有2 月29 日的數據剔除，從而保證每年數據的大小相同，得到20×365×6 個數據。然后，將逐日的數據按年份和月份分組，計算每年每月的天氣數據的平均值，得到20×12×6 個數據。最后，將得到的月平均數據進行歸一化處理，將數據映射到[0.，1.]范圍內式（1）。

式中：

x：歸一化前的數據

x*：經過歸一化處理的數據，x*∈[0.,1.]

min：x 所有取值中的最小值

max：x 所有取值中的最大值

1.4 訓練模型

網絡中的參數使用的Xavier 初始化[7]，從而保證參數梯度不等于0。損失函數使用常用于回歸模型的MAE Loss。使用Adam 優化器優化網絡參數，其中超參數（學習率等）使用Kingma 等人[8]提供的值。batchsize 設置為15，即每次將15 年的數據送入網絡中訓練。

2 結果

由于風速（單位m/s）和降水量（單位mm）為非負值，所以需要將模型生成的風速和降水量剔除負值（式2）。

式中：

x：處理前的數據

x*：處理后的數據

將訓練結束的模型用于生成2005 年到2009 年南陽站的逐日天氣數據，模擬數據與實測數據的逐日對比見圖2（生成的模擬數據長度為5×365 天，橫坐標跨度較大，為便于展示，圖中僅顯示2006 年的情況）。可以看到，各天氣變量的實測數據與模擬數據的分布大致相同，模型可以很好地刻畫出真實天氣數據的一些特征。

圖2 模擬數據與實測數據的逐日對比

2005 年到2009 年的日照強度、最高氣溫、最低氣溫、風速、露點溫度、降水量的逐日天氣數據與實測數據的均方根誤差RMSE，在365×5 天內，分別為6.310、5.638、5.743、0.951、7.481、9.172；平均絕對百分比誤差MAPE 分別為41.9%、23.6%、7.7%、41.9%、92.9%、208.2%。

圖3 實測數據與模擬數據的分散情況（左：實測數據；右：模擬數據）

為了進一步比較兩組數據的分布情況，使用箱形圖可視化顯示實測數據與模擬數據的分散情況（圖3）和模擬數據相對于實測數據的絕對誤差（圖4）。在圖中，異常值（綠色圓圈）被定義為大于QU+1.5×IQR 或小于QL-1.5×IQR 的值。其中QU是上四分位數，QL是下四分位數，IQR 是QU和QL的差。結果顯示：①除降水量外，各變量的實測數據與模擬數據的分布情況大致相同；②由于極端降水的不確定性，模型對于降水的模擬效果不是很理想。

圖4 模擬數據相對于實測數據的絕對誤差

下面，分析上述誤差存在的原因：

（1）本文設計的神經網絡模型過于簡單，對于各變量內和變量間的約束條件過少；

（2）本文僅分析了南陽氣象站20 年的數據，訓練數據與驗證數據過少；

（3）本文簡單地選取回歸分析常用的MAE Loss 作為損失函數，而由于極端氣候的不確定性，模型對于極端氣候的擬合效果不是很好。對于天氣發生器的任務，可以定制相應的損失函數，進行模型訓練，使之產生的數據更加接近真實分布，這方面還有待進一步研究。

3 結語

本文將神經網絡應用于天氣發生器，并使用南陽氣象站的天氣數據進行模型有效性驗證，初步探索了神經網絡在天氣發生器方面的應用。實驗結果表明，該模型可以較好地刻畫出真實天氣數據的一些特征，為天氣發生器模型提供了一種具有參考價值的擬合方法。