模式識(shí)別在氣象探測(cè)和信息處理中的應(yīng)用

王　華　楊乾鵬/林芝市氣象局

模式識(shí)別在氣象探測(cè)和信息處理中的應(yīng)用

王華楊乾鵬/林芝市氣象局

隨著模式識(shí)別和氣象探測(cè)技術(shù)的發(fā)展，模式識(shí)別在氣象探測(cè)和氣象信息數(shù)據(jù)處理中應(yīng)用較為廣泛。本文主要總結(jié)了在氣象領(lǐng)域內(nèi)應(yīng)用的一些方法，包括在基于聚類算法的雷電數(shù)據(jù)應(yīng)用、神經(jīng)網(wǎng)絡(luò)系統(tǒng)在暴雨預(yù)報(bào)中的應(yīng)用以及基于多普勒天氣雷達(dá)探測(cè)資料中低空急流、龍卷、下?lián)舯┝骱完囷L(fēng)鋒四種天氣現(xiàn)象的分類識(shí)別。

模式識(shí)別；氣象探測(cè)；聚類；神經(jīng)網(wǎng)絡(luò)

模式識(shí)別是20世紀(jì)60年代初迅速發(fā)展起來的一門科學(xué)，經(jīng)過幾十年的研究，取的了豐碩的成果，已經(jīng)形成了一個(gè)比較完善的理論體系，主要包括統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別、模糊模式識(shí)別、神經(jīng)網(wǎng)絡(luò)模式識(shí)別和分類器融合等研究?jī)?nèi)容。模式識(shí)別系統(tǒng)由信息獲取、預(yù)處理、特征提取和選擇、分類判決等4個(gè)部分組成。模式識(shí)別主要是應(yīng)用在其它學(xué)科，尤其是在一些文本分類、語(yǔ)音識(shí)別、圖像識(shí)別、視頻識(shí)別，在本文主要是介紹模式識(shí)別在氣象探測(cè)和氣象信息處理中的應(yīng)用，從而提高天氣的預(yù)報(bào)預(yù)測(cè)能力和氣象資料的分析處理能力。

一、基于聚類算法的雷電數(shù)據(jù)的應(yīng)用

（一）研究雷電的背景和意義

本文分析了一種新的雷電數(shù)據(jù)應(yīng)用方法。在這個(gè)方法中將會(huì)運(yùn)用一種聚類算法——K-MEANS算法。氣象觀測(cè)活動(dòng)中獲得的雷電數(shù)據(jù)通過該方法進(jìn)行聚類分析，得出理想的雷暴體聚類中心，這些聚類中心是最佳的雷暴體參數(shù)信息的反應(yīng)。通過對(duì)這一聚類結(jié)果的研究與分析，可以掌握雷暴活動(dòng)中雷暴單體的生命演變過程，并可以預(yù)測(cè)雷暴的發(fā)展動(dòng)向。

（二）雷電數(shù)據(jù)應(yīng)用的現(xiàn)狀

雷電與災(zāi)害性天氣（如龍卷、冰雹、超級(jí)單體和大風(fēng)）的關(guān)系非常密切，這方面已經(jīng)有許多研究。觀測(cè)數(shù)據(jù)表明，云地閃的總數(shù)、閃電總數(shù)以及這些因素的綜合指數(shù)與災(zāi)害性天氣有最直接的關(guān)系。天氣預(yù)報(bào)人員可以使用云地閃電數(shù)據(jù)進(jìn)行大范圍天氣監(jiān)測(cè)和對(duì)流天氣短時(shí)預(yù)報(bào)。因?yàn)殚W電演變特征能較好地指示對(duì)流的存在、產(chǎn)生、移動(dòng)、消散、結(jié)構(gòu)、范圍、強(qiáng)度和再發(fā)展等重要信息。雷電資料對(duì)雷達(dá)低仰角探測(cè)被地物遮擋的地區(qū)和國(guó)家邊界周圍以及沿海地區(qū)的作用尤為突出。對(duì)于因山地和大面積水域產(chǎn)生的局地強(qiáng)對(duì)流天氣，雷電數(shù)據(jù)對(duì)其演變的監(jiān)測(cè)和識(shí)別也具有重要意義。研究表明，一定情形下的云地閃與洪水、冰雹、暴雨、龍卷以及微暴流是密切關(guān)聯(lián)的。但這種關(guān)聯(lián)需要對(duì)不同的地區(qū)和不同的季節(jié)分別進(jìn)行研究分析。這一課題的廣泛研究必須建立在對(duì)雷電網(wǎng)絡(luò)數(shù)據(jù)進(jìn)一步分析的基礎(chǔ)上。

雷電探測(cè)網(wǎng)可以24小時(shí)連續(xù)監(jiān)測(cè)閃電的活動(dòng)，跟其它探測(cè)設(shè)備相比，雷電探測(cè)系統(tǒng)還具有以下特點(diǎn)：

（1）雷電數(shù)據(jù)能夠有效地在大面積的雨區(qū)內(nèi)區(qū)分出發(fā)展中的對(duì)流云。

（2）當(dāng)衛(wèi)星云圖、氣象雷達(dá)或其它氣象資料缺乏時(shí)，雷電數(shù)據(jù)可作補(bǔ)充。

（3）實(shí)時(shí)的閃電數(shù)據(jù)可在數(shù)秒內(nèi)報(bào)告雷暴的監(jiān)測(cè)結(jié)果，這是雷達(dá)和衛(wèi)星所不能企及的。

（4）雷電數(shù)據(jù)可以瞬間刷新，以幫助識(shí)別強(qiáng)對(duì)流天氣的區(qū)域和發(fā)展趨勢(shì)。

2.3K-均值法聚類和實(shí)現(xiàn)處理的大概步驟

1967年，MacQueen首次提出了K均值聚類算法（K-means算法）。迄今為止，很多聚類任務(wù)都選擇該經(jīng)典算法。該算法的核心思想是找出K個(gè)聚類中心 ，使得每一個(gè)數(shù)據(jù)點(diǎn)和與其最近的聚類中心的平方距離和被最小化（該平方距離和被稱為偏差 D）。

K均值（K-means）聚類算法（對(duì)n個(gè)樣本進(jìn)行聚類）

（1）［初始化］：隨機(jī)指定K個(gè)聚類中心（）；

（2）［分配］：對(duì)每一個(gè)樣本，找到離它最近的聚類中心，并將其分配到所標(biāo)明類；

（3）［修正］：將每一個(gè)移動(dòng)到其標(biāo)明的類的中心；

（4）［計(jì)算偏差］： ； （2-1）

（5）［D判斷收斂］：如果D值收斂，則return（）并終止本算法；否則，返回步驟（2）。

K-means 算法的優(yōu)點(diǎn)與不足。優(yōu)點(diǎn)：能對(duì)大型數(shù)據(jù)集進(jìn)行高效分類，其計(jì)算復(fù)雜性為 O（tKmn），其中，t為迭代次數(shù)，K為聚類數(shù)，m為特征屬性數(shù)，n為待分類的對(duì)象數(shù)，通常，K，m，t＜＜n。在對(duì)大型數(shù)據(jù)集聚類時(shí)，K-means 算法比層次聚類算法快得多。不足：通常會(huì)在獲得一個(gè)局部最優(yōu)值時(shí)終止；僅適合對(duì)數(shù)值型數(shù)據(jù)聚類；只適用于聚類結(jié)果為凸形（即類簇為凸形）的數(shù)據(jù)集［3］。以經(jīng)典K-means算法為基礎(chǔ)，研究者們提出了很多新的改進(jìn)的K-means 算法。

實(shí)現(xiàn)的大概步驟：

輸入：聚類個(gè)數(shù)k，包含n個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)集。

輸出：k個(gè)聚類。

（1）從n個(gè)數(shù)據(jù)中任意選擇k個(gè)數(shù)據(jù)作為初始的聚類中心。

（2）計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到聚類中心的距離，把數(shù)據(jù)點(diǎn)歸類到最近的聚類中心的簇。

（3）所有數(shù)據(jù)點(diǎn)分配完成后，再計(jì)算其聚類新的中心。

（4）將新的中心和前一次的聚類中心作比較，如果有變化則轉(zhuǎn)到步驟2，否則，轉(zhuǎn)到步驟5。

（5）輸出聚類結(jié)果。

二、神經(jīng)網(wǎng)絡(luò)系統(tǒng)在暴雨預(yù)報(bào)中的應(yīng)用

（一）研究暴雨的背景和意義

暴雨是我國(guó)夏季常見的一種影響嚴(yán)重的災(zāi)害性天氣。某一地區(qū)連降暴雨或出現(xiàn)大暴雨、特大暴雨，常導(dǎo)致山洪爆發(fā)，水庫(kù)垮壩，江河橫溢，房屋被沖塌，農(nóng)田被淹沒，交通和電訊中斷，會(huì)給國(guó)民經(jīng)濟(jì)和人民的生命財(cái)產(chǎn)帶來嚴(yán)重危害。暴雨尤其是大范圍持續(xù)性暴雨和集中的特大暴雨，不僅影響工農(nóng)業(yè)生產(chǎn)，而且可能危害人民的生命，造成嚴(yán)重的經(jīng)濟(jì)損失。暴雨的研究和預(yù)報(bào)，對(duì)提高防災(zāi)減災(zāi)能力有著重大的意義。

（二）神經(jīng)網(wǎng)絡(luò)技術(shù)在暴雨中的應(yīng)用

神經(jīng)元網(wǎng)絡(luò)原理模擬人腦的學(xué)習(xí)、記憶、思維、推理機(jī)能，主要是利用其網(wǎng)絡(luò)模擬預(yù)報(bào)員從大尺度環(huán)境場(chǎng)中捕捉暴雨信息的能力。神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)與傳統(tǒng)規(guī)則型專家系統(tǒng)亦不相同，傳統(tǒng)型專家系統(tǒng)的規(guī)則基于預(yù)報(bào)員長(zhǎng)期的工作經(jīng)驗(yàn)，規(guī)則之間要滿足嚴(yán)格的合諧性和完備性條件才能保證推理的正確性，而這兩點(diǎn)實(shí)際是很難達(dá)到的。神經(jīng)元網(wǎng)絡(luò)專家系統(tǒng)利用人工神經(jīng)元來模擬大腦的記憶和思維能力，用網(wǎng)絡(luò)權(quán)系矩陣隱式地表示知識(shí)，通過隱單元和節(jié)點(diǎn)作用函數(shù)實(shí)現(xiàn)非線性。通過訓(xùn)練獲取知識(shí)，利用網(wǎng)絡(luò)對(duì)初值的響應(yīng)實(shí)現(xiàn)推理功能。

大概步驟：依據(jù)在一段時(shí)間內(nèi)暴雨的資料，將分布在一定區(qū)域的暴雨資料按照經(jīng)緯度網(wǎng)格化，組成神經(jīng)元網(wǎng)絡(luò)待選的感應(yīng)神經(jīng)元輸入神經(jīng)元。利用具有一層隱結(jié)點(diǎn)的BP網(wǎng)絡(luò)，設(shè)定隱單元的數(shù)目為輸入神經(jīng)元數(shù)據(jù)量的一半，目的是使網(wǎng)絡(luò)具有良好的性能，通過BP網(wǎng)絡(luò)建立模式資料與發(fā)生暴雨發(fā)生所在地的站點(diǎn)降水資料的映射關(guān)系，通過網(wǎng)絡(luò)的學(xué)習(xí)功能，確定網(wǎng)絡(luò)權(quán)系矩陣，由此對(duì)大到暴雨以上的降水進(jìn)行預(yù)報(bào)。

三、總結(jié)

本文簡(jiǎn)單的從基于聚類算法的雷電數(shù)據(jù)應(yīng)用；神經(jīng)網(wǎng)絡(luò)系統(tǒng)在暴雨預(yù)報(bào)中的應(yīng)用；上述方法參考了大量前輩的資料，這里只是一些總結(jié)及設(shè)想，有一些簡(jiǎn)單的嘗試，還沒有大范圍的應(yīng)用。目前模式識(shí)別技術(shù)在氣象領(lǐng)域的應(yīng)用較為廣泛，隨著模式識(shí)別技術(shù)的快速發(fā)展，將模式識(shí)別技術(shù)應(yīng)用到其中將會(huì)推動(dòng)氣象技術(shù)的更加快速發(fā)展，會(huì)更充分利用好氣象資料，提高識(shí)別精度和處理效率。

［1］李弼成，邵美珍，等.模式識(shí)別原理與應(yīng)用.西安：西安電子科技大學(xué)出版社， 2008

［2］王耀生.人工智能、模式識(shí)別在氣象領(lǐng)域應(yīng)用的現(xiàn)狀與展望.北京：氣象，1987

［3］孫吉貴，劉杰，趙連宇.聚類算法研究.2008 Journal of Software， Vol.19， No.1，