基于深度LSTM神經網絡的大氣可降水量估算模型

羅宇　羅林艷　范嘉智　段思汝　高文娟

摘要：基于深度長短期記憶（LSTM）神經網絡，分別利用地面氣象多要素（氣溫、氣壓、露點溫度、相對濕度、水汽壓、小時降水量）和單要素（水汽壓）建立懷化地區(qū)GPS大氣可降水量估算模型LSTM5和LSTM1，并對模型精度進行分析。結果表明，利用地面氣象要素建立的2種大氣可降水量深度LSTM模型有較好的估算精度，決定系數均大于0.94，均方根誤差均值小于1.158 1 mm，平均絕對誤差均值小于0.709 9 mm，平均絕對百分比誤差均值小于4.54%，較基于水汽壓的可降水量線性擬合或二次多項式擬合模型的估算精度提升了70%以上，且LSTM1模型精度略優(yōu)于LSTM5模型;模型估算精度與大氣可降水量條件相關，當可降水量較低或較高時，模型估算結果更為理想;同時模型估算精度與觀測站海拔呈現正相關，觀測站海拔越高LSTM模型精度越高。

關鍵詞：LSTM;GPS/MET;大氣可降水量;估算模型;懷化地區(qū)

中圖分類號：TP183? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2020）02-0161-05

DOI：10.14088/j.cnki.issn0439-8114.2020.02.036? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）：

Estimation model of precipitable water vapor based on deep LSTM neural network

LUO Yu1，LUO Lin-yan2，FAN Jia-zhi1，DUAN Si-ru1，GAO Wen-juan1

（1.China Meteorological Training Center Hunan Branch，Changsha 410125，China;

2.Hunan Provincial Meteorological Information Center，Changsha 410118，China）

Abstract： Based on deep long short term memory（LSTM） neural network， the estimation models （LSTM5 and LSTM1） of precipitable water vapor （PWV） in Huaihua distinct are proposed by using multi（air temperature， air pressure， dew point temperature， relative humidity， water vapor pressure and hourly precipitation） and single factor（water vapor pressure） separately， besides the estimation precision of the models are analyzed. As the result shown， the LSTM models have high estimation precision， whose coefficients of determination are both greater than 0.94， mean values of root square error， mean absolute error and mean absolute percentage error are below 1.158 1 mm， 0.709 9 mm and 4.54% respectively. The precision of LSTM models improves more than 70% compared to linear estimation model or quadratic polynomial estimation based on water vapor pressure， and the precision of LSTM1 model slightly better than that of LSTM5. The distribution of estimation errors relates to PWV value， which is first increased and then decreased along with the increasing of PWV. Furthermore， there is negative correlation between the estimation precision of the models and altitude of the stations.

Key words： LSTM; GPS/MET; atmospheric precipitable water vapor; estimation model; Huaihua area

水汽在大氣中含量雖少，卻影響著能量傳輸、輻射平衡和成云致雨等大氣物理化學過程，是大氣的重要組成部分，是天氣變化和氣候演變的主要驅動力，也是影響災害性天氣形成和發(fā)展的關鍵性因子[1]。實際應用中，一般采用大氣可降水量（Precipitable water vapor，PWV），即單位面積大氣柱內水汽量來表示大氣水汽含量[2]。但大氣水汽變化迅速，時空分布較為復雜，作為國內氣象部門常規(guī)探測手段的無線電探空限于站網分布和觀測時次，資料時空分辨率較低[3]。利用全球導航衛(wèi)星系統(tǒng)（GPS）進行大氣水汽探測技術的出現彌補了常規(guī)探測手段的不足，其探測精度達毫米級，可提供全天候、高分辨率的水汽信息[4-6]。基于GPS反演的可降水量可以反映特定區(qū)域水汽流入、流出情況，因此廣泛應用于氣象數據融合、數值預報和降水研究及預報等方面[7-9]。湖南省氣象局與湖南省國土資源廳合作建設GPS/MET探測網，截至2015年共71個站點建成并投入業(yè)務運行，為湖南省天氣預報、氣候預測及氣象防災減災提供更高時空分辨率的水汽場。但相較于湖南省近22萬km2土地面積，觀測站數量仍相對較少，大多數地區(qū)無法直接探測得到大氣可降水量，因此有必要利用站網密度更大、時間序列更長的地面氣象資料估算大氣可降水量。國內外相關研究表明，地面氣象要素與可降水量之間存在明顯相關性，可利用地面氣象要素對可降水量進行估算[10-12]。但相關研究一般利用水汽壓與可降水量進行線性擬合或二次多項式建模，未考慮地面氣象要素與可降水量時間序列上的相關性。20世紀80—90年代，循環(huán)神經網絡（RNN）能以很高的效率對序列的非線性特征進行學習，而作為RNN變體之一的長短期記憶神經網絡（LSTM）因可有效解決簡單RNN的梯度爆炸或消失問題，使其在氣象相關時間序列建模和預測方面得到廣泛應用[13-16]。本研究基于深度LSTM神經網絡模型，利用湖南省懷化市地面氣象數據對GPS可降水量進行建模，以改進地面氣象要素估算大氣可降水量精度。

1? 資料與方法

1.1? 資料選取

本研究選用湖南懷化地區(qū)沅陵、溆浦、靖州和通道4個GPS/MET觀測站逐小時資料和地面氣象觀測逐小時資料（觀測站位置、海報高度等信息如表1所示），數據時間為2017年1月1日至2017年12月31日。懷化地處湘中丘陵向云貴高原的過渡地帶，屬中亞熱帶季風氣候區(qū)，四季分明，雨量充沛，且雨熱同步，對農作物生長有利。但受地形影響，地域差異和垂直差異明顯，旱澇等自然災害時有發(fā)生。所有數據均由全國綜合氣象信息共享平臺（CIMISS）上獲取?？紤]到地域性差異，在GPS/MET站探測得到天頂總延遲（ZTD）的基礎上，采用本地化的靜力延遲模型[5]和加權平均溫度模型[6]反演4個觀測站的GPS可降水量。

根據大氣科學相關知識，對GPS可降水量與各地面氣象要素[氣溫（T）、氣壓（P）、露點溫度（DP）、相對濕度（RH）、水汽壓（VAP）和小時降水量（OHP）]進行相關性檢驗，并計算相關系數如表2所示。由表2可知，除氣壓外，可降水量與氣溫、露點溫度、相對濕度、水汽壓和小時降水量均呈正相關，除與相對濕度和小時降水量相關系數小于0.3，其余相關系數均大于0.6。考慮到相關研究[7-9]表明降水與可降水量存在時間上的關聯(lián)性，初步確定特征向量Xt=[x ， x ，…，x ]T，其中x ～x 分別為T、P、DP、VAP和OHP，t為某一特定時刻。考慮時間窗為48 h，即利用過去47 h和當前時刻的特征向量序列X={x（t-47）， x（t-46），…，x（t）}作為輸入，建模當前時刻的可降水量Y={y（t）}。

1.2? 長短期記憶神經網絡（LSTM）

與簡單RNN相比，LSTM能夠捕獲任意長度時間序列的自回歸結構，其在序列建模任務中取得了廣泛的成功[17-19]。LSTM單元結構如圖1所示，it，ft和ot分別為輸入門、輸出門和遺忘門3種門控，ct為單元間激活向量，ht為存儲了t時刻及之前時刻有用信息的隱狀態(tài)向量，其計算公式依次為式（1）～式（5）。

it=？滓（∑Wx ixt+∑Wh ixt-1+∑Wc ixt-1+bi）? （1）

ft=？滓（∑Wx fxt+∑Wh fxt-1+∑Wc fxt-1+bf）? （2）

ot=？滓（∑Wx oxt+∑Wh oxt-1+∑Wc oxt-1+bo）? （3）

ct=ftct-1+ittanh（∑Wx cxt+∑Wh cxt-1+bc） （4）

ht=ottanh（ct）? （5）

式中，xt為t時刻輸入向量，W為權重矩陣，b為對映權重偏執(zhí)項，σ為sigmoid函數。

1.3? 數據預處理

地面氣象要素由國家級氣象觀測站獲取，且已經過審核，因此數據質量及連續(xù)性得到保障;GPS/MET數據由于供電、網絡等故障影響，存在少量缺測，利用地面水汽壓線性擬合得到GPS可降水量[8]進行補缺，形成4個觀測站各8 760個時次的觀測資料時間序列。相關研究表明[20，21]，氣象數據（尤其降水量）時間序列多為存在較明顯周期和趨勢的非平穩(wěn)序列，而平穩(wěn)時間序列相對更容易分析建模。因此，采用一階差分方法對4個觀測站的時間序列數據平穩(wěn)化。若不對數據進行標準化處理可能導致計算負擔增大，甚至模型無法收斂等問題。因此，采用Z-SCORE方法對各特征向量進行標準化處理，使處理后的特征向量分布于（0，1）區(qū)間。

1.4? 大氣可降水量建模

沅陵、溆浦、靖州和通道4個觀測站數據按9∶1的比例，將數據前90%用作訓練集，后10%用作測試集。采用決定系數（R2）、均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）對模型估算值和真實值偏離程度進行度量，其計算公式如下：

式中，PWVto和PWVtm分別為t時刻可降水量實測值和模型估算值， 為可降水量實測平均值。

用于估算大氣可降水量的4層LSTM模型結構如圖2所示。分別采用溫度、氣壓、露點溫度、水汽壓及小時降水量5個特征和水汽壓1個特征作為輸入層的輸入向量（相應LSTM模型分別簡稱LSTM5和LSTM1），各層節(jié)點數分別為20、15、20和1。LSTM層激活函數為tanh，Dense層激活函數為linear，各層節(jié)點丟棄率設為0.2，以降低節(jié)點間的相互依賴性從而避免過擬合。模型選擇均方差損失函數獲取模型輸出誤差，模型優(yōu)化方法采用均方根RMSProp算法，學習率為0.001，訓練迭代次數為50。研究基于Windows操作系統(tǒng)，結合Python語言和Keras深度學習框架中的Sequential模型進行。

2? 結果與分析

利用地面氣象要素基于深度LSTM神經網絡對懷化地區(qū)4個觀測站的GPS可降水量估算建模進行訓練，并利用測試集對模型精度進行檢驗，結果如表3和圖3（以LSTM1模型為例）所示。由表3可知，沅陵、溆浦、靖州和通道4個觀測站的深度LSTM可降水量估算模型決定系數均大于0.94，LSTM5模型RMSE均值為1.158 1 mm，MAE均值為0.709 9 mm，MAPE均值為4.54%;LSTM1模型RMSE均值為1.130 3 mm，MAE均值為0.670 7 mm，MAPE均值為4.23%。相較于基于水汽壓的可降水量線性擬合或二次多項式擬合模型5 mm的RMSE的估算精度[8，10-12]，LSTM模型精度提升了70%以上，且R2、MAE和MAPE指標均得到大幅改進。LSTM1模型精度略優(yōu)于LSTM5模型，可能是由于LSTM5模型選用的5個特征因子間存在一定相關性造成的信息冗余影響模型精度。由圖3可知，除個別時次外，可降水量LSTM模型估算值均能較好反映實際觀測值，且對可降水量的轉折性變化有較好體現，進而反映可降水量變化趨勢。對比4個觀測站LSTM模型估算可降水量精度，可見其與測站海拔高度呈現正相關，海拔最高的通道站（表1）其大氣可降水量估算RMSE僅為0.847 9 mm，為4個觀測站最小。其原因可能是大氣水汽分布隨海拔呈指數衰減，低海拔地區(qū)水汽更為充沛且變化迅速，增加了模型的訓練難度。

3? 小結

本研究首先利用相關性檢驗分析了大氣可降水量與地面氣象要素的關系，同時結合時間上的關聯(lián)性篩選估算可降水量的特征因子;針對氣象數據的非平穩(wěn)序列特性，采取一階差分方法提升序列平穩(wěn)性，并對數據進行標準化處理;在此基礎上構建了4層的深度LSTM模型，按時間順序劃分訓練集和測試集，利用訓練集對深度LSTM模型進行訓練后使用測試集評估大氣可降水量的估算精度。

1）基于懷化地區(qū)4個觀測站的地面氣象要素，對大氣可降水量建立的深度LSTM模型，其決定系數均大于0.94，利用氣溫、氣壓、露點溫度、相對濕度、水汽壓和小時降水量作為特征因子建立的LSTM5模型RMSE均值為1.158 1 mm，MAE均值為0.709 9 mm，MAPE均值為4.54%;單獨利用水汽壓作為特征因子建立的LSTM1模型RMSE均值為1.130 3 mm，MAE均值為0.670 7 mm，MAPE均值為4.23%。較基于水汽壓的可降水量線性擬合或二次多項式擬合模型的估算精度提升了70%以上。LSTM1模型精度略優(yōu)于LSTM5模型，產生該結果的原因可能是特征因子間存在一定相關性造成信息冗余進而影響模型精度。

2）利用基于深度LSTM的大氣可降水量模型對懷化地區(qū)4個觀測站的PWV進行估算，結果顯示估算誤差分布與大氣可降水量條件相關，誤差較大的樣本多出現在15～25 mm區(qū)間，估算模型的精度隨大氣可降水量的增加呈先降低后升高的趨勢，當可降水量較低或較高時，模型估算結果更為理想。

3）基于深度LSTM的大氣可降水量估算模型精度與觀測站海拔呈正相關，觀測站海拔越高LSTM模型精度越高，其原因可能是低海拔地區(qū)水汽更為充沛且變化迅速，增加了模型的訓練難度，進而降低了模型精度。

參考文獻：

[1] BRAUN J，ROCKEN C，WARE R. Validation of line-of-sight water vapor measurements with GPS[J].Radio science，2001，36：259-472.

[2] 李國平，黃丁發(fā)，郭? 潔，等.地基GPS氣象學[M].北京：科學出版社，2010.148-150.

[3] WANG H，HE J，WEI M，et al. Synthesis analysis of one severe convection precipitation event in Jiangsu using ground-gased GPS technology[J].Atmosphere，2015，6：908-927.

[4] BEVIS M，BUSINGER S，HERRING T A，et al. GPS meteorology：Remote sensing of atmosphere water vapor using the global positioning system[J].Journal of geophysical research，1992，97（D14）：15787-15801.

[5] 羅? 宇，羅林艷，范嘉智，等.天頂靜力延遲模型對GPS可降水量反演的影響分析及改進[J].測繪工程，2018，27（8）：13-17.

[6] 羅? 宇，羅林艷，呂冠儒.加權平均溫度模型對GPS水汽反演的影響[J].測繪科學，2018，43（9）：6-9，15.

[7] PRIEGO E，SECO A，JONES J，et al. Heavy rain analysis based on GNSS water vapour content in the Spanish Mediterranean area[J].Meteorological application，2016，23：640-649.

[8] 羅林艷，羅? 宇，段思汝，等.郴州地區(qū)GPS可降水量精度及其變化特征[J].湖北農業(yè)科學，2018，57（11）：14-18.

[9] 楊璐瑛，劉? 暢，楊成芳，等.不同天氣系統(tǒng)影響下強降雨過程GPS可降水量變化特征對比[J].干旱氣象，2018，36（3）：475-482.

[10] 楊景梅，邱金桓.用地面濕度參量計算我國整層大氣可降水量及有效水汽含量方法的研究[J].大氣科學，2002（1）：9-22.

[11] 李? 超，魏合理，劉厚通，等.整層大氣水汽含量與地面水汽壓相關性的統(tǒng)計研究[J].武漢大學學報（信息科學版），2008，33（11）：1170-1173.

[12] 李? 穎，張俊東，羅? 鵬.大氣可降水量估算模型研究[J].氣象與環(huán)境科學，2013，36（2）：21-25.

[13] HOCHREITER S，SCHMIDHUBER J. Long short-term memory[J].Neural computation，1997，9（8）：1735-1780.

[14] ZHENG D Y，HU W S，WANG J，et al. Research on regional zenith tropospheric delay based on neural network technology[J].Survey review，2014，343（47）：286-295.

[15] DING M. A neural network model for predicting weighted mean temperature[J].Journal of geodesy，2018.doi：10.1007/s 00190-018-1114-6.

[16] WANG H，WEI M，ZHOU S H. A feasibility study for the construction of an atmospheric precipitable water vapor model based on the neural network technology[J].Desalination and water treatment，2014，52（37-39）：7412-7421.

[17] QING X，NIU Y. Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM[J].Energy，2018，148：461-468.

[18] 徐堯強，方樂恒，趙冬華，等.基于LSTM神經網絡的用電量預測[J].電力大數據，2017，20（8）：25-29.

[19] ZHANG D，KABUKA M R. Combining weather condition data to predict traffic flow：A GRU-based deep learning approach[J].IET intelligent transport systems，2018，12（7）：578-585.

[20] ADIB A，KALAEE M M K，SHOUSHTARI M M，et al. Using of gene expression programming and climatic data for forecasting flow discharge by considering trend， normality，and stationarity analysis[J].Arabian journal of geosciences，2017，10（9）：208.

[21] 許家琦，李顏伶，舒? 紅.中國東北地區(qū)氣象數據的空間平穩(wěn)性檢驗[J].華中師范大學學報（自然科學版），2014，48（2）：279-283.

收稿日期：2019-10-18

基金項目：湖南省氣象局面上科研項目（XQKJ19B053）

作者簡介：羅? 宇（1984-），男，四川巴中人，高級工程師，主要從事大氣遙感與探測研究，（電話）18075183271（電子信箱）mariachi41@qq.com。