一種神經網絡的云圖短時預測方法

何如,管兆勇,金龍

(1.南京信息工程大學大氣科學學院,江蘇南京 210044;2.廣西區(qū)氣候中心,廣西南寧 530022)

一種神經網絡的云圖短時預測方法

何如1,管兆勇1,金龍2

(1.南京信息工程大學大氣科學學院,江蘇南京 210044;2.廣西區(qū)氣候中心,廣西南寧 530022)

依據(jù)6 h T213數(shù)值預報產品的資料,采用EOF展開和人工神經網絡等方法,對衛(wèi)星云圖短時預報方法進行研究。首先對衛(wèi)星云圖灰度值樣本序列進行EOF展開,將提取出來的時間系數(shù)作為建模的預報量,以數(shù)值預報產品的物理量場作為預報因子,建立人工神經網絡預測模型。將預報得到的時間系數(shù)與空間特征向量進行時空反演,實現(xiàn)對未來6 h云圖的預測。預報方法的獨立樣本試驗證明,預測結果與實際云圖的主要特征基本吻合,尤其在預測云圖的大體分布和發(fā)展趨勢上得到了較好效果。

云圖預測;人工神經網絡;EOF展開;數(shù)值預報產品

0 引言

衛(wèi)星云圖作為重要的氣象信息來源之一,在災害性天氣的監(jiān)測和預報中發(fā)揮著越來越重要的作用。當前衛(wèi)星云圖的應用研究主要是在實時的監(jiān)測分析和目標識別等方面[1-2]。如果能實現(xiàn)對云圖的移動和變化狀況進行一定時效的預測,就可在一定程度上彌補實時衛(wèi)星云圖應用在時間上的缺陷,顯著增強衛(wèi)星云圖資料在天氣預報中的實用性和及時性,使衛(wèi)星云圖在災害性天氣的預警預報工作中發(fā)揮更大的作用。

從20世紀90年代初開始,國內外對云圖預測的研究工作主要以系統(tǒng)保持穩(wěn)定為前提,采用交叉相關法[3-4]、時間突變法[5]等基于云圖局部特征匹配和前后時次云團運動矢量關系進行線性外推,在對云的發(fā)展趨勢預測和預報時效上存在著一定的不足,大大限制了這些短時效云團預測的可用程度。王繼光等[6]、劉科峰等[7]提出對云圖特征值進行動力模型重構和模型參數(shù)反演的云團演變非線性動力預測方法,但模型中沒有考慮大氣中水汽相態(tài)變化和云物理過程,制約了對云發(fā)展變化本質的刻畫和描述。目前在國外已經采用MOS方法對云圖進行預測[8-9],在數(shù)值預報模式中考慮了大氣中物理量影響因子以及云物理過程,這代表了該領域的發(fā)展趨勢和先進的研究方向;但該方法涉及了龐大的計算量和復雜的技術要求,在國內尚未見相應的應用研究成果報道。

由于云團發(fā)生發(fā)展直至消亡的整個生命史過程會明顯受到大氣環(huán)境場各個物理量因子的影響,并且云態(tài)變化更多的是非平穩(wěn)、非線性的不規(guī)則變化,所以本文從云的演變過程與環(huán)境場影響因子之間的相關出發(fā),建立二者的非線性統(tǒng)計關系模型,對衛(wèi)星云圖的未來發(fā)展變化進行預測研究,探索衛(wèi)星云圖的短時臨近預報方法。

1 預報建模設計思想

云的發(fā)生發(fā)展并非簡單的線性運動,而是受到大氣環(huán)境、天氣系統(tǒng)以及整個環(huán)境物理量場相互作用和綜合影響的復雜的物理過程,某一地區(qū)和時刻內大氣中云未來時刻的變化一定與該地區(qū)未來大氣狀況相聯(lián)系。在云團的內部結構中,強烈的上升運動有助于向上輸送水汽,凝結潛熱的釋放可使云團內的空氣增暖,這種加熱又可導致低層氣壓下降,有利于云團和氣旋性環(huán)流的增強,以致繼續(xù)出現(xiàn)這一正反饋的過程。研究[10]證明,有90%的云團與熱帶地區(qū)大尺度擾動,如赤道輻合帶、東風波等天氣系統(tǒng)相聯(lián)系,而許多這些熱帶天氣系統(tǒng)正是受到大氣環(huán)流場的影響發(fā)展起來的。另外,云團在運動過程中的轉向、變速等會受到周圍環(huán)境高度場和風場等的影響。鑒于云團與氣象要素之間存在著明確的天氣動力關系,本文根據(jù)中國氣象局T213數(shù)值預報模式18～24 h預報時效每隔6 h的高度場、風場、垂直速度場等物理量預報場資料,采用EOF展開和人工神經網絡等方法對衛(wèi)星云圖灰度值進行預報建模研究。

根據(jù)分辨率的不同每一幅云圖包含了若干像素點,若將每個點作為研究對象建立預測模型,計算量將非常龐大,同時也會增加模型的噪聲干擾和計算誤差。為此,設計采用經驗正交函數(shù)分解的方法,對云圖灰度值矩陣作EOF展開,得到代表云圖空間分布的特征向量以及代表其隨時間變化特征的時間系數(shù)。一般地,特征向量隨時間的變化比較小,所以云圖隨時間變化的主要信息就集中反映在時間系數(shù)的變化上,每一個時間系數(shù)是展開對象的線性組合,反映了云圖分布型隨時間的變化。因此,以EOF展開得到的一維時間系數(shù)序列作為云圖預測建模研究的預報對象,并將T213數(shù)值預報產品的物理量預報場作為云圖預測建模的預報因子,采用人工神經網絡方法,建立云圖灰度值時間系數(shù)序列的非線性統(tǒng)計預報模型。將預測得到的云圖灰度值樣本各空間模態(tài)對應的時間系數(shù),與相應的空間特征向量通過時空反演[11],得到二維云圖灰度值矩陣預測值,實現(xiàn)對未來衛(wèi)星云圖的預測。

2 預報建摸方法

2.1 預報量計算處理方法

進行云圖預測建模時,首先對云圖灰度值矩陣采用EOF展開方法進行時空分離,將提取出來的空間場典型模態(tài)對應的時間系數(shù)序列作為模型輸出的預報分量。EOF展開方法作為一種系統(tǒng)降維和特征提取的方法在氣候分析和天氣預報中已有廣泛的應用[12]。EOF展開是將空間點的場隨時間的變化進行分解,它是將一個要素場X看成時間函數(shù)Z和空間函數(shù)V的線性組合,其數(shù)學表達式為

由于EO F收斂速度快,濃縮性強,并且分解出來的特征向量是正交的[14],因此可以很好地表示云圖樣本序列的主要信息,這樣就減少了原始云圖中存在的噪聲對揭示云圖變化主要特征的干擾。

2.2 預報建模方法

考慮到云圖變化的復雜性和非線性,本文在建立云圖未來變化的預測模型時采用了一種目前得到廣泛應用的非線性預報方法——B P神經網絡模型[15]。

基本的3層B P神經網絡的數(shù)學模型是

其中:A、B、C分別為輸入層、隱含層和輸出層矢量;ω1、θ1和ω2、θ2表示輸入層與隱含層以及隱含層和輸出層之間的連接權和閾值;f(x)為網絡激活函數(shù),這里采用Sigmoid函數(shù),即

具體的數(shù)學原理和計算過程參見文獻[16],在此不再冗述。

B P網絡采用誤差反傳算法,通過不斷調整網絡權值使網絡模型的計算輸出與期望輸出之間的誤差平方和達到最小或小于設定的一個訓練誤差,其實質是一個無約束的非線性最優(yōu)化計算過程。在網絡結構較大時不僅計算時間長,而且很容易限入局部極小點而得不到最優(yōu)結果。本文采用附加了沖量項的改進B P算法[17]。在網絡模型中,增加沖量項可以減小由于網絡結構選擇不當,造成過擬合的影響和避免網絡訓練陷于較淺的局部極小點,使網絡模型的學習過程更穩(wěn)定,并提高收斂速度。

3 云圖預報模型的建立與預報試驗

3.1 資料

使用2005—2006年6—8月FY-2C紅外衛(wèi)星云圖灰度值資料,研究范圍為覆蓋廣西的區(qū)域,即103.5～112.5°E、20.3～26.5°N,分辨率為0.09°×0.09°,云圖大小為70×100像素?？紤]到相同區(qū)域特定季節(jié)內云的發(fā)展演變具有相似的內在運動規(guī)律[6],本文以汛期廣西南寧地區(qū)有明顯降水過程的相應時次云圖樣本為例,即能反映某一次造成降水的天氣系統(tǒng)對應的云團演變過程。根據(jù)南寧地區(qū)日降水量大于25mm為標準(且衛(wèi)星云圖資料無缺漏),從中挑選出6個時間序列連續(xù)的過程,采樣間隔為6h,共57個云圖樣本。在建立云圖預測模型時,將2005年6月—2006年7月47張云圖作為建模樣本;將2006年8月3—5日的10張云圖作為檢測樣本。

在建立云圖預測模型時,預報因子取自中國氣象局6h間隔的T213數(shù)值預報模式產品的9個物理量場資料:500hPa高度場、700hPa的u、v風場、700hPa垂直速度、850hPa高度場、850hPa的u、v風場、850hPa垂直速度和海平面氣壓場。選取范圍為100～125°E、12～35°N。經緯網格距為1°×1°。

3.2 預報模型的建立

根據(jù)以上介紹的設計思想和方法,首先對47個云圖建模樣本作EO F展開,表1給出了前8個特征向量對應的特征值及各自的方差貢獻,對應的前8個特征向量累計方差貢獻達到了79.248%。前8個時間系數(shù)基本濃縮了該云圖樣本序列的主要信息,反映了云圖分布型隨時間變化的特征,且這些時間系數(shù)相互正交,因此取這8個空間特征向量對應的時間系數(shù)作為建立云圖預測模型的預報分量,可以減少噪聲影響和誤差積累,以提高預報的準確率。

對云圖建模樣本的前8個時間系數(shù)與該云圖時間序列時次相對應的9個物理量因子進行相關普查,挑選出與各個預報分量相關密切的預報因子,作為各預報分量非線性預報模型的輸入。以成片的相關系數(shù)絕對值達到0.27以上(通過0.05信度的顯著性檢驗)的格點區(qū)為基礎,在高相關區(qū)內選出2個相鄰格點的平均值作為預報初選因子。另外,在選因子時還采用了組合因子方法,即對相關符號相反的兩個相鄰或相近區(qū)域,將這兩個區(qū)域的代表格點值相減,獲得組合因子。由于本文在建立云圖預測模型時采用的是B P神經網絡,而B P網絡方法本身并不提供從眾多的預報因子中如何選取因子的方法[18],因此采用逐步回歸方法從初選因子中篩選出作為模型輸入的預報因子,來構造神經網絡的學習矩陣。并考慮到一般神經網絡模型的網絡結構不宜過大[19],在進行逐步回歸時通過設定F值控制入選的因子數(shù)量,即BP網絡模型的輸入維數(shù),將各預報分量的模型輸入節(jié)點控制在6以內。

表1 云圖序列前8個EOF分解的特征值及方差貢獻Table1 The first eight EO F eigenvalues and variance contributions of infrared cloud im age series

為了防止“過擬合”和誤差局部收斂現(xiàn)象,提高預報模型的泛化能力,采用附加沖量項的改進BP神經網絡算法,利用上述確定的預報因子和預報量建立云圖預測模型。網絡的訓練樣本為47個建模樣本,檢驗樣本為10個獨立樣本。該云圖預測模型以8個時間系數(shù)為預報量,對每一個預報分量分別建立模型進行預測。以47個云圖建模樣本的前8個主分量分別作為模型的預報量,將各預報分量對應的預報因子作為神經網絡建模的學習矩陣輸入,建立各個主分量的神經網絡預報模型。對于每一個預報分量,輸入節(jié)點數(shù)即最終入選因子個數(shù),輸出節(jié)點數(shù)為1,即對應所要預報的時間系數(shù),隱節(jié)點數(shù)因輸入節(jié)點數(shù)而異,動量因子為0.9,學習率為0.75。對學習矩陣做1 000次訓練,訓練結束得到預報模型。

為了檢驗網絡的預報能力,對10個獨立樣本的前8個時間系數(shù)進行預報建模檢驗。依照上述方法,將獨立樣本各預報分量對應的預報因子作為學習矩陣輸入,模型固定參數(shù)不變,動量因子取0.9,學習率取0.75,當學習矩陣作1 000次訓練后訓練結束,分別得到云圖獨立樣本序列的前8個時間系數(shù)的預測值。然后,根據(jù)以上云圖樣本通過EO F分解得到的前8個空間特征向量,與該模型預測出的時間系數(shù)通過時空反演,得到10個云圖獨立樣本二維灰度值矩陣的預測值。

3.3 預測效果檢驗分析

將預測云圖與實況云圖進行對比(圖1),黑色區(qū)域表示晴空無云,白色為有云區(qū)域。由圖1可見,預測云圖與實況云圖的主要特征基本吻合,在描述云圖的大體分布和發(fā)展趨勢上能得到較好的效果。從實況云圖來看,為一次氣旋式云團非平穩(wěn)發(fā)展的過程,從廣西東南部生成運動至覆蓋整個廣西區(qū)域,預測云圖基本實現(xiàn)了對云團生消、轉向等特征的描述。表2為預測云圖與實況云圖灰度值矩陣的相關系數(shù),二者的平均相關系數(shù)為0.61,最大的達到了0.76,預測結果基本上能反映出實況云圖分布的主要信息。結合圖1可見,預測圖在云團集中分布區(qū)域表現(xiàn)出較好的一致性和相似性,特別是能較為準確地反映云團密集帶的主要分布特征,但在描述云團的細節(jié)特征以及分散或者無云區(qū)域的預測上存在著一定的差異。

為了進一步檢驗云圖預測的效果,將預測與實況云圖的云頂溫度(TBB)等值線分布進行比較,以2006年8月5日02時和08時為例(圖2)。由圖2可見,預測云圖與實況云圖TBB等值線分布的主要特征比較相似,對于云團TBB值相對較高的區(qū)域預測效果較好。但隨著向云頂中部溫度遞減,低值區(qū)等值線范圍的預測結果較實況要明顯縮小。另外,在TBB梯度分布的預測上效果欠佳,實況云圖的梯度要明顯大于預測的結果。研究證明,較低的TBB值往往對應越大的降水量;而強降水區(qū)對應的則是在TBB梯度最大處[20]。因此,可利用預測云圖對大范圍的降水量進行估算,在一定程度上彌補了實時云圖在時間上的缺陷;從本文對云圖的預測精度來看,還難以實現(xiàn)對降水落區(qū)進行精確的估計。

表2 實況云圖與預測結果相關系數(shù)Table2 Correlation coefficients between the predicted and observed cloud im ages

4 小結

本文研究的出發(fā)點是考慮大氣環(huán)境場因素對衛(wèi)星云圖未來發(fā)生發(fā)展的影響,主要采用EO F展開和人工神經網絡等方法,探討了一種以數(shù)值預報產品資料為基礎的衛(wèi)星云圖預測方法。從模型試驗結果來看,云圖預測結果與實況基本相符,可較好地描述云團移動和生消的變化趨勢,尤其對區(qū)域內均勻分布的云圖得到了較為理想的預測效果,表明了該方法具有較好的合理性和可行性。但該方法尚未實現(xiàn)對云圖定點定量的預測,尤其在刻畫云圖結構與TBB等值線的細節(jié)特征上仍然存在著一定的差異,因而本文提出的這種云圖預測方法還難以精確地應用于強降水等災害性天氣的監(jiān)測和預報。

圖1 云圖預測試驗實況(a-j)與預測(k-t)對比(2006年8月3日08時—5日14時,間隔時間6h)a,k.03T08;b,l.03T14;c,m.03T20;d,n.04T02;e,o.04T08;f,p.04T14;g,q.04T20;h,r.05T02;i,s.05T08;j,t.05T14Fig.1 (a-j)O bserved and(k-t)predicted cloud im ages in the interval of6hrs from0800BST3rd to1400BST5th A ugust2006

提出的云圖預測方法突破了傳統(tǒng)的線性外推方法只能對比較平穩(wěn)狀態(tài)的云團進行預測的局限性,建立了一種以數(shù)值預報產品資料為基礎的非線性統(tǒng)計預測模型,能夠很好地預測衛(wèi)星云圖未來的發(fā)展趨勢,以及開展預報時效更長的研究工作。但是該方法仍存在著不足之處,較之國外先進的MOS方法,本文未考慮云內部的物理過程,并且僅選取了部分具有一定代表性的物理量因子,同時數(shù)值預報產品本身與實際的大氣環(huán)流形勢場就存在著誤差,也會影響云圖的預測精度。另外,考慮到為了減少誤差的積累和噪聲對預報準確率帶來的影響,在預報建模和EO F時空反演時僅用了前8個特征向量及其對應的特征值,忽略了一部分累積方差貢獻的原始云圖信息,因而也影響了對未來云圖發(fā)展變化的預測精度。

作為一種具有較長時效的氣象衛(wèi)星云圖預報方法,比較有效地利用了數(shù)值預報產品資料的物理預報因子,使云圖在未來變化的總體趨勢上有了較好的預測效果,為進一步開展利用云圖預測進行短時臨近天氣預報應用提供了重要基礎。

圖2 實況與預測TBB等值線分布(單位:℃) a.0805T02實況;b.0805T08實況;c.0805T02預測;d.0805T08預測Fig.2 (a,b)Observed and(c,d)predicted TBB(℃)contour patterns at(a,c)02:00and(b,d)08:00BST5 August2006

[1] 李偉鋼,Ramirez M C V,Ferreira N J,等.氣象衛(wèi)星云圖的多分辨小波分解及人工神經網絡降水估計研究[J].南京氣象學院學報,2000,23(2):277-282.

[2] 楊引明,姚祖慶.中國東部地區(qū)衛(wèi)星估計降水系統(tǒng)及其應用[J].氣象科學,2005,25(2):149-157.

[3] Thomasm H,Thomasm N.A short-term cloud forecase scheme using cross correlation[J].W ea Forecasting,1993,8(4):401-411.

[4] 黃勇,孔慶欣,鄭蘭芝.基于最大互相關的對流云預測[J].氣象科學,2005,25(4):399-404.

[5] Genkova I S,Pachedjieva B,Ganev G,et al.Cloud motion estimation from M ETEOSAT images using time mutability method[J].Laser Physics and Applications,1999,3571:297-301.

[6] 王繼光,張韌,郁文賢,等.基于衛(wèi)星云圖歷史資料反演云團非線性預測模型[J].國防科技大學學報,2007,29(5):41-47.

[7] 劉科峰,張韌,李文才,等.奇異值分解與神經網絡結合的衛(wèi)星云圖云團移動預測[J].解放軍理工大學學報:自然科學版,2008,9(3):298-301.

[8] Vukicevic T,Greenwald T,Zupanski M,et al.Mesoscale cloud state estimation from visible and infrared satellite radiances[J].Mon Wea Rev,2004,132(12):3066-3077.

[9] Velden C S.Recent innovations in deriving tropospheric winds from meteorological satellites[J].Review of American Meteor Society,2005,36(2):205-223.

[10] 朱乾根,林錦瑞,壽紹文,等.天氣學原理和方法[M].北京:氣象出版社,2000:504-507.

[11] 何慧,金龍,賈志年,等.動力延伸預報產品在廣西月降水預報中的應用[J].應用氣象學報,2007,18(5):727-731.

[12] Jin Long,Kuang Xueyuan,Huang Haihong,et al.Study on the overfitting of the artificial neural network forecasting model[J].Acta M eteor Sinica,2005,19(2):216-225.

[13] 楊茜,吳澗,王衛(wèi)國,等.全球對流層頂氣壓場的季節(jié)變化特征分析[J].氣象科學,2008,28(3):328-333.

[14] 毛文書,王謙謙,馬慧,等.江淮梅雨的時空變化特征[J].南京氣象學院學報,2008,31(1):116-122.

[15] Hwang J N,Lay S R,M aechlerM,et al.Regression modeling in back-propagation and projection pursuit learning[J].IEEE Transactions on Neural Networks,1994,5(3):342-353.

[16] 孫照渤,譚桂容,趙振國.人工神經網絡方法在夏季降水預報中的應用[J].南京氣象學院學報,1998,21(1):47-52.

[17] 吳建生,金龍,楊善朝.一種提高前向神經網絡泛化性能的新算法[J].信息與控制,2006,35(5):574-578.

[18] 金龍,吳建生,林開平,等.基于遺傳算法的神經網絡短期氣候預測模型[J].高原氣象,2003,24(6):981-987.

[19] 金龍.神經網絡氣象預報建模理論方法應用[M].北京:氣象出版社,2004:186-201.

[20] 蔡曉云,伏建國,朱革.一種衛(wèi)星和雷達資料結合的強降水臨近預報方法[J].氣象,1997,23(1):46-49.

A Short-term Cloud Forecast Model by Neural Networks

HE Ru1,GUAN Zhao-yong1,J IN Long2

(1.School of Atmospheric Sciences,NU IST,Nanjing 210044,China;2.Guangxi Climate Center,Nanning 530022,China)

Ashort-term cloud forecast model,based on the numerical forecast products data,is studied in this paper by means of the empirical orthogonal function(EOF)and artificial neural network(ANN)method.Firstly,the time coefficient of the EOF of the sample sequences of gray scale images of clouds was taken as the predictand and physical factors of numerical forecast products as the predictors,and an ANN forecast model was established.The future 6 h cloud forecast was made by the space-time inversion from the predicted time coefficient and the corresponding eigenmodes.The ANN cloud forecast model was verified by independent samples and the results show that the forecast results are better accorded with observed cloud pictures in the principle characteristics,especially in the general distribution and developing trend.

cloud forecast;artificial neural network;empirical orthogonal function;numerical forecast product

P457.1

A

1674-7097(2010)06-0725-06

2008-08-30;改回日期:2009-02-14

廣西科學研究與技術開發(fā)項目(桂攻關052005-2A);國家自然科學基金資助項目(40675023)

何如(1983—),女,廣西柳州人,碩士,助理工程師,研究方向為短期天氣預報,past014@163.com;管兆勇(通信作者),男,博士,教授,研究方向為氣候系統(tǒng)低頻變率,guanzy@nuist.edu.cn.

何如,管兆勇,金龍.一種神經網絡的云圖短時預測方法[J].大氣科學學報,2010,33(6):725-730.He Ru,Guan Zhao-yong,Jin Long.A short-term cloud forecast model by neural networks[J].Trans Atmos Sci,2010,33(6):725-730.

(責任編輯:劉菲)