地基GNSS反演PWV在極端天氣中的應(yīng)用

何安宏 吳學(xué)群

摘? 要： 利用GAMIT/GLOBK軟件解算了香港5個(gè)CORS站2018年一年的數(shù)據(jù)，反演得到了HKOH、HKST、HKNP、HKWS、T430，五個(gè)站的可降水汽含量數(shù)據(jù)，與香港探空站45004數(shù)據(jù)進(jìn)行分析驗(yàn)證，并做了相關(guān)性分析，得到兩者的相關(guān)性高達(dá)0.95，證明了地基GNSS反演可降水汽的可行性;并結(jié)合2018年9月16號(hào)臺(tái)風(fēng)“山竹”在香港地區(qū)過境前后降雨量的變化進(jìn)行了分析，得出了地基GNSS在極端天氣中應(yīng)用的可行性，并且在時(shí)間分辨率上效果比探空數(shù)據(jù)要好;利用BP神經(jīng)網(wǎng)絡(luò)模型對降雨進(jìn)行了預(yù)測，在已知PWV數(shù)據(jù)的前提下，能快速的得到降水發(fā)生的時(shí)間段。

關(guān)鍵詞： GAMIT/GLOBK;PWV;BP神經(jīng)網(wǎng)絡(luò);極端天氣

中圖分類號(hào)： TP319? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.057

本文著錄格式：何安宏，吳學(xué)群. 地基GNSS反演PWV在極端天氣中的應(yīng)用[J]. 軟件，2020，41（10）：219224

【Abstract】： Using GAMIT/GLOBK software， the data of five CORS stations in Hong Kong in 2018 are calculated， and the data of precipitable vapor content of five stations， namely， HKOH， HKST， HKNP， HKWS， T430， are retrieved. The data are analyzed and verified with the data of Hong Kong sounding station 45004， and the correlation analysis is made. The correlation between the two is as high as 0.95， which proves the feasibility of ground-based GNSS inversion of precipitable vapor. In combination with September 2018 Based on the analysis of rainfall changes before and after Typhoon “Shanzhu” passed through Hong Kong， the feasibility of application of GNSS in extreme weather is obtained， and the effect is better than that of sounding data in time resolution; the rainfall is predicted by BP neural network model， and the time period of rainfall occurrence can be quickly obtained on the premise of known PWV data.

【Key words】： GAMIT/GLOBK; PWV; BP Neural Network; Extreme weather

0? 引言

大氣中的水汽含量雖然較少，但是它卻是大氣中的重要組成部分，大氣中的水汽不僅與降水有關(guān)還作為反映溫室效應(yīng)的一個(gè)主要指標(biāo)，許多極端天氣如：暴雨、厄爾尼諾現(xiàn)象等的出現(xiàn)與大氣中的水汽有直接的關(guān)系它是很多天氣突變和自然災(zāi)害形成主要因素。探測水汽的方法有很多比如無線電探空、衛(wèi)星探測、微波輻射計(jì)、激光雷達(dá)探測、飛機(jī)探測、激光探測、地面濕度計(jì)、太陽光譜分析儀、地基GNSS探測。其中由于全球衛(wèi)星定位導(dǎo)航系統(tǒng)具有全天候、高精度、高時(shí)空分辨率、實(shí)時(shí)高效、不受天氣因素影響、成本低廉等優(yōu)點(diǎn)，使得地基GNSS反演PWV成為計(jì)算PWV的一種快速精確的方法，并且可以對極端天氣做出預(yù)報(bào)和預(yù)警[1]。20世紀(jì)80年代，Askne和Bevis等人首次提出了利用GPS來探測大氣水汽的理論并通過實(shí)驗(yàn)實(shí)現(xiàn)了GPS反演PWV的過程，計(jì)算了大氣加權(quán)平均溫度模型[2]，隨后陸續(xù)有國內(nèi)外學(xué)者進(jìn)行對GPS/GNSS反演PWV的精度驗(yàn)證，來自于中國測繪科學(xué)研究院、北京大學(xué)、武漢大學(xué)、中科院、氣象局等機(jī)構(gòu)的學(xué)者對各地區(qū)的測站分別進(jìn)行過研究，得到并驗(yàn)證了GPS反演PWV的可行性，GPS氣象學(xué)也隨之發(fā)展而來，并且應(yīng)用越來越廣泛[3-12]。2018年全球極端天氣頻發(fā)，暴雨、臺(tái)風(fēng)的現(xiàn)象時(shí)常出現(xiàn)給社會(huì)生產(chǎn)帶來了很大的損失，本文利用GAMIT/GLOBK數(shù)據(jù)解算軟件對香港5個(gè)CORS站2018年的原始觀測數(shù)據(jù)進(jìn)行處理，結(jié)合2018年臺(tái)風(fēng)“山竹”過境香港時(shí)帶來的強(qiáng)降水，分析驗(yàn)證了地基GNSS反演PWV的精度和可靠性以及反演結(jié)果在降水預(yù)測方面的應(yīng)用。

1? 地基GNSS反演大氣水汽的原理和方法

1.1? 地基GNSS反演大氣水汽的原理

GNSS電磁波信號(hào)穿過大氣層時(shí)由于電離層和對流層的影響，造成了電磁波信號(hào)的延遲，總體延遲表現(xiàn)為傳播路徑的彎曲和傳播速度的減慢。學(xué)者已經(jīng)證實(shí)由于電離層延遲與信號(hào)頻率平方成反比，可以使用雙頻觀測值進(jìn)行削弱達(dá)到毫米級(jí)的精度;對流層延遲即天頂總延遲，由濕延遲和靜力延遲兩部分組成。常用與計(jì)算天頂靜力延遲的模型有Saastamoinen（SAAS）模型、Hopfield模型、Black模型[3-12]。其中SAAS模型為：

其中，P為測站氣壓，為測站緯度，H為測站高程天頂濕延遲變化較為復(fù)雜，使用模型也難以保證其精度一般通過下式計(jì)算：

可降水量的推算可由以下公式推算：濕延遲和大氣可降水量的（PWV）的轉(zhuǎn)化公式為：

綜上所述：GNSS反演大氣可降水量的流程如圖1。

1.2? GAMIT參數(shù)設(shè)置

GAMIT/GLOBK是一款由麻省理工學(xué)院（MIT）研制的運(yùn)行在UNIX/LINUX操作系統(tǒng)上的一款GNSS高精度數(shù)據(jù)處理分析軟件[13];利用GAMIT軟件可以得到高精度的基線解算結(jié)果，其解算的結(jié)果相對精度能夠達(dá)到10-9左右，解算短基線的精度能優(yōu)于1 mm。文章采用GAMIT進(jìn)行數(shù)據(jù)處理軟件參數(shù)設(shè)置多數(shù)為默認(rèn)值改動(dòng)的參數(shù)如表1所示，解算模式我們選擇RELAX松弛解，選擇輸出天氣文件met，這里GAMIT里的默認(rèn)是關(guān)閉需要自己將其設(shè)置為Y，映射函數(shù)選擇VMF1，將海潮模型和無潮汐大氣負(fù)載參數(shù)格網(wǎng)模型打開，這兩個(gè)模型需要自行下載。

2? GNSS—PWV解算數(shù)據(jù)分析

使用GAMIT/GLOBK解算香港2018年一整年4個(gè)地基GNSS站的觀測數(shù)據(jù)，求得得到時(shí)間分辨率為一小時(shí)的PWV降水?dāng)?shù)據(jù)，根據(jù)香港地區(qū)的氣候條件發(fā)現(xiàn)每年的6月份以后為香港地區(qū)降水的高峰期選擇6月份數(shù)據(jù)進(jìn)行數(shù)據(jù)分析對比。通過GAMIT解算得到的6月份數(shù)據(jù)年積日152到159天驗(yàn)后NRMS值如表2所示，一般NRMS在0.25左右為正常，超過0.5則解算數(shù)據(jù)有問題需要重新解算，表2中所列為一周的NRMS值，全年的解算的NRMS都在0.2以下，滿足解算要求。

使用GAMIT自帶的求解可降水量的模塊求得香港5個(gè)CORS站2018年全年P(guān)WV數(shù)據(jù)，同理抽取6月份數(shù)據(jù)進(jìn)行數(shù)據(jù)對比分析，按照距離探空站最近的測站HKOH 6月降水?dāng)?shù)據(jù)如表3所示，從表中我們可以發(fā)現(xiàn)GNSS所求的PWV數(shù)據(jù)與探空站所求得PWV數(shù)據(jù)基本相差在2-3個(gè)mm左右，從圖2中我們可以看到兩條折線的變化趨勢峰值和低谷基本一致，這也說明了使用GNSS反演PWV數(shù)據(jù)的可行性。

為了查看兩組數(shù)據(jù)的相關(guān)性，使用Pearson相關(guān)系數(shù)法對兩組數(shù)據(jù)進(jìn)行相關(guān)性分析，即兩個(gè)連續(xù)變量的相關(guān)性系數(shù)等于它們之間的協(xié)方差cov（X，Y）除以它

們各自標(biāo)準(zhǔn)差的乘積。系數(shù)的取值總是在–1.0到1.0之間，接近0的變量被成為無相關(guān)性，接近1或者–1被稱為具有強(qiáng)相關(guān)性，其中公式為：

相關(guān)系數(shù)r的值介于–1與+1之間，即–1

當(dāng)r>0時(shí)，表示兩變量（當(dāng)X的值增大（減?。?，Y值增大（減?。┱嚓P(guān)，r<0時(shí)，兩變量為負(fù)相關(guān)（當(dāng)X的值增大（減?。?，Y值減?。ㄔ龃螅?當(dāng)|r|=1時(shí)，表示兩變量為完全線性相關(guān)，即為函數(shù)關(guān)系;當(dāng)r=0時(shí)，表示兩變量間無線性相關(guān)關(guān)系;當(dāng)0<|r|<1時(shí)，表示兩變量存在一定程度的線性相關(guān)。且|r|越接近1，兩變量間線性關(guān)系越密切;|r|越接近于0，表示兩變量的線性相關(guān)越弱。一般可按三級(jí)劃分：|r|<0.4為低度線性相關(guān);0.4≤|r|<0.7為顯著性相關(guān);0.7≤|r|<1為高度線性相關(guān)。

用Pearson相關(guān)系數(shù)法得到GNSS得到的PWV與Radiosonde的PWV兩者的相關(guān)系數(shù)為0.95，然后對兩組數(shù)據(jù)做線性回歸分析得到R2為0.9035，繪制如圖3。

通過以上分析可見，使用地基GNSS計(jì)算出來的PWV與探空站計(jì)算出來的PWV具有很強(qiáng)的相關(guān)性，兩者的相關(guān)性達(dá)到了0.95，并且通過計(jì)算兩者相對誤差，除了個(gè)別相差較大以外其余的基本只相差2-3 mm。這就充分的說明可以使用GNSS求解PWV，這樣可以使得GNSS全天候，實(shí)時(shí)高效成本低等的優(yōu)勢在降水預(yù)測中得到充分發(fā)揮。

3? 地基GNSS/PWV與實(shí)際降水的關(guān)系

3.1? 臺(tái)風(fēng)過境時(shí)帶來的影響和強(qiáng)降水分析

2018年9月16日17時(shí)，臺(tái)風(fēng)“山竹”登陸廣東省，登陸時(shí)中心附近最大風(fēng)力14級(jí)，中心最低氣壓955百帕，9月18日17時(shí)，臺(tái)風(fēng)“山竹”已造成廣東、廣西、海南、湖南、貴州5?。▍^(qū)）近300萬人受災(zāi)，5人死亡，1人失蹤，160.1萬人緊急避險(xiǎn)轉(zhuǎn)移和安置。據(jù)應(yīng)急管理部有關(guān)負(fù)責(zé)人介紹，臺(tái)風(fēng)“山竹”還造成5?。▍^(qū)）的1200余間房屋倒塌，800余間嚴(yán)重?fù)p壞，近3500間一般損壞;農(nóng)作物受災(zāi)面積174.4千公頃，其中絕收3.3千公頃;直接經(jīng)濟(jì)損失52億元。

結(jié)合2018年香港發(fā)生的降雨事件和對臺(tái)風(fēng)過境時(shí)降水量的變化與GNSS/PWV對比分析分別畫出了2018年全年香港CORS站HKOH的GNSS降水量和探空站45004還有實(shí)際降水量的對比分析圖，分別從1月到12月做出了GNSS和探空站的PWV數(shù)據(jù)折線圖，從圖上我們可以更加清楚的看到兩條折線的變化趨勢和峰值等基本吻合。并且在峰值下降過程中產(chǎn)生了實(shí)際降水。

通過上述的降水趨勢圖與實(shí)際降水量對比分析，證明香港地區(qū)CORS 基準(zhǔn)站反演得到的大氣可降水量、無線電探空數(shù)據(jù)與實(shí)際降水量趨勢吻合，能夠反映出香港地區(qū)水汽變化的過程。通過上述香港地區(qū)一年可降水量的趨勢圖，結(jié)合此次臺(tái)風(fēng)“山竹”過境引發(fā)的暴雨的生消過程進(jìn)行分析，從降水量上看：臺(tái)風(fēng)過境期間香港實(shí)際降水量達(dá)到了167.5 mm，而探空數(shù)據(jù)和GNSS所得到的降水量為均為60 mm左右與實(shí)際降水量有較大的差異，從變化趨勢上看：1月15到1月16日期間探空降水?dāng)?shù)據(jù)和GNSS降水?dāng)?shù)據(jù)從44 mm左右飆升到71 mm有一個(gè)較大的變化趨勢，這與臺(tái)風(fēng)過境時(shí)吻合。

針對實(shí)際降水量與GNSS所得的降水量數(shù)據(jù)有較大的差異我們在多加入幾個(gè)CORS站，排除是因?yàn)闇y站導(dǎo)致降水量差異，再次分析三者的關(guān)系如圖5。

從其他站PWV數(shù)據(jù)的走勢和變化來看基本與原來測站吻合，也說明并非因?yàn)闇y站導(dǎo)致PWV數(shù)據(jù)與實(shí)際有較大差異，所有測站在15日到16日期間有一個(gè)PWV量的劇增和劇減，這充分印證了強(qiáng)降水的到來期間水汽的聚集于釋放，也從側(cè)面印證了當(dāng)臺(tái)風(fēng)過境時(shí)，可能會(huì)帶來比實(shí)際更多的強(qiáng)降水。無線電探空數(shù)據(jù)每天0時(shí)和12時(shí)放一次探空氣球?qū)邓窟M(jìn)行一次觀測，而GNSS可以得到逐小時(shí)的可降水量，圖6中我們選擇了臺(tái)風(fēng)過境前后一天共三天的數(shù)據(jù)做出折線圖，圖中可以看到15號(hào)12點(diǎn)到24點(diǎn)時(shí)間段水汽持續(xù)下降這是降水的發(fā)生的時(shí)間段，在16號(hào)0時(shí)到12時(shí)PWV數(shù)值一直在上升這是水汽聚集，直到17號(hào)PWV數(shù)值才持續(xù)下降，這就與臺(tái)風(fēng)的過境時(shí)和過境后帶來的強(qiáng)降水相對應(yīng)，從而證實(shí)了GNSS對強(qiáng)降水極端天氣的預(yù)測的可行性，并且在時(shí)間分辨率上有相對于探空數(shù)據(jù)有很大的優(yōu)勢，使得GNSS在降水預(yù)報(bào)方面更優(yōu)于探空站。

4? BP神經(jīng)網(wǎng)絡(luò)模型降水預(yù)測

BP神經(jīng)網(wǎng)絡(luò)是信號(hào)是前向傳播，誤差反向傳播一種多層的前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[14]-[19]。上文我們證實(shí)了地基GNSS在降水預(yù)報(bào)上的可行性，我們也發(fā)現(xiàn)在PWV數(shù)值在30 mm以上時(shí)每當(dāng)有水汽的急劇上升和下降大都會(huì)發(fā)生降水事件，這時(shí)我們可以利用神經(jīng)網(wǎng)絡(luò)模型結(jié)合GNSS所求的PWV數(shù)據(jù)進(jìn)行降水的預(yù)測。從以上分析中可以看到降水的發(fā)生和消亡伴隨著可降水量PWV的上升聚集和下降傾瀉，利用這種規(guī)律，將每天的PWV數(shù)據(jù)和PWV數(shù)據(jù)的突變作還有年積日作為輸入的變量，發(fā)生降水作為輸出量，做一個(gè)神經(jīng)網(wǎng)絡(luò)降水發(fā)生的預(yù)測，我們將前半年150天的數(shù)據(jù)作為訓(xùn)練樣本，然后預(yù)測后半年發(fā)生降水的時(shí)間。

第一，時(shí)間分辨率按天來預(yù)測，該模型包含3個(gè)輸入，5個(gè)隱含層，一個(gè)輸出層一個(gè)輸出;從圖10中我們看到本次訓(xùn)練一共迭代了15次，最終達(dá)到設(shè)定的誤差10-4也就是紅線的變化，結(jié)合圖8、圖9可以看到本次模型訓(xùn)練的結(jié)果和效果都是比較圓滿的，通過數(shù)據(jù)分析得到如表4的數(shù)據(jù)，我們選取其中一段數(shù)據(jù)查看結(jié)果原本的數(shù)據(jù)輸出只有–1、0、1這三個(gè)數(shù)值我們開始就講-1為水汽上升、0為沒有降水發(fā)生，1為發(fā)生降水從而得到表4所示數(shù)據(jù)。

從表4中可以看到預(yù)測的結(jié)果與實(shí)際發(fā)生降水的時(shí)間是基本對應(yīng)的，在實(shí)際降水的統(tǒng)計(jì)中一般在0.05左右是統(tǒng)計(jì)不到的，所有即使發(fā)生了降水，統(tǒng)計(jì)部門也不一定能得到，這應(yīng)該就是數(shù)據(jù)中本應(yīng)該發(fā)生降水而實(shí)際降水中沒有數(shù)據(jù)的原因。上面的數(shù)據(jù)按照天數(shù)來計(jì)算的如果按照小時(shí)來計(jì)算是否會(huì)更加準(zhǔn)確和清晰？接下來我們將從解算得到時(shí)間分辨率為小時(shí)的PWV數(shù)據(jù)進(jìn)行預(yù)測分析，我們提取年積日為259天前12小時(shí)的預(yù)測數(shù)據(jù)

從上面的表格看出我們預(yù)測值與實(shí)際值是一致的，從16日0時(shí)開始PWV值一直上升，而且全天都在60 mm可能一整天都在發(fā)生降水事件。上表的數(shù)據(jù)時(shí)間分辨率更高，獲得的降水?dāng)?shù)據(jù)越精確，從而使得GNSS在降水的預(yù)測和預(yù)報(bào)中發(fā)揮更好的作用。

5? 總結(jié)

（1）通過解算香港2018年一整年的GNSS數(shù)據(jù)獲得了時(shí)間分辨率為一小時(shí)的PWV數(shù)據(jù)，通過與香港探空站數(shù)據(jù)進(jìn)行分析對比，GNSS獲得的PWV值與探空站獲得的PWV值兩者在時(shí)間序列上有高度的一致性，兩者的變化趨勢基本相同，均方根誤差較小，通過person相關(guān)系數(shù)法對兩者進(jìn)行分析得到兩者的相關(guān)系數(shù)超過0.9，對兩者的相對誤差做了回歸分析得到他們的R方為0.9035，說明兩者誤差線性回歸效果顯著，從而證實(shí)了GNSS數(shù)據(jù)解算PWV的可靠性。

（2）分析了2018年臺(tái)風(fēng)“山竹”在臺(tái)灣過境時(shí)帶來的強(qiáng)降水，通過單站分析和多個(gè)測站聯(lián)合分析得到了GNSS對強(qiáng)降水的到來有一定的預(yù)測性，通過后期數(shù)據(jù)處理GNSS可以在臺(tái)風(fēng)預(yù)警強(qiáng)降水等極端天氣中發(fā)揮巨大作用，從而減少社會(huì)經(jīng)濟(jì)損失，減少極端天氣給人們帶來的生命和財(cái)產(chǎn)的威脅。

（3）文末我們探討了在獲得PWV數(shù)據(jù)的前提下利用神經(jīng)網(wǎng)絡(luò)模型對發(fā)生降水的時(shí)間進(jìn)行了一個(gè)預(yù)測，得到的預(yù)測結(jié)果與實(shí)際降水基本符合，這也就說明我們在利用GNSS實(shí)時(shí)獲得PWV數(shù)據(jù)后可以利用神經(jīng)網(wǎng)絡(luò)模型對即將發(fā)生降水的區(qū)域做出預(yù)報(bào)和預(yù)警，使得GNSS在天氣預(yù)警方面的效率越來越高。

6? 存在的問題

（1）在對數(shù)據(jù)計(jì)算過程中第一天的24時(shí)和第二天0時(shí)獲得的PWV數(shù)值不一樣的問題，是否能取兩者的平均值作為重合時(shí)段的PWV值;

（2）在臺(tái)風(fēng)過境時(shí)當(dāng)天的實(shí)際降水量達(dá)到了167 mm，而GNSS和探空站得到的PWV只有60多毫米，如何獲得臺(tái)風(fēng)期間更精確的PWV數(shù)據(jù)還需要繼續(xù)分析;

（3）利用神經(jīng)網(wǎng)絡(luò)模型對降水進(jìn)行預(yù)測和預(yù)報(bào)還需升級(jí)，是否可以根據(jù)氣壓氣溫的變化還有測站位置對降水時(shí)間和可降水量進(jìn)行直接預(yù)測這種更加的節(jié)約預(yù)測預(yù)報(bào)的時(shí)間。在進(jìn)行降水預(yù)測師是否能夠根據(jù)PWV數(shù)值的大小，結(jié)合其他因素得到實(shí)際降雨量的大小，使得降水預(yù)報(bào)更加準(zhǔn)確和有效果。

參考文獻(xiàn)

[1]劉立龍， 黎峻宇， 黃良珂， 等. 地基GNSS反演大氣水汽的理論與方法[M]. 測繪出版社， 2018： 2-4.

[2]Bevis M， S Businger， TA Herring， et al. GPS Meteorology：?Remote sensing of atmospheric water vapor using the Global Positioning System. J. Geophys. Res. 1992， 97： 15787-15801.

[3]陳明東. GPS/PWV在臺(tái)風(fēng)“瑪莉亞”襲閩期間的變化特征研究[J]. 測繪通報(bào)， 2019（01）： 93-96+137.

[4]高志鈺. 區(qū)域大氣可降水量反演及應(yīng)用研究[D]. 蘭州交通大學(xué)， 2019.

[5]江鵬. 地基GNSS探測2D/3D大氣水汽分布技術(shù)研究[D]. 武漢大學(xué)， 2014.

[6]金鑫， 施昆， 陳云波， 等. GPS可降水汽含量在強(qiáng)降雨過程中的特征分析[J]. 全球定位系統(tǒng)， 2018， 43（2）： 65-71.

[7]羅楨. 地基GPS反演大氣可降水量及其在臺(tái)風(fēng)分析中的應(yīng)用研究[D]. 東華理工大學(xué)， 2017.

[8]蘇貝. GAMIT/GLOBK軟件應(yīng)用實(shí)例與數(shù)據(jù)分析[J]. 城市勘測， 2015（04）： 82-85.

[9]蘇永檸. GPS可降水量短臨預(yù)報(bào)方法研究[D]. 桂林理工大學(xué)， 2018.

[10]楊斯淏. 地基GPS反演大氣可降水量在香港地區(qū)的應(yīng)用研究[D]. 東華理工大學(xué)， 2017.

[11]趙慶志. 地基GNSS水汽反演關(guān)鍵技術(shù)研究及其應(yīng)用[J]. 測繪學(xué)報(bào)， 2018， 47（3）： 424.

[12]朱恩慧， 楊力， 賈鵬志， 等. 暴雨天氣中地基GNSS可降水量時(shí)序變化分析[J]. 導(dǎo)航定位學(xué)報(bào)， 2018， 6（1）： 21-26.

[13]張明， 徐杰. 利用GAMIT/GLOBK軟件進(jìn)行高精度GPS數(shù)據(jù)處理[J]. 西部探礦工程， 2010， 22（2）： 161-164.

[14]吳麟， 馮利華. 基于BP神經(jīng)網(wǎng)絡(luò)的義烏市降水量預(yù)測[J]. 浙江水利科技， 2014， 42（2）： 52-54.

[15]石黎， 孫志梅. 教學(xué)質(zhì)量評(píng)價(jià)的BP 神經(jīng)網(wǎng)絡(luò)模型[J]. 軟件， 2015， 36（3）： 19-21.

[16]陶穎新， 李春青， 蘇華. 基于改進(jìn)的PSO和模糊RBF神經(jīng)網(wǎng)絡(luò)的MBR膜污染預(yù)測[J]. 軟件， 2018， 39（8）： 52-56.

[17]常強(qiáng)， 趙偉， 趙仰杰. 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類預(yù)測與實(shí)現(xiàn)[J]. 軟件， 2018， 39（12）： 207-209.

[18]王宏濤， 孫劍偉. 基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J]. 軟件， 2015， 36（11）： 96-99.

[19]安晶晶， 劉高平， 朱佳寧. Farneback光流法在短臨預(yù)報(bào)中的應(yīng)用[J]. 軟件， 2018， 39（10）： 18-25.