CN106202920A - 一种单站海面气压的数值预报释用方法 - Google Patents

Abstract

本发明属于海洋预报技术领域，涉及一种单站海面气压的数值预报释用方法，具体包括以下步骤：构建数据库，数据预处理，训练超限学习机模型，利用训练超限学习机模型后得到的模型参数对待测海洋观测站点的海洋气压数值预报结果进行误差修正，将修正误差加到原来的数值预报结果中，得到待测海洋观测站点海面气压数值预报的释用结果。本发明释用方法能够减小预报值与真实值之间的误差，提高数值预报结果的准确度，提高工作效率，对于开展防灾减灾工作、保障人民财产和生命安全具有重大的意义。

Description

一种单站海面气压的数值预报释用方法

技术领域

本发明涉及数值预报产品的释用方法，特别涉及一种单站海面气压的数值预报释用方法，属于海洋预报技术领域。

背景技术

我国沿海地区是受海洋灾害严重影响的区域，特别是风暴潮(含近岸浪)等海洋灾害对当地社会、经济及人民群众生命财产等造成了巨大损失，风暴潮的有效预报对于开展防灾减灾工作、保障人民财产和生命安全具有重大的意义。风暴潮预报是否准确与海面风场数值模拟结果的好坏密切相关，而海面气压作为海面风场的重要因素之一，其结果的好坏对于风暴潮预测的优劣具有重要参考价值。

目前海面气压预报主要依靠的一种手段就是数值预报。数值预报作为一种客观定量的预报方法，其基本思想是：大气、海洋的未来状态是由现在状态和制约其变化的物理规律所确定的必然结果。数值预报把对大气和海洋运动在空间和时间上变化的研究，转化为在给定的边界条件和初始条件下求解大气方程组的问题，根据表示当前天气形势的己知初始条件，用数值方法求解流体动力-热力学方程组，得到未来一段时期内大范围的天气和海洋形势。经过半个多世纪的发展和业务化运用，数值预报水平在国内外得到迅速提高，并在1～3天的短期预报上取得了巨大的成功。但由于数值模拟过程中所采用的物理过程、初值、参数都需要近似的处理，并且模式每一步计算也都是近似的，其结果必然也是近似的，存在误差。特别是在像风暴潮和台风等这样的强动力过程中，受非线性作用的影响显著，数值预报的预报精度尚待进一步提高。为了减小数值预报模式的误差，目前在数值预报释用产品发布之前主要采用人工的方式，利用经验知识和历史观测数据对数值预报的结果进行误差修正，这种数值预报的释用方法不仅费时费力，效率极其低下，而且由于人工所利用的信息有限、主观性强，导致修正的准确度也不高，往往与社会需求还有一定的差距。

发明内容

本发明的目的在于克服现有技术的不足，提出一种单站海面气压的数值预报释用方法。本方法能够减小预报值与真实值之间的误差，提高数值预报结果的准确度，对于开展防灾减灾工作、保障人民财产和生命安全具有重大的意义。

本发明的技术方案是：一种单站海面气压的数值预报释用方法，具体包括以下步骤：

(一)构建数据库

收集待测海洋观测站点在T时刻之前每一个单位时刻的海面气压的历史观测数据值[y_T,y_T-1,...,y_T-N]和对应的历史数据预报结果值[x_T,x_T-1,...,x_T-N]，其中，y_t表示t时刻待测海洋观测站点海面气压的实际观测结果值，x_t表示t时刻待测海洋观测站点海面气压的数值预报结果值，T-N≤t≤T，N表示截取的历史时刻长度，得到N+1个待测海洋观测站点的海面气压历史观测数值和N+1个待测海洋观测站点的数值预报结果值；

(二)数据预处理

(1)计算每一个历史时刻的海面气压的数值预报结果与实际观测结果之间的误差值，记为[ε_T,ε_T-1,...,ε_T-N]，其中，ε_t＝y_t-x_t表示t时刻待测海洋观测站点的海面气压数值预报结果与实际观测结果之间的误差，T-N≤t≤T；

(2)对于任意历史时刻m的数值预报结果x_m提取c个特征因子来组成特征向量f_m，T-N+c≤m≤T,c<N，其中f_m＝[ε_m-1,ε_m-2,...,ε_m-c]，f_m的维度是1×c，f_m中的每一个特征因子分别是m时刻之前c个时刻的数值预报结果与实际观测结果的误差大小；每个历史时刻m的数值预报结果提取出一个特征向量，得到N-c+1个特征向量，将N-c+1个特征向量按行拼接起来得到特征矩阵F：

$F=\left[\begin{array}{c}{f}_T\\ f_{T-1}\\ .\\ .\\ .\\ f_{T-N+c}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\&epsiv;}}_{T-1}& {\mathrm{\&epsiv;}}_{T-2}& \mathrm{...}& {\mathrm{\&epsiv;}}_{T-c}\\ {\mathrm{\&epsiv;}}_{T-2}& {\mathrm{\&epsiv;}}_{T-3}& \mathrm{...}& {\mathrm{\&epsiv;}}_{T-1-c}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\&epsiv;}}_{T-N+c-1}& {\mathrm{\&epsiv;}}_{T-N+c-2}& \mathrm{...}& {\mathrm{\&epsiv;}}_{T-N}\end{array}\right]---\left(1\right)$

其中，特征矩阵F的维度记为M*c，M＝N-c+1代表数据特征样本的个数,c代表特征向量的维数；

(3)得到与步骤(2)中的特征矩阵F对应的标记向量L:

$L=\left[\begin{array}{c}{\mathrm{\&epsiv;}}_T\\ {\mathrm{\&epsiv;}}_{T-1}\\ .\\ .\\ .\\ {\mathrm{\&epsiv;}}_{T-N+c}\end{array}\right]---\left(2\right)$

其中，标记向量L的维度为M*1，L中每个元素分别是当前时刻数值预报结果x_m所对应的误差值ε_m的大小；

(三)将步骤(二)中得到的特征矩阵F和标记向量L作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数。

(四)利用步骤(三)中训练超限学习机模型后得到的模型参数对待测海洋观测站点T时刻之后的任一时刻的海洋气压数值预报结果进行误差修正，将修正误差加到原来的数值预报结果中，得到待测海洋观测站点在该时刻海面气压数值预报的释用结果。

根据本发明上述数值预报释用方法中，在步骤(三)中，所述超限学习机模型的训练过程为:

(1)设置超限学习机模型中隐含层节点个数为k，随机生成一个由c维特征空间向k维隐含层空间投影的权重映射矩阵W:

$W=\left[\begin{array}{ccccc}{w}_{11}& w_{12}& w_{13}& \mathrm{...}& w_{1k}\\ w_{21}& w_{22}& w_{23}& \mathrm{...}& w_{2k}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ w_{c1}& w_{c2}& w_{c3}& \mathrm{...}& w_{ck}\end{array}\right]---\left(3\right)$

W的维度为c*k，随机生成一个1*k维的偏置向量b:

b＝[b₁ b₂ … b_k] (4)

权重映射矩阵W和偏置向量b中的元素均为随机生成的随机数；

(2)将特征矩阵F映射到隐含层空间，得到映射之后的数据特征矩阵H：

H＝F*W+B (5)

式中，B＝1^M*b，1^M表示一个M*1维的列向量，列向量中的每一个元素都为1；H的维度为M*k，行数M为数据特征样本个数，列数k为隐含层空间中的数据特征维数；

(3)选取sigmoid函数为激活函数，通过激活函数g(x)将数据特征矩阵H转换为矩阵H_g，其中H_g＝g(H)，H_g的维度与数据特征矩阵H的维度一致，为M*k；

(4)假设输出权重矩阵记为P，P的维度为k*1，通过求解方程H_gP＝L求取P的大小，使矩阵H_g经过输出权重矩阵P输出后的结果与原始的标记向量L保持一致，P的解由公式得出，式中，表示矩阵H_g的广义逆矩阵；

所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数。

根据本发明上述数值预报释用方法中，在步骤(4)中，利用步骤(三)中训练超限学习机模型后得到的模型参数权重映射矩阵W、偏置向量b和输出权重矩阵P对待测海洋观测站点T时刻之后的任一时刻的海洋气压数值预报结果进行误差修正，其误差修正的具体步骤为：

(1)提取q时刻海面气压数值预报结果x_q的c个特征因子，并表示为一个1×c维的特征向量f_q＝[ε_q-1,ε_q-2,...,ε_q-c]，q＞T，采用步骤(二)的步骤(2)中的提取方法提取特征因子，f_q中的每一个特征因子分别是q时刻之前c个时刻的数值预报结果与实际观测结果的误差大小；(2)利用权重映射矩阵W和偏置向量b将特征向量f_q映射到隐含层空间，映射之后得到数据特征矩阵H_q：

H_q＝f_q×W+b (6)

式中，H_q的维度是1*k维；

(3)利用步骤(三)的步骤(3)中选取的激活函数g(x)将数据特征矩阵H_q转换为矩阵H_gq，其中H_gq＝g(H_q)，H_gq的维度与数据特征矩阵H_q的维度一致，为1*k维；

(4)利用步骤(三)的步骤(4)中求取的输出权重矩阵P预测待测海洋观测站点在q时刻海面气压数值预报结果x_q的误差大小，预测得到修正误差ε_qx：

ε_qx＝H_gqP (7)

将修正误差ε_qx加到原来的数值预报结果x_q中，得到待测海洋观测站点在q时刻海面气压数值预报的释用结果为x_q+ε_qx。

进一步的，在步骤(四)中，预测的前一时刻数值预报结果的误差代替特征向量里用到的实际观测结果的误差，来继续预测后一时刻数值预报结果的误差大小。由于每一个时刻数值预报结果的特征向量都用其前c个时刻的误差大小来表示，即用其前c个时刻的真实观测值与数值预报值之间的差值来表示，因此，在对未来某一时刻的数值预报结果进行误差修正时同样需要提取其c个时刻的误差大小，但在实际应用中未来某个时刻之前的真实观测值是没有的，例如，现在时刻是12点，数值预报模式从现在时刻起报，给出未来48小时的预报结果，假如要对18点的数值预报结果进行修正，18点数值预报结果的特征向量就是11点至17点的误差大小，但是12点以后的观测结果是无法得到的，因为还没发生，所以也就无法直接计算实际误差的大小，在进行实际预测时其实是从当前时刻之后的13点开始，先预测13点数值预报结果的误差，并对数值预报结果进行修正，然后利用预测出来的13点的误差代替特征向量里用到的真实误差，来继续预测14点的误差值，预测14点的数值预报结果的误差时，特征向量是用的前7个时刻的误差大小，即13点误差大小以及13点前6个时刻误差，同理，以此类推，直到把后续需要修正的数值预报结果全部修正完毕为止。

本发明的有益效果：本发明提出一种单站海面气压的数值预报释用方法，采用超限学习机模型，对超限学习机模型进行训练，超限学习机模型训练完毕之后，利用训练后的超限学习机模型自动、智能地对单站海面气压数值预报结果进行误差修正，取代现有技术中人工进行误差修正的模式，省时省力，修正速度快，提高了工作效率；训练后的超限学习机模型误差修正的准确度高，减小了预报值与实际值之间的误差，能够极大改善海面气压数值预报结果的精度，从而更好地为风暴潮预测服务，对开展防灾减灾工作、保障人民财产及生命安全具有重大的意义。

附图说明

图1为本发明一种单站海面气压的数值预报释用方法的流程示意图。

图2为本发明实施例1中8个时刻误差修正后的数值预报结果、未经修正的原始数值预报结果及真实的GTS观测数据值的对比图。

图3为本发明实施例2中18个时刻误差修正后的数值预报结果、未经修正的原始数值预报结果及真实的GTS观测数据值的对比图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

参见图1，一种单站海面气压的数值预报释用方法，具体包括以下步骤：

(一)构建数据库

收集待测海洋观测站点在T时刻之前每一个单位时刻的海面气压的历史观测数据值[y_T,y_T-1,...,y_T-N]和对应的历史数据预报结果值[x_T,x_T-1,...,x_T-N]，其中，y_t表示t时刻待测海洋观测站点海面气压的实际观测结果值，x_t表示t时刻待测海洋观测站点海面气压的数值预报结果值，T-N≤t≤T，N表示截取的历史时刻长度，得到N+1个待测海洋观测站点的海面气压历史观测数值和N+1个待测海洋观测站点的数值预报结果值；

(二)数据预处理

(1)计算每一个历史时刻的海面气压的数值预报结果与实际观测结果之间的误差值，记为[ε_T,ε_T-1,...,ε_T-N]，其中，ε_t＝y_t-x_t表示t时刻待测海洋观测站点的海面气压数值预报结果与实际观测结果之间的误差，T-N≤t≤T；

(2)对于任意历史时刻m的数值预报结果x_m提取c个特征因子来组成特征向量f_m，T-N+c≤m≤T,c<N，其中f_m＝[ε_m-1,ε_m-2,...,ε_m-c]，f_m的维度是1×c，f_m中的每一个特征因子分别是m时刻之前c个时刻的数值预报结果与实际观测结果的误差大小；每个历史时刻m的数值预报结果提取出一个特征向量，得到N-c+1个特征向量，将N-c+1个特征向量按行拼接起来得到特征矩阵F：

$F=\left[\begin{array}{c}{f}_T\\ f_{T-1}\\ .\\ .\\ .\\ f_{T-N+c}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\&epsiv;}}_{T-1}& {\mathrm{\&epsiv;}}_{T-2}& \mathrm{...}& {\mathrm{\&epsiv;}}_{T-c}\\ {\mathrm{\&epsiv;}}_{T-2}& {\mathrm{\&epsiv;}}_{T-3}& \mathrm{...}& {\mathrm{\&epsiv;}}_{T-1-c}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\&epsiv;}}_{T-N+c-1}& {\mathrm{\&epsiv;}}_{T-N+c-2}& \mathrm{...}& {\mathrm{\&epsiv;}}_{T-N}\end{array}\right]---\left(1\right)$

其中，特征矩阵F的维度记为M*c，M＝N-c+1代表数据特征样本的个数,c代表特征向量的维数；

(3)得到与步骤(2)中的特征矩阵F对应的标记向量L:

$L=\left[\begin{array}{c}{\mathrm{\&epsiv;}}_T\\ {\mathrm{\&epsiv;}}_{T-1}\\ .\\ .\\ .\\ {\mathrm{\&epsiv;}}_{T-N+c}\end{array}\right]---\left(2\right)$

其中，标记向量L的维度为M*1，L中每个元素分别是当前时刻数值预报结果x_m所对应的误差值ε_m的大小。

(三)将步骤(二)中得到的特征矩阵F和标记向量L作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数，所述超限学习机模型的训练过程为:

(1)设置超限学习机模型中隐含层节点个数为k，随机生成一个由c维特征空间向k维隐含层空间投影的权重映射矩阵W:

$W=\left[\begin{array}{ccccc}{w}_{11}& w_{12}& w_{13}& \mathrm{...}& w_{1k}\\ w_{21}& w_{22}& w_{23}& \mathrm{...}& w_{2k}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ w_{c1}& w_{c2}& w_{c3}& \mathrm{...}& w_{ck}\end{array}\right]---\left(3\right)$

W的维度为c*k，随机生成一个1*k维的偏置向量b:

b＝[b₁ b₂ … b_k] (4)

权重映射矩阵W和偏置向量b中的元素均为随机生成的随机数；

(2)将特征矩阵F映射到隐含层空间，得到映射之后的数据特征矩阵H：

H＝F*W+B (5)

式中，B＝1^M*b，1^M表示一个M*1维的列向量，列向量中的每一个元素都为1；H的维度为M*k，行数M为数据特征样本个数，列数k为隐含层空间中的数据特征维数；

(3)选取sigmoid函数为激活函数，通过激活函数g(x)将数据特征矩阵H转换为矩阵H_g，其中H_g＝g(H)，H_g的维度与数据特征矩阵H的维度一致，为M*k；

(4)假设输出权重矩阵记为P，P的维度为k*1，通过求解方程H_gP＝L求取P的大小，使矩阵H_g经过输出权重矩阵P输出后的结果与原始的标记向量L保持一致，P的解由公式得出，式中，表示矩阵H_g的广义逆矩阵；

所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数。

(四)利用步骤(三)中训练超限学习机模型后得到的模型参数权重映射矩阵W、偏置向量b和输出权重矩阵P对待测海洋观测站点T时刻之后的任一时刻的海洋气压数值预报结果进行误差修正，其具体的修正步骤为：

(1)提取q时刻海面气压数值预报结果x_q的c个特征因子，并表示为一个1×c维的特征向量f_q＝[ε_q-1,ε_q-2,...,ε_q-c]，q＞T，采用步骤(二)的步骤(2)中的提取方法提取特征因子，f_q中的每一个特征因子分别是q时刻之前c个时刻的数值预报结果与实际观测结果的误差大小；

(2)利用权重映射矩阵W和偏置向量b将特征向量f_q映射到隐含层空间，映射之后得到数据特征矩阵H_q：

H_q＝f_q×W+b (6)

式中，H_q的维度是1*k维；

(3)利用步骤(三)的步骤(3)中选取的激活函数g(x)将数据特征矩阵H_q转换为矩阵H_gq，其中H_gq＝g(H_q)，H_gq的维度与数据特征矩阵H_q的维度一致，为1*k维；

(4)利用步骤(三)的步骤(4)中求取的输出权重矩阵P预测待测海洋观测站点在q时刻海面气压数值预报结果x_q的误差大小，预测得到修正误差ε_qx：

ε_qx＝H_gqP (7)

将修正误差ε_qx加到原来的数值预报结果x_q中，得到待测海洋观测站点在q时刻海面气压数值预报的释用结果为x_q+ε_qx。

由于每一个时刻数值预报结果的特征向量都用其前c个时刻的误差大小来表示，即用其前c个时刻的真实观测值与数值预报值之间的差值来表示，因此，在对未来某一时刻的数值预报结果进行误差修正时同样需要提取其c个时刻的误差大小，但在实际应用中未来某个时刻之前的真实观测值是没有的，因此，将预测的前一时刻数值预报结果的误差代替特征向量里用到的实际观测结果的误差，来继续预测后一时刻数值预报结果的误差大小。

实施例1：以预报某海洋观测点1的海面气压的数值预报释用结果为例对本发明提供的一种单站海面气压的数值预报释用方法进行说明，其数值预报释用方法的具体步骤为：

(一)构建数据库

收集该海洋观测站点1的海面气压在2014年7月1日至7月30日的全球电信系统(GTS,Global Telecommunication System)的卫星观测数据值，由于GTS数据每天的采集时刻为0时、3时、6时、9时、12时、15时、18时、21时，共8个时刻，，单位时刻刻度为3小时，因此总共相当于选取了该月30*8＝240个历史时刻的观测数据，即[y₂₄₀,y₂₃₉,...,y₁]，同时从该站点WRF数值模式的24小时时效预报结果中提取对应历史时刻的数值预报结果值[x₂₄₀,x₂₃₉,...,x₁]；

(二)数据预处理

(1)计算每一个历史时刻的海面气压的数值预报结果与实际观测结果之间的误差值，记为[ε₂₄₀,ε₂₃₉,...,ε₁]，其中，ε_t＝y_t-x_t表示t时刻待测海洋观测站点的海面气压数值预报结果与实际观测结果之间的误差，t是处于7月1日0时至7月30日21时之间的任意一个历史时刻；

(2)对于7月1日21至7月30日21时之间的任意历史时刻m的数值预报结果x_m提取7个特征因子来组成特征向量f_m，其中f_m＝[ε_m-1,ε_m-2,...,ε_m-7]，f_m的维度是1×7，8≤m≤240，f_m中的每一个特征因子分别是m时刻之前7个时刻的数值预报结果与实际观测结果的误差大小；对每个历史时刻m的数值预报结果分别提取出一个特征向量，则总共可以得到233个特征向量，将这233个特征向量按行拼接起来得到特征矩阵F：

其中，特征矩阵F的维度记为233*7，233代表数据特征样本的个数，7代表每个样本的特征向量维数；

(3)得到与步骤(2)中的特征矩阵F对应的标记向量L:

$L=\left[\begin{array}{c}{\mathrm{\&epsiv;}}_{240}\\ {\mathrm{\&epsiv;}}_{239}\\ .\\ .\\ .\\ {\mathrm{\&epsiv;}}_8\end{array}\right]---\left(9\right)$

其中，标记向量L的维度为233*1，L中每个元素分别是当前时刻数值预报结果x_m所对应的误差值ε_m的大小；

(三)将步骤(二)中得到的特征矩阵F和标记向量L作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数，所述超限学习机模型的训练过程为:

(1)设置超限学习机模型中隐含层节点个数为10，随机生成一个由7维特征空间向10维隐含层空间投影的权重映射矩阵W:

$W=\left[\begin{array}{ccccc}{w}_{11}& w_{12}& w_{13}& \mathrm{...}& w_{1,10}\\ w_{21}& w_{22}& w_{23}& \mathrm{...}& w_{2,10}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ w_{71}& w_{72}& w_{73}& \mathrm{...}& w_{7,10}\end{array}\right]---\left(10\right)$

W的维度为7*10，随机生成一个1*10维的偏置向量b:

b＝[b₁ b₂ … b₁₀] (11)

权重映射矩阵W和偏置向量b中的元素均为随机生成的随机数；

(2)将特征矩阵F映射到隐含层空间，得到映射之后的数据特征矩阵H：

H＝F*W+B (12)

式中，B＝1²³³*b，1²³³表示一个233*1维的列向量，列向量中的每一个元素都为1；H的维度为233*10，行数233为数据特征样本个数，列数10为隐含层空间中的数据特征维数；

(3)选取sigmoid函数为激活函数，通过激活函数g(x)将数据特征矩阵H转换为矩阵H_g，其中H_g＝g(H)，H_g的维度与数据特征矩阵H的维度一致，为233*10；

(4)假设输出权重矩阵记为P，P的维度为10*1，通过求解方程H_gP＝L求取P的大小，使矩阵H_g经过输出权重矩阵P输出后的结果与原始的标记向量L保持一致，P的解由公式得出，式中，表示矩阵H_g的广义逆矩阵；

所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数；

(四)利用步骤(三)中训练超限学习机模型后得到的模型参数权重映射矩阵W、偏置向量b和输出权重矩阵P对海洋观测站点1在7月31日0时至21时之间的时刻的海洋气压数值预报结果进行误差修正，其具体的修正步骤为：

(1)提取7月31日0时刻该站点海面气压数值预报结果x₂₄₁的7个特征因子，并表示为一个1×7维的特征向量f₂₄₁＝[ε₂₄₀,ε₂₃₉,...,ε₂₃₄]，采用步骤(二)的步骤(2)中的提取方法提取特征因子，f₂₄₁中的每一个特征因子分别是7月31日0时刻之前7个时刻的数值预报结果与实际观测结果的误差大小；

(2)利用权重映射矩阵W和偏置向量b将特征向量f₂₄₁映射到隐含层空间，映射之后得到数据特征矩阵H₂₄₁：

H₂₄₁＝f₂₄₁×W+b (13)

式中，H₂₄₁的维度是1*10维；

(3)利用步骤(三)的步骤(3)中选取的激活函数g(x)将数据特征矩阵H₂₄₁转换为矩阵H_g241，其中H_g241＝g(H₂₄₁)，H_g241的维度与数据特征矩阵H₂₄₁的维度一致，为1*10维；

(4)利用步骤(三)的步骤(4)中求取的输出权重矩阵P预测海洋观测站点1在7月31日0时海面气压数值预报结果x₂₄₁的误差大小，预测得到修正误差ε_x241：

ε_x241＝H_g241P (14)

将修正误差ε_x241加到原来的数值预报结果x₂₄₁中，得到海洋观测站点1在7月31日0时的海面气压数值预报的释用结果为x₂₄₁+ε_x241。

继续采用上述误差修正方法对后续时刻的数值预报结果进行误差修正，但是由于实际应用中对未来时刻的测试样本进行测试时是没有观测数据可以利用的，因此在对7月31日3时的数值预报结果继续进行误差修正时，需要用刚才得出的ε_x241来代替真实的ε₂₄₁，然后再按照前述特征提取方法提取7月31日3时的数值预报结果x₂₄₂的特征向量，并对其进行误差修正，依次类推，直至将7月31日21时的数值预报结果修正完毕为止。

参见图2，图2中给出了对7月31日0时至21时之间8个时刻数值预报结果进行误差修正的结果，并分别与未经修正的原始数值预报结果和真实的GTS观测数据值进行了对比，可以看出经过本发明上述方法进行误差修正后，数值预报结果的准确率明显提高，得到的释用结果更加接近真实观测值。

为了定量分析本发明数值预报释用方法的优越性，实验中还统计了上述8个时刻的测试样本的数值预报结果在误差修正前和修正后与真实观测值之间的平均绝对误差大小，参见表1。

表1

	修正前	修正后	提高百分比
				平均绝对误差	1.3744	0.6709	51.18％

由表1可以看出，经过本发明数值预报释用方法进行误差修正后，数值预报结果准确率提高了50％以上。

此外，表2还给出了本专利所提出释用方法在对海洋观测点1的2014年7月数据上进行释用实验时所需的模型训练时间以及所有测试样本的误差修正时间，参见表2。

表2

	模型训练所需时间	所有测试样本的误差修正时间
			时间(s)	3.38×10-3	3.24×10-2

由表2可以看到，本发明数值预报释用方法方法是非常快速的，具有极高的效率，是传统的人工修正方式是远远达不到的。

实施例2：以预报某海洋观测点2的海面气压的数值预报释用结果为例对本发明提供的一种单站海面气压的数值预报释用方法进行说明，其数值预报释用方法的具体步骤为：

(一)构建数据库

收集该海洋观测站点2的海面气压在2015年11月1日0时至11月28日15时的全球电信系统(GTS,Global Telecommunication System)的卫星观测数据值，由于GTS数据每天的采集时刻为0时、3时、6时、9时、12时、15时、18时、21时(共8个时刻)，单位时刻刻度为3小时，因此总共相当于选取了该月27*8+6＝222个历史时刻的观测数据，即[y₂₂₂,y₂₂₁,...,y₁]，同时从该站点WRF数值模式的72小时时效预报结果中提取对应历史时刻的数值预报结果值[x₂₂₂,x₂₂₁,...,x₁]；

(二)数据预处理

(1)计算每一个历史时刻的海面气压的数值预报结果与实际观测结果之间的误差值，记为[ε₂₂₂,ε₂₂₁,...,ε₁]，其中，ε_t＝y_t-x_t表示t时刻待测海洋观测站点的海面气压数值预报结果与实际观测结果之间的误差，t是处于2015年11月1日0时至11月28日15时之间的任意一个历史时刻；

(2)对于11月1日21至11月28日15时之间的任意历史时刻m的数值预报结果x_m提取7个特征因子来组成特征向量f_m，其中f_m＝[ε_m-1,ε_m-2,...,ε_m-7]，f_m的维度是1×7，8≤m≤222，f_m中的每一个特征因子分别是m时刻之前7个时刻的数值预报结果与实际观测结果的误差大小；对每个历史时刻m的数值预报结果分别提取出一个特征向量，则总共可以得到215个特征向量，将这215个特征向量按行拼接起来得到特征矩阵F：

其中，特征矩阵F的维度记为215*7，215代表数据特征样本的个数，7代表每个样本的特征向量维数；

(3)得到与步骤(2)中的特征矩阵F对应的标记向量L:

$L=\left[\begin{array}{c}{\mathrm{\&epsiv;}}_{222}\\ {\mathrm{\&epsiv;}}_{221}\\ .\\ .\\ .\\ {\mathrm{\&epsiv;}}_8\end{array}\right]---\left(16\right)$

其中，标记向量L的维度为215*1，L中每个元素分别是当前时刻数值预报结果x_m所对应的误差值ε_m的大小；

(三)将步骤(二)中得到的特征矩阵F和标记向量L作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数，所述超限学习机模型的训练过程为:

(1)设置超限学习机模型中隐含层节点个数为10，随机生成一个由7维特征空间向10维隐含层空间投影的权重映射矩阵W:

$W=\left[\begin{array}{ccccc}{w}_{11}& w_{12}& w_{13}& \mathrm{...}& w_{1,10}\\ w_{21}& w_{22}& w_{23}& \mathrm{...}& w_{2,10}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ w_{71}& w_{72}& w_{73}& \mathrm{...}& w_{7,10}\end{array}\right]---\left(17\right)$

W的维度为7*10，随机生成一个1*10维的偏置向量b:

b＝[b₁ b₂ … b₁₀] (18)

权重映射矩阵W和偏置向量b中的元素均为随机生成的随机数；

(2)将特征矩阵F映射到隐含层空间，得到映射之后的数据特征矩阵H：

H＝F*W+B (19)

式中，B＝1²¹⁵*b，1²¹⁵表示一个215*1维的列向量，列向量中的每一个元素都为1；H的维度为215*10，行数215为数据特征样本个数，列数10为隐含层空间中的数据特征维数；

(3)选取sigmoid函数为激活函数，通过激活函数g(x)将数据特征矩阵H转换为矩阵H_g，其中H_g＝g(H)，H_g的维度与数据特征矩阵H的维度一致，为215*10；

(4)假设输出权重矩阵记为P，P的维度为10*1，通过求解方程H_gP＝L求取P的大小，使矩阵H_g经过输出权重矩阵P输出后的结果与原始的标记向量L保持一致，P的解由公式得出，式中，表示矩阵H_g的广义逆矩阵；

所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数；

(四)利用步骤(三)中训练超限学习机模型后得到的模型参数权重映射矩阵W、偏置向量b和输出权重矩阵P对海洋观测站点2在11月28日18时至11月30日21时之间的18个时刻的海洋气压数值预报结果进行误差修正，其具体的修正步骤为：

(1)提取11月28日18时该站点海面气压数值预报结果x₂₂₃的7个特征因子，并表示为一个1×7维的特征向量f₂₂₃＝[ε₂₂₂,ε₂₂₁,...,ε₂₁₆]，采用步骤(二)的步骤(2)中的提取方法提取特征因子，f₂₂₃中的每一个特征因子分别是11月28日18时之前7个时刻的数值预报结果与实际观测结果的误差大小；

(2)利用权重映射矩阵W和偏置向量b将特征向量f₂₂₃映射到隐含层空间，映射之后得到数据特征矩阵H₂₂₃：

H₂₂₃＝f₂₂₃×W+b (20)

式中，H₂₂₃的维度是1*10维；

(3)利用步骤(三)的步骤(3)中选取的激活函数g(x)将数据特征矩阵H₂₂₃转换为矩阵H_g223，其中H_g223＝g(H₂₂₃)，H_g223的维度与数据特征矩阵H₂₂₃的维度一致，为1*10维；

(4)利用步骤(三)的步骤(4)中求取的输出权重矩阵P预测海洋观测站点2在11月28日18时海面气压数值预报结果x₂₂₃的误差大小，预测得到修正误差ε_x223：

ε_x223＝H_g223P (21)将修正误差ε_x223加到原来的数值预报结果x₂₂₃中，得到海洋观测站点2在11月28日18时的海面气压数值预报的释用结果为x₂₂₃+ε_x223。

继续采用上述误差修正方法对后续时刻的数值预报结果进行误差修正，但是由于实际应用中对未来时刻的测试样本进行测试时是没有观测数据可以利用的，因此在对11月28日21时的数值预报结果继续进行误差修正时，需要用刚才预测得出的ε_x223作为真实的ε₂₂₃，然后再按照前述特征提取方法提取11月29日0时的数值预报结果x₂₂₄的特征向量，并对其进行误差修正，依次类推，直至将11月30日21时的数值预报结果修正完毕为止。

参见图3，图3给出了对11月28日18时至11月30日21时之间18个时刻数值预报结果进行误差修正的结果，并分别与未经修正的原始数值预报结果和真实的GTS观测数据值进行了对比，可以看出经过本发明上述方法进行误差修正后，数值预报结果的准确率明显提高，得到的释用结果更加接近真实观测值。

为了定量分析本专利方法的优越性，实验中还统计了上述18个时刻的测试样本的数值预报结果在误差修正前和修正后与真实观测值之间的平均绝对误差大小，参见表3。

表3

	修正前	修正后	提高百分比
				平均绝对误差	2.5526	1.4922	41.54％

由表3可以看出，经过本发明数值预报释用方法进行误差修正后，数值预报结果准确率提高了40％以上。

此外，表4还给出了本专利所提出释用方法在对海洋观测站点2的2015年11月数据上进行释用实验时所需的模型训练时间以及所有测试样本的误差修正时间，参见表4。

表4

	模型训练所需时间	所有测试样本的误差修正时间
			时间(s)	3.41×10-3	6.71×10-2

由表4可以看到，本发明数值预报释用方法方法是非常快速的，具有极高的效率，是传统的人工修正方式是远远达不到的。

以上所述的具体实施方案对本发明的目的和技术方案进行了进一步的详细说明，熟知本领域的技术人员将理解，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，在不脱离由所附权利要求书限定情况下，可以在细节上进行各种修改，都应当视为属于本发明的保护范围。

Claims (4)

1.一种单站海面气压的数值预报释用方法，其特征在于：具体包括以下步骤：

(一)构建数据库

收集待测海洋观测站点在T时刻之前每一个单位时刻的海面气压的历史观测数据值[y_T,y_T-1,...,y_T-N]和对应的历史数据预报结果值[x_T,x_T-1,...,x_T-N]，其中，y_t表示t时刻待测海洋观测站点海面气压的实际观测结果值，x_t表示t时刻待测海洋观测站点海面气压的数值预报结果值，T-N≤t≤T，N表示截取的历史时刻长度，得到N+1个待测海洋观测站点的海面气压历史观测数值和N+1个待测海洋观测站点的数值预报结果值；

(二)数据预处理

(1)计算每一个历史时刻的海面气压的数值预报结果与实际观测结果之间的误差值，记为[ε_T,ε_T-1,...,ε_T-N]，其中，ε_t＝y_t-x_t表示t时刻待测海洋观测站点的海面气压数值预报结果与实际观测结果之间的误差，T-N≤t≤T；

(2)对于任意历史时刻m的数值预报结果x_m提取c个特征因子来组成特征向量f_m，T-N+c≤m≤T,c<N，其中f_m＝[ε_m-1,ε_m-2,...,ε_m-c]，f_m的维度是1×c，f_m中的每一个特征因子分别是m时刻之前c个时刻的数值预报结果与实际观测结果的误差大小；每个历史时刻m的数值预报结果提取出一个特征向量，得到N-c+1个特征向量，将N-c+1个特征向量按行拼接起来得到特征矩阵F：

$F=\left[\begin{array}{c}{f}_T\\ f_{T-1}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ f_{T-N+c}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\&epsiv;}}_{T-1}& {\mathrm{\&epsiv;}}_{T-2}& ...& {\mathrm{\&epsiv;}}_{T-c}\\ {\mathrm{\&epsiv;}}_{T-2}& {\mathrm{\&epsiv;}}_{T-3}& ...& {\mathrm{\&epsiv;}}_{T-1-c}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ {\mathrm{\&epsiv;}}_{T-N+c-1}& {\mathrm{\&epsiv;}}_{T-N+c-2}& ...& {\mathrm{\&epsiv;}}_{T-N}\end{array}\right]---\left(1\right)$

其中，特征矩阵F的维度记为M*c，M＝N-c+1代表数据特征样本的个数，c代表特征向量的维数；

(3)得到与步骤(2)中的特征矩阵F对应的标记向量L:

$L=\left[\begin{array}{c}{\mathrm{\&epsiv;}}_T\\ {\mathrm{\&epsiv;}}_{T-1}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\mathrm{\&epsiv;}}_{T-N+c}\end{array}\right]---\left(2\right)$

其中，标记向量L的维度为M*1，L中每个元素分别是当前时刻数值预报结果x_m所对应的误差值ε_m的大小；

(三)将步骤(二)中得到的特征矩阵F和标记向量L作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数。

(四)利用步骤(三)中训练超限学习机模型后得到的模型参数对待测海洋观测站点T时刻之后的任一时刻的海洋气压数值预报结果进行误差修正，将修正误差加到原来的数值预报结果中，得到待测海洋观测站点在该时刻海面气压数值预报的释用结果。

2.如权利要求1所述的一种单站海面气压的数值预报释用方法，其特征在于：在步骤(三)中，所述超限学习机模型的训练过程为:

(1)设置超限学习机模型中隐含层节点个数为k，随机生成一个由c维特征空间向k维隐含层空间投影的权重映射矩阵W:

$W=\left[\begin{array}{ccccc}{w}_{11}& w_{12}& w_{13}& ...& w_{1k}\\ w_{21}& w_{22}& w_{23}& ...& w_{2k}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ w_{c1}& w_{c2}& w_{c3}& ...& w_{ck}\end{array}\right]---\left(3\right)$

W的维度为c*k，随机生成一个1*k维的偏置向量b:

b＝[b₁ b₂ … b_k] (4)

权重映射矩阵W和偏置向量b中的元素均为随机生成的随机数；

(2)将特征矩阵F映射到隐含层空间，得到映射之后的数据特征矩阵H：

H＝F*W+B (5)

式中，B＝1^M*b，1^M表示一个M*1维的列向量，列向量中的每一个元素都为1；H的维度为M*k，行数M为数据特征样本个数，列数k为隐含层空间中的数据特征维数；

(3)选取sigmoid函数为激活函数，通过激活函数g(x)将数据特征矩阵H转换为矩阵H_g，其中H_g＝g(H)，H_g的维度与数据特征矩阵H的维度一致，为M*k；

(4)假设输出权重矩阵记为P，P的维度为k*1，通过求解方程H_gP＝L求取P的大小，使矩阵H_g经过输出权重矩阵P输出后的结果与原始的标记向量L保持一致，P的解由公式得出，式中，表示矩阵H_g的广义逆矩阵；

所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数。

3.如权利要求2所述的一种单站海面气压的数值预报释用方法，其特征在于：在步骤(四)中，利用步骤(三)中训练超限学习机模型后得到的模型参数权重映射矩阵W、偏置向量b和输出权重矩阵P对待测海洋观测站点T时刻之后的任一时刻的海洋气压数值预报结果进行误差修正，其误差修正的具体步骤为：

(1)提取q时刻海面气压数值预报结果x_q的c个特征因子，并表示为一个1×c维的特征向量f_q＝[ε_q-1,ε_q-2,...,ε_q-c]，q＞T，采用步骤(二)的步骤(2)中的提取方法提取特征因子，f_q中的每一个特征因子分别是q时刻之前c个时刻的数值预报结果与实际观测结果的误差大小；

(2)利用权重映射矩阵W和偏置向量b将特征向量f_q映射到隐含层空间，映射之后得到数据特征矩阵H_q：

H_q＝f_q×W+b (6)

式中，H_q的维度是1*k维；

(3)利用步骤(三)的步骤(3)中选取的激活函数g(x)将数据特征矩阵H_q转换为矩阵H_gq，其中H_gq＝g(H_q)，H_gq的维度与数据特征矩阵H_q的维度一致，为1*k维；

(4)利用步骤(三)的步骤(4)中求取的输出权重矩阵P预测待测海洋观测站点在q时刻海面气压数值预报结果x_q的误差大小，预测得到修正误差ε_qx：

ε_qx＝H_gqP (7)

将修正误差ε_qx加到原来的数值预报结果x_q中，得到待测海洋观测站点在q时刻海面气压数值预报的释用结果为x_q+ε_qx。

4.如权利要求3所述的一种单站海面气压的数值预报释用方法，其特征在于：在步骤(四)中，预测的前一时刻数值预报结果的误差代替特征向量里用到的实际观测结果的误差，来继续预测后一时刻数值预报结果的误差大小。