基于RBF算法的探空濕度太陽輻射誤差預測

冒曉莉 張鵬 張加宏 趙雪偉

摘? 要： 針對傳統BP神經網絡算法預測的探空濕度太陽輻射溫度誤差偏大的問題，基于南京大橋的GTS1?2濕度傳感器及其防雨帽模型，采用計算流體動力學（CFD）軟件，通過PRO/E建模、ICEM劃分網格及FLUENT仿真，以高空實際探測中典型氣壓、太陽高度角和太陽輻射量為變量仿真出2 530組溫度誤差的數據樣本。數據樣本通過BP，PSO?BP，GA?BP，RBF神經網絡算法進行優化對比，最終采用RBF神經網絡算法構建預測模型，可預測出不同環境下探空的濕度太陽輻射溫度誤差，且預測出的溫度誤差最小。

關鍵詞： 氣象探測; GTS1?2濕度傳感器; 計算流體動力學; 太陽輻射偏干誤差; 粒子群優化神經網絡算法; 遺傳神經網絡算法; 徑向基函數神經網絡算法

中圖分類號： TN911.1?34; TP183? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）19?0146?06

Abstract： In view of the large error of the radiosonde humidity solar radiation temperature predicted by the traditional BP neural network algorithm， the CFD （computational fluid dynamics） software， including PRO/E modeling， ICEM meshing and FLUENT simulation is adopted to simulate 2 530 groups of data samples of temperature error on the basis of the GTS1?2 humidity sensor and its rainproof cap model of Nanjing Bridge. In the simulation， the typical air pressure， solar altitude and amount of solar radiation in high altitude actual detection are taken as variables. The data samples are optimized and compared with BP （back propagation）， PSO?BP （particle swarm optimization?back propagation）， GA?BP （genetic algorithm?back propagation） and RBF （radial basis function） neural network algorithms. Finally， the RBF neural network algorithm is used to build the prediction model， which can predict the radiosonde humidity solar radiation temperature error in different environments， and the error of the predicted temperature is the minimum.

Keywords： meteorological detection; GTS1?2 humidity sensor; CFD; solar radiation dry bias; PSO neural network algorithm; genetic neural network algorithm; RBF neural network algorithm

0? 引? 言

近年來環境的惡化導致氣候多變、氣象災害頻發，這就愈發要求天氣預報更為及時和精準，而精準的天氣預報離不開高空溫度和濕度的精確測量，所以精確的濕度測量在高空氣象探測中具有舉足輕重的作用[1]。

目前國內大部分探空站使用的是GTS1型濕度傳感器，而GTS1?2探空儀濕度測量較少，相關的理論研究也匱乏。當前無線探空儀測量的高空氣象要素之中的氣壓、溫度、風速已經相當準確，但濕度傳感器易受高空溫度和氣壓等因素影響，這在一定程度上限制了濕度傳感器的測量精度。南京大橋的GTS1?2濕度傳感器帶有防雨帽，雖然防雨帽可以阻止高空雨云的干擾，但是在太陽輻射的影響之下，防雨帽內部的空氣升溫導致GTS1?2感濕膜周邊的溫度大于實際的大氣溫度，這種現象被稱為太陽輻射偏干誤差[2]（Solar Radiation Dry Bias，SRDB）。

為了解決這一問題，需要對SRDB進行修正。目前主要有風洞實驗法和經驗估測法兩種研究方法，但是這兩種方法均存在明顯的不足[3]。目前比較熱門的計算流體動力學（CFD）技術正在被科研者應用到太陽輻射誤差修正上[4]。根據研究發現：時空分布變化后，SRDB也明顯改變。如果每一次探空都采用CFD方法對SRDB進行修訂，過于浪費物力和人力。近年來，國內學者針對GTS1濕度傳感器模型也提出了基于PSO?BP神經網絡算法的探空濕度太陽輻射誤差的預測和修正，但PSO?BP神經網絡算法預測的誤差精度不太理想[5]。

針對PSO?BP算法預測精度不足，及國內GTS1?2濕度傳感器理論模型研究的欠缺問題，本文基于南京大橋的GTS1?2濕度傳感器及其防雨帽模型獲取樣本數據。樣本數據采用BP，PSO?BP，GA?BP，RBF神經網絡算法開展優化對比，提出了一款RBF神經網絡算法預測模型，不但避免了仿真軟件重復使用，而且預測精度高。

1? 相關理論

1.1? CFD

CFD軟件主要包括三維建模軟件PRO/E、網格劃分軟件ANSYS ICEM CFD和流體動力學計算軟件ANSYS FLUENT[6]。

PRO/E是采用參數化設計，基于特征的實體模型系統，用參數化的數據代替濕度傳感器模型的各個特征，方便在搭建模型過程中隨時隨地地修改形狀、大小及修補紕漏。

ICEM網格劃分主要把所需要計算的區域劃分為有限個單元，進行數據的離散化，并在劃分的單元上進行計算求解。ICEM通過離散化方法控制方程離散，使網格節點上的數據（如溫度、壓力、速度等）可以更好地通過數值方法獲取[7]。

FLUENT首先對ICEM劃分好的網格進行條件設置，包括模型材料選型、尺寸上的設置、區域條件的設置、邊界條件的設置、監視窗口的設置等，然后進行收斂計算。

1.2? SRDB

濕度通常用相對濕度、絕對濕度等物理量表示[8]。探空儀上濕敏電阻所測量的是相對濕度[RH]，[RH]表示空氣的干濕狀況，由式（1）表示：

式中：[ e]為大氣環境下的實際水汽壓;[E]為此溫度下的飽和水汽壓[9]。而飽和水汽壓[E]與環境溫度有關， 當溫度上升時，飽和水汽壓也會跟著變大，相對濕度RH則相對變小。因環境氣壓對飽和水氣壓的影響微乎其微，本文忽略環境氣壓的干擾。已知溫度[T]的情況下，根據飽和水汽壓逼近公式可推算出溫度在-100～100 ℃范圍內的任意飽和水汽壓。

當探空儀處于高空某處，原本溫度傳感器所測量的大氣環境溫度為[T0]，此時飽和水氣壓值為[ET0]，但因太陽輻射的加熱效果導致溫度升高了[ΔT]，此時的GTS1?2濕度傳感器表面溫度升至[T1]，感濕膜周圍的飽和水氣壓值為[ET1]。若已知當前高度下的實際水汽壓值為[e]，則相對濕度為：

同理，升溫后[T1]時的濕度傳感器的相對濕度為：

由式（2）和式（3）可得，因太陽輻射引起的濕度相對誤差[er]為：

由式（4）可得出：太陽輻射引起的濕度測量偏干相對誤差與[E（T0）]和[E（T1）]有關，而[T1=T0+ΔT]，所以，SRDB與[ΔT]直接相關。[ΔT]的溫度誤差越小，SRDB也相應越小，溫度誤差[ΔT]測量和預測的精確性越高，測量的大氣的相對濕度[RH0]的精確性也越高。

1.3? BP，PSO?BP，GA?BP，RBF神經網絡算法

BP算法擁有復雜的神經元網絡系統，具有強大的非線性模糊逼近能力[10]，但也有明顯的缺點，比如：算法收斂慢、收斂效果差、容易陷入收斂局部極小誤區、對數據樣本依賴性強等。為彌補上述缺陷可通過PSO算法對BP的初始訓練權值、閾值進行優化，通過群體中個體之間的信息共享和互相協作尋求最優結果[11]，或者采用收斂能力更強、全局搜索范圍更廣、全局優化效果更好的GA神經網絡算法[12]。

RBF算法對比于傳統的BP算法全局逼近能力更強，理論上可高精度逼近任何的非線性函數[13]。RBF算法訓練速度和收斂速度也優于傳統的BP算法。BP算法一般采用梯度下降的方法反復地調整優化神經元的權值、閾值來逼近最小的溫度誤差[ΔT]，且隱含層節點數量的確定太過于依賴經驗去試湊，這就很難得到最優解。而前饋型的RBF算法具備超強的輸出輸入映射能力，泛化能力更強，改變部分的節點數和權值就能解決BP算法存在的局部最優的問題。RBF算法的基本思想就是將樣本數據轉化到二維、三維甚至高維空間，使數據在空間內線性分布。RBF神經網絡算法主要由三個目標參數構成：選取基函數的中心;確定方差參數;訓練隱含層到輸出層的權值。激活函數是RBF算法的關鍵，常用的表達形式為：

2? 實驗過程及結果分析

2.1? 三維實體建模

南京大橋的GTS1?2濕度傳感器實物如圖1所示。根據實際測量，支架里面的傳感器尺寸為6.6 mm×2.9 mm×0.66 mm，防雨帽尺寸為16.5 mm×15.4 mm×1 mm。本文采取CAD軟件繪制PRO/E模型的大體結構，所建模型如圖2所示。

在探空儀上升的過程中，氣體分子會流進傳感器表面帶走一定的熱量，但隨著海拔升高，大氣氣壓逐漸降低，帶走熱量的能力降低，這就會導致太陽輻射加熱效應引起的溫度誤差增大。探測儀探空的天氣狀況也會影響太陽輻射量，太陽輻射量的大小變化也會導致太陽輻射加熱效應引起的溫度誤差的變化。即使在相同氣壓、太陽輻射的環境下，太陽高度角的變化也會直接影響太陽所輻射到的有效面積，進而也會產生不同的溫度誤差[ΔT]。所以氣壓值、太陽輻射量、太陽高度角這三個因素主要會影響溫度誤差[ΔT]。在FLUENT仿真軟件中通過設置氣壓值、太陽輻射量和太陽高度角的值，計算獲取典型環境條件下的太陽輻射溫度誤差[ΔT]。

2.2? CFD建模過程

PRO/E建模步驟如下：

1） 新建零件，零件包括濕度傳感器、支架、防雨帽、空氣域等，包含模型中的每一部分;

2） 新建組件，將步驟1）建好的每一個單一零件組裝成一體。GTS1?2濕度傳感器測量系統組件如圖3所示。

最后將生成的model文件進行ICEM網格劃分。

ICEM非結構網格劃分步驟如下：

步驟1：導入PRO/E中生成的model文件并修復;

步驟2：創建面、創建體，分別定義模型的表面和實體部分;

步驟3：劃分網格，設置非結構化網格參數并計算;

步驟4：檢查網格質量并且輸出.

GTS1?2非結構化網絡如圖4所示。

最后， 將ICEM劃分成功后的網格模型導入FLUENT仿真軟件中進行計算。選取氣壓為：10 hPa，11 hPa，12.5 hPa，15 hPa，20 hPa，25 hPa，30 hPa，40 hPa，50 hPa，60 hPa，70 hPa，80 hPa，90 hPa，100 hPa，200 hPa，300 hPa，400 hPa，500 hPa，600 hPa，700 hPa，800 hPa，900 hPa，1 000 hPa;選取太陽高度角為：5°，15°，25°，30°，40°，50°，60°，70°，80°，90°;選取太陽輻射量為：500 W/m2，600 W/m2，700 W/m2，800 W/m2，900 W/m2，1 000 W/m2，1 100 W/m2，1 200 W/m2，1 300 W/m2，1 400 W/m2。在FLUENT軟件中設置以上所示的變量得到不同環境條件下的溫度誤差[ΔT]。以氣壓10 hPa、太陽高度角為90°、太陽輻射量為1 400 W/m2為例，此時得到的誤差[ΔT]為8.481 16 K（FLUENT設置的初始溫度為300 K），仿真圖如圖5所示。同理，ANSYS FLUENT反復進行仿真計算，從氣壓10 hPa、太陽高度角為90°、太陽輻射量為1 400 W/m2一直到氣壓1 000 hPa、太陽高度角為5°、太陽輻射量為500 W/m2，最終歷經大量FLUENT仿真，得到神經網絡算法所需的2 530組溫度誤差[ΔT]數據。

因為本文用CFD軟件模擬仿真僅僅只有2 530組，是有限個典型樣本溫度誤差數據。若每一個海拔高度，每一個太陽高度角，每一個太陽輻射量下都采用CFD軟件模擬仿真，將非常耗費人力物力，而且也很難實現。所以采用這2 530組典型的數據樣本，通過BP，PSO?BP，GA?BP，RBF神經網絡算法開展優化對比，最終采用一款可以精確預測出不同環境下溫度誤差的算法預測模型，后期可通過SRDB理論進行相關修正。SRDB的修正主要取決于溫度誤差[ΔT]，[ΔT]預測越精準，SRDB修正也相對越準確。基于四種算法模型的高空探測濕度太陽輻射誤差預測研究如圖6所示。

2.3? 神經網絡算法預測分析對比

在Windows系統下，通過Matlab工具以CFD多次仿真所得到的2 530組數據作為相同的數據集，通過BP，PSO?BP，GA?BP和RBF這種逼近能力較強的神經網絡算法進行驗證分析對比。實驗以太陽高度角、氣壓、太陽輻射量為輸入，以溫度誤差[ΔT]為輸出。真實值為FLUENT仿真值，其中：

[神經網絡預測誤差百分比=預測值-真實值真實值]

神經網絡預測輸出如圖7所示，神經網絡預測誤差如圖8所示，神經網絡預測誤差百分比如圖9所示[14]。

根據四種神經網絡算法的驗證對比可知：BP，PSO?BP神經網絡算法預測誤差大體在-0.5～0.6范圍內，預測誤差百分比大都在-0.4～2.5之間，預測效果比較差，預測的溫度誤差也比較大;GA?BP神經網絡算法預測誤差大都在-0.08～0.06范圍內，預測誤差百分比大體在-0.06～0.08之間，預測效果比較好，預測的溫度誤差也比較小;RBF神經網絡算法預測誤差集中在-0.008～0.008范圍內，預測誤差百分比集中在-0.002 5～0.002之間，預測效果最好，預測的溫度誤差也最小，RBF神經網絡算法預測出的溫度誤差[ΔT]越精準，太陽輻射引起的濕度相對誤差er越精準，SRDB精度也越高，測量的大氣的相對濕度[RH0]的精確性也越高。

2.4? 神經網絡算法結果驗證對比

實驗取5組數據進行對比驗證：第一組取樣本內的數據25，15，1 000;第二組取氣壓不在樣本內的數據999，5，800;第三組取太陽高度不在樣本內的數據800，17，1 400;第四組取太陽輻射量不在樣本內的數據20，90，501;第五組取氣壓、太陽輻射量、太陽輻射量都不在樣本內的數據78，16，601。四種神經網絡算法預測結果與FLUENT實際結果對比如表1所示。

誤差絕對值可直接體現四種神經網絡算法預測的效果，誤差絕對值的表達式如下：

[誤差絕對值=預測溫度誤差ΔT-仿真溫度誤差ΔT]

根據表格中的5組數據，分別求出BP，PSO?BP，GA?BP，RBF誤差絕對值的平均值。誤差絕對值越小，神經網絡算法的預測越精準。BP，PSO?BP，GA?BP，RBF四種神經算法的誤差絕對值的平均值對比如圖10所示。

結合神經網絡預測結果和最終的驗證結果可得出：GA?BP，RBF神經網絡算法預測效果明顯優于BP，PSO?BP神經網絡算法。RBF神經網絡算法比BP，PSO?BP，GA?BP神經網絡算法更能夠精確預測出不同環境下的濕度測量太陽輻射[ΔT]，方便將來對探空濕度測量SRDB的修正，相比于傳統的BP神經網絡算法的預測精確度有了大幅度的提升。

3? 結? 語

探空過程中濕度測量存在著明顯的SRDB，每一次時空分布改變，太陽輻射誤差也發生改變，每一次都使用 CFD軟件計算不切實際，為了避免大量重復的仿真計算，本文在GTS1?2濕度傳感器及其防雨帽模型所得到的樣本數據基礎上，提出了一種基于RBF神經網絡算法預測模型。較傳統BP神經網絡算法預測基礎上，大幅度地提升了太陽輻射溫度誤差的計算精度，有助于提高探空濕度的精度測量和誤差修正效率。后期可以南京大橋探空儀具體某一天的真實探測數據為樣本，對比仿真結果與預測結果，通過SRDB的修正進一步驗證RBF算法預測的精準性。

注：本文通訊作者為張鵬。

參考文獻

[1] SUN Qizhen， ZHANG Lin， MENG Shang， et al. Meteorological observations and weather forecasting services of the CHINARE [J]. Advances in polar science， 2018， 29（4）： 291?299.

[2] 冒曉莉，肖韶榮，張加宏，等.探空濕度測量太陽輻射誤差時空分布特征研究[J].科學技術與工程，2015，15（10）：1?9.

[3] MOHEBBI M， REZVANI M A. Multi objective optimization of aerodynamic design of high speed railway windbreaks using lattice Boltzmann method and wind tunnel test results [J]. International journal of rail transportation， 2018， 6（3）： 183?201.

[4] 冒曉莉，李美蓉，張加宏，等.探空濕度傳感器太陽輻射誤差流體動力學分析與實驗研究[J].傳感技術學報，2018，31（9）：1316?1324.

[5] 單鵬，冒曉莉，張加宏，等.基于PSO?BP神經網絡的探空濕度太陽輻射誤差修正[J].科學技術與工程，2018，18（19）：1?8.

[6] FENG Qian， LI Yang. The application of CFD technology in analysis of wind environment [C]// Proceedings of 2016 International Conference on Applied Mechanics， Mechanical and Materials Engineering （AMMME 2016）. Xiamen， China： [s.n.]， 2016： 120?125.

[7] 李忠收.基于CFD的岸壁效應的數值模擬[D].大連：大連海事大學，2016.

[8] 鄒水平.自動氣象站溫濕度傳感器補償方法研究[D].南京：南京信息工程大學，2016.

[9] 冒曉莉，肖韶榮，劉清惓，等.探空濕度測量太陽輻射誤差修正流體動力學研究[J].物理學報，2014，63（14）：202?214.

[10] BISOYI N， GUPTA H， PADHY N P， et al. Prediction of daily sediment discharge using a back propagation neural network train in algorithm： a case study of the Narmada River， India [J]. International journal of sediment research， 2019， 34（2）： 125?135.

[11] 連志剛，曹宇，林蔚天，等.共享歷史最優信息搜索的粒子群算法[J].上海理工大學學報，2014，36（6）：598?602.

[12] YI Shaojun， ZOU Shengliang. Genetic algorithm theory and its application [C]// Proceedings of 2018 3rd International Confe?rence on Automation， Mechanical Control and Computational Engineering （AMCCE 2018）. Dalian， China： Computer Science and Electronic Technology International Society， 2018： 6.

[13] AN Ru， LI Wenjing， HAN Honggui， et al. An improved Le?venberg?Marquardt algorithm with adaptive learning rate for RBF neural network [C]// 2016 35th Chinese Control Con?ference （CCC）. Chengdu， China： IEEE， 2016： 3630?3635.

[14] 單紅喜.基于神經網絡模型的降水量預測研究[J].江蘇水利，2017（9）：54?57.