CN109902346B - 基于神经网络的区域加权平均温度信息获取方法 - Google Patents

基于神经网络的区域加权平均温度信息获取方法 Download PDF

Info

Publication number
CN109902346B
CN109902346B CN201910066790.6A CN201910066790A CN109902346B CN 109902346 B CN109902346 B CN 109902346B CN 201910066790 A CN201910066790 A CN 201910066790A CN 109902346 B CN109902346 B CN 109902346B
Authority
CN
China
Prior art keywords
value
weighted average
model
average temperature
polynomial model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910066790.6A
Other languages
English (en)
Other versions
CN109902346A (zh
Inventor
胡伍生
聂檄晨
朱明晨
龙凤阳
李航
何辉明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910066790.6A priority Critical patent/CN109902346B/zh
Publication of CN109902346A publication Critical patent/CN109902346A/zh
Application granted granted Critical
Publication of CN109902346B publication Critical patent/CN109902346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的区域加权平均温度信息获取方法，包括以下步骤：S1：获取中国区域探空站点的加权平均温度的近似真值，记为Tm0；S2：构建站点的加权平均温度Tm与地表温度Ts、纬度
Figure DDA0001955964740000011
海拔h和年积日doy的多项式模型，并且获取多项式模型计算值Tm1和多项式模型残差值ΔTm1，多项式模型残差值ΔTm1为多项式模型计算值Tm1与加权平均温度近似真值Tm0的差；S3：建立BP神经网络误差补偿模型，得到多项式模型残差预报值ΔTm2；S4：将多项式模型计算值Tm1与多项式模型残差预报值ΔTm2相加得到融合模型的加权平均温度预测值Tm2，实现对多项式模型的残差补偿。本发明提高了模型精度。

Description

基于神经网络的区域加权平均温度信息获取方法
技术领域
本发明涉及全球导航领域，特别是涉及基于神经网络的区域加权平均温度信息获取方法。
背景技术
水汽是大气中最活跃的气象参数，它的变化直接影响着降水量大小。获取大气水汽含量(PWV)的一种方法是通过地基GNSS技术反演大气可降水量。PWV的精度主要包括GNSS数据计算天顶湿延迟(ZWD)的精度以及ZWD转换为PWV(即转换系数П)的精度。而加权平均温度Tm就是转换系数П的一个关键参数，因此天顶湿延迟转换为水汽的精度主要取决于大气加权平均温度Tm的精度。获取加权平均温度Tm常是利用当地高空探测数据积分计算，但是此方法无法运用在探空资料比较难获取的地区。现在最普遍使用的是Bevis等人利用美国中纬度地区的探空站点数据建立的回归模型Bevis公式：Tm＝0.72Ts+70.2，精度在4.74K。如今研究不同地区加权平均温度常用的方法是研究多项式模型，但多项式模型中往往存在着模型误差，因此有必要研究如何削弱模型误差，提高模型精度。
发明内容
发明目的：本发明的目的是提供一种基于神经网络的区域加权平均温度信息获取方法，相比传统多项式模型和Bevis模型，削弱了模型误差，提高了模型精度。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的基于神经网络的区域加权平均温度信息获取方法，包括以下步骤：
S1：获取中国区域探空站点的加权平均温度的近似真值，记为Tm0；
S2：构建站点的加权平均温度Tm与地表温度Ts、纬度
Figure GDA0003947528190000011
海拔h和年积日doy的多项式模型，并且获取多项式模型计算值Tm1和多项式模型残差值ΔTm1，多项式模型残差值ΔTm1为多项式模型计算值Tm1与加权平均温度近似真值Tm0的差；
S3：建立BP神经网络误差补偿模型，得到多项式模型残差预报值ΔTm2；
S4：将多项式模型计算值Tm1与多项式模型残差预报值ΔTm2相加得到融合模型的加权平均温度预测值Tm2，实现对多项式模型的残差补偿。
进一步，所述步骤S2中建立的多项式模型如式(1)所示：
Figure GDA0003947528190000012
式(1)中，Ts为地表温度，
Figure GDA0003947528190000013
为站点纬度，h为站点海拔，doy为年积日，a1为地表温度项的系数，a2为纬度项的系数，a3为海拔项的系数，a4、a5为与年积日有关的三角函数项的系数，b为余项。
进一步，所述步骤S3中，BP神经网络误差补偿模型为5×P×1的三层网络结构，其中，输入层参数包括地表温度Ts、纬度
Figure GDA0003947528190000021
海拔h、年积日doy和多项式模型计算值Tm1，输出层参数包括多项式模型残差值ΔTm1。
进一步，所述步骤S4中，融合模型的加权平均温度预测值Tm2如公式(2)：
ΔTm2＝Tm1+ΔTm2   (2)。
进一步，所述步骤S2中，加权平均温度Tm通过式(3)得到：
Figure GDA0003947528190000022
式(3)中，
Figure GDA0003947528190000023
是第i层大气的平均水汽压，
Figure GDA0003947528190000024
ei是第i层大气上界的大气压，ei-1是第i层大气下界的大气压；
Figure GDA0003947528190000025
是第i层大气的平均绝对温度，
Figure GDA0003947528190000026
Ti是第i层大气上界的绝对温度，Ti-1是第i层大气下界的绝对温度；Δhi是第i层大气上界与第i层大气下界之间的高度差，也即第i层大气的高度；n为大气的总层数。
有益效果：本发明公开了一种基于神经网络的区域加权平均温度信息获取方法，得到一种融合模型；无论是与传统多项式模型相比，还是与传统的Bevis模型相比，本发明的融合模型精度都有较大提高。
附图说明
图1为本发明具体实施方式中站号57494的探空数据提供的信息图；
图2为本发明具体实施方式的中国区域探空站点分布状况图；
图3为本发明具体实施方式的加权平均温度与站点地表温度的线性关系图；
图4为本发明具体实施方式的加权平均温度与站点纬度、海拔的线性关系图；
图4中的(a)为加权平均温度与站点纬度的线性关系图；
图4中的(b)为加权平均温度与站点海拔的线性关系图；
图5为本发明具体实施方式的加权平均温度与站点纬度、海拔的相关系数时序图；
图5中的(a)为加权平均温度与站点纬度的相关系数时序图；
图5中的(b)为加权平均温度与站点海拔的相关系数时序图；
图6为本发明具体实施方式的加权平均温度时序图；
图7为本发明具体实施方式的方法的流程图；
图8为传统Bevis模型、传统多项式模型和本发明具体实施方式的融合模型的加权平均温度残差时序图；
图8中的(a)为传统Bevis模型的加权平均温度残差时序图；
图8中的(b)为传统多项式模型的加权平均温度残差时序图；
图8中的(c)为本发明具体实施方式的融合模型的加权平均温度残差时序图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于神经网络的区域加权平均温度信息获取方法，本具体实施方式采用中国区域内2013-2015年86个站点的无线电探空数据，图2为中国区域各站点的分布状况图。以50527站点为例，探空数据提供了不同等压面层的大气特性层以及站点的经纬度、海拔信息，如图1所示。大气特性层参数包括位势高度(HGHT)、气温(TEMP)、露点温度(DWPT)、相对湿度(RELH)等要素。
本方法如图7所示，包括以下步骤：
S1：获取中国区域探空站点的加权平均温度的近似真值，记为Tm0；
S2：构建站点的加权平均温度Tm与地表温度Ts、纬度
Figure GDA0003947528190000031
海拔h和年积日doy的多项式模型，并且获取多项式模型计算值Tm1和多项式模型残差值ΔTm1，多项式模型残差值ΔTm1为多项式模型计算值Tm1与加权平均温度近似真值Tm0的差；
S3：建立BP神经网络误差补偿模型，得到多项式模型残差预报值ΔTm2；
S4：将多项式模型计算值Tm1与多项式模型残差预报值ΔTm2相加得到融合模型的加权平均温度预测值Tm2，实现对多项式模型的残差补偿。
步骤S2中建立的多项式模型如式(1)所示：
Figure GDA0003947528190000032
式(1)中，Ts为地表温度，
Figure GDA0003947528190000033
为站点纬度，h为站点海拔，doy为年积日，a1为地表温度项的系数，a2为纬度项的系数，a3为海拔项的系数，a4、a5为与年积日有关的三角函数项的系数，b为余项。式(1)是考虑到加权平均温度Tm0与站点地表温度的线性关系，与站点纬度与海拔的线性关系和相关系数，以及Tm0的年周期变化，构建得到的，如图3-6所示。
中国区域2013年86个站点的探空数据用作拟合样本，用最小二乘法确定多项式模型的各项系数，确定最终多项式模型为：
Figure GDA0003947528190000041
步骤S3中，BP神经网络误差补偿模型为5×P×1的三层网络结构，其中，输入层参数包括地表温度Ts、纬度
Figure GDA0003947528190000042
海拔h、年积日doy和多项式模型计算值Tm1，输出层参数包括多项式模型残差值ΔTm1。
步骤S4中，融合模型的加权平均温度预测值Tm2如公式(2)：
ΔTm2＝Tm1+ΔTm2   (2)。
步骤S2中，加权平均温度Tm通过式(3)得到：
Figure GDA0003947528190000043
式(3)中，
Figure GDA0003947528190000044
是第i层大气的平均水汽压，
Figure GDA0003947528190000045
ei是第i层大气上界的大气压，ei-1是第i层大气下界的大气压；
Figure GDA0003947528190000046
是第i层大气的平均绝对温度，
Figure GDA0003947528190000047
Ti是第i层大气上界的绝对温度，Ti-1是第i层大气下界的绝对温度；Δhi是第i层大气上界与第i层大气下界之间的高度差，也即第i层大气的高度；n为大气的总层数。
步骤S1中，加权平均温度的近似真值Tm0通过以下方法得到：利用公式(3)，利用中国区域2013-2015年86个站点每日0时和12时的探空资料计算加权平均温度后取平均值作为当天的Tm0值。
为了比较Bevis模型、多项式模型和融合模型的预测功能，分别用2014-2015年中国区域86个站点的探空数据作为检测样本进行预测，并利用了平均绝对偏差(MAD)和均方根误差(RMSE)作为评价模型的指标，其中MAD表示准确度，即模型与真值的偏离程度；RMSE表示精度，用于衡量模型的可靠性和稳定性。
它们的计算式分别为：
Figure GDA0003947528190000048
Figure GDA0003947528190000049
上述式子中，N表示进行误差分析的数据个数；Tpred表示模型的预测值(Tm1、Tm2)；Tm0表示步骤S1中提取的Tm近似真值。
表1给出了三种模型的精度对比。
表1：Bevis模型、多项式模型和融合模型精度对比表
Figure GDA0003947528190000051
为了进一步比较Bevis模型、多项式模型和融合模型的预测效果，做出三种模型2014-2015年加权平均温度残差的时序图，如图8所示。
从表1和图8可以看出：
(1)相比于多项式模型与基于误差补偿技术的融合模型，Bevis模型的平均绝对偏差最大，均方根误差也最大，说明Bevis模型应用在中国区域并不理想。
(2)融合模型和多项式模型的均方根误差分别为2.67K，2.61K。融合模型预测精度明显优于传统的Bevis模型，2014年和2015年分别提高26.6％和21.3％；较多项式模型精度分别提高了8.3％和2.2％。说明采用基于误差补偿技术的BP+多项式的融合模型更适合于中国区域的加权平均温度计算。

Claims (4)

1.基于神经网络的区域加权平均温度信息获取方法，其特征在于：包括以下步骤：
S1：获取中国区域探空站点的加权平均温度的近似真值，记为Tm0；
S2：构建站点的加权平均温度Tm与地表温度Ts、纬度
Figure FDA0003947528180000019
海拔h和年积日doy的多项式模型，并且获取多项式模型计算值Tm1和多项式模型残差值ΔTm1，多项式模型残差值ΔTm1为多项式模型计算值Tm1与加权平均温度近似真值Tm0的差；
S3：建立BP神经网络误差补偿模型，得到多项式模型残差预报值ΔTm2；
S4：将多项式模型计算值Tm1与多项式模型残差预报值ΔTm2相加得到融合模型的加权平均温度预测值Tm2，实现对多项式模型的残差补偿；
所述步骤S2中建立的多项式模型如式(1)所示：
Figure FDA0003947528180000011
式(1)中，Ts为地表温度，
Figure FDA0003947528180000012
为站点纬度，h为站点海拔，doy为年积日，a1为地表温度项的系数，a2为纬度项的系数，a3为海拔项的系数，a4、a5为与年积日有关的三角函数项的系数，b为余项。
2.根据权利要求1所述的基于神经网络的区域加权平均温度信息获取方法，其特征在于：所述步骤S3中，BP神经网络误差补偿模型为5×P×1的三层网络结构，其中，输入层参数包括地表温度Ts、纬度
Figure FDA0003947528180000013
海拔h、年积日doy和多项式模型计算值Tm1，输出层参数包括多项式模型残差值ΔTm1。
3.根据权利要求1所述的基于神经网络的区域加权平均温度信息获取方法，其特征在于：所述步骤S4中，融合模型的加权平均温度预测值Tm2如公式(2)：
ΔTm2＝Tm1+ΔTm2            (2)。
4.根据权利要求1所述的基于神经网络的区域加权平均温度信息获取方法，其特征在于：所述步骤S2中，加权平均温度Tm通过式(3)得到：
Figure FDA0003947528180000014
式(3)中，
Figure FDA0003947528180000015
是第i层大气的平均水汽压，
Figure FDA0003947528180000016
ei是第i层大气上界的大气压，ei-1是第i层大气下界的大气压；
Figure FDA0003947528180000017
是第i层大气的平均绝对温度，
Figure FDA0003947528180000018
Ti是第i层大气上界的绝对温度，Ti-1是第i层大气下界的绝对温度；Δhi是第i层大气上界与第i层大气下界之间的高度差，也即第i层大气的高度；n为大气的总层数。
CN201910066790.6A 2019-01-24 2019-01-24 基于神经网络的区域加权平均温度信息获取方法 Active CN109902346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910066790.6A CN109902346B (zh) 2019-01-24 2019-01-24 基于神经网络的区域加权平均温度信息获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910066790.6A CN109902346B (zh) 2019-01-24 2019-01-24 基于神经网络的区域加权平均温度信息获取方法

Publications (2)

Publication Number Publication Date
CN109902346A CN109902346A (zh) 2019-06-18
CN109902346B true CN109902346B (zh) 2023-04-07

Family

ID=66944234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910066790.6A Active CN109902346B (zh) 2019-01-24 2019-01-24 基于神经网络的区域加权平均温度信息获取方法

Country Status (1)

Country Link
CN (1) CN109902346B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126466B (zh) * 2019-12-16 2020-09-22 西安科技大学 一种多源pwv数据融合方法
CN111352173A (zh) * 2020-02-17 2020-06-30 东南大学 基于空间位置的加权平均温度计算方法
CN111382507B (zh) * 2020-03-04 2021-06-01 山东大学 一种基于深度学习的全球对流层延迟建模方法
CN111753408B (zh) * 2020-06-09 2023-05-09 南京信息工程大学 一种顾及天气的gnss大气加权平均温度计算方法
CN113108949B (zh) * 2021-03-16 2022-11-04 北京工业大学 一种基于模型融合的探空仪温度传感器误差预测方法
CN113639893B (zh) * 2021-06-29 2022-09-30 东南大学 一种基于多气象因子的近地加权平均温度信息获取方法
CN116881619B (zh) * 2022-12-01 2024-05-14 中国矿业大学(北京) 一种顾及地表气温和水汽压的大气加权平均温度精化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537256A (zh) * 2015-01-11 2015-04-22 北京工业大学 一种基于rbf神经网络m-ran算法的数控慢走丝线切割机床热误差建模方法
CN107367334A (zh) * 2017-02-28 2017-11-21 淮阴师范学院 一种用于铂电阻测量的非线性补偿方法
CN107180128B (zh) * 2017-05-04 2021-02-09 东南大学 一种适用于中国低纬度地区的加权平均温度计算方法
CN109117555A (zh) * 2018-08-14 2019-01-01 东南大学 一种区域加权平均温度的Bevis模型改进方法

Also Published As

Publication number Publication date
CN109902346A (zh) 2019-06-18

Similar Documents

Publication Publication Date Title
CN109902346B (zh) 基于神经网络的区域加权平均温度信息获取方法
Wang et al. Evaluation of the GPM IMERG satellite-based precipitation products and the hydrological utility
Villafuerte et al. Significant influences of global mean temperature and ENSO on extreme rainfall in Southeast Asia
CN107180128B (zh) 一种适用于中国低纬度地区的加权平均温度计算方法
CN111401602B (zh) 基于神经网络的卫星以及地面降水测量值同化方法
CN110378540B (zh) 一种适用于广西北部湾地区的大气加权平均温度计算方法
WO2021164480A1 (zh) 基于空间位置的加权平均温度计算方法
CN111382507B (zh) 一种基于深度学习的全球对流层延迟建模方法
CN108680268B (zh) 一种基于探空数据的区域加权平均温度的Bevis模型改进方法
CN109117555A (zh) 一种区域加权平均温度的Bevis模型改进方法
CN112034490B (zh) 一种nwp反演对流层延迟改进方法
CN111881581A (zh) 一种建立三维水汽格网模型的方法和系统
CN109145344A (zh) 一种基于探空数据的经验ztd模型改进方法
Zhang et al. Comprehensive evaluation of mainstream gridded precipitation datasets in the cold season across the Tibetan Plateau
CN113639893B (zh) 一种基于多气象因子的近地加权平均温度信息获取方法
Yong et al. Evaluating four multisatellite precipitation estimates over the Diaoyu Islands during Typhoon seasons
CN111126466B (zh) 一种多源pwv数据融合方法
CN106908815B (zh) 一种基于探空数据的北半球对流层延迟改正方法
CN111274707B (zh) 基于再分析数据和无线探空数据的加权平均温度计算方法
Jiang et al. Development of time-varying global gridded T s–T m model for precise GPS–PWV retrieval
CN115049013A (zh) 一种联合线性和svm的短时降雨预警模型融合方法
Chen et al. Establishment and assessment of hourly high‐resolution gridded air temperature data sets in Zhejiang, China
CN111753408B (zh) 一种顾及天气的gnss大气加权平均温度计算方法
Zhu et al. A method for retrieving thermodynamic atmospheric profiles using microwave radiometers of meteorological observation networks
Long et al. An improved GNSS remote sensing technique for 3D distribution of tropospheric water vapor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant