CN112232554A - 一种基于bp神经网络的局域短临降水预报模型的构建方法 - Google Patents
一种基于bp神经网络的局域短临降水预报模型的构建方法 Download PDFInfo
- Publication number
- CN112232554A CN112232554A CN202011044459.3A CN202011044459A CN112232554A CN 112232554 A CN112232554 A CN 112232554A CN 202011044459 A CN202011044459 A CN 202011044459A CN 112232554 A CN112232554 A CN 112232554A
- Authority
- CN
- China
- Prior art keywords
- local short
- forecast model
- neural network
- rainfall
- precipitation
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000010276 construction Methods 0.000 title description 3
- 238000001556 precipitation Methods 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 37
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 abstract description 4
- 230000002123 temporal effect Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 239000005436 troposphere Substances 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的基于BP神经网络的局域短临降水预报模型构建方法，通过初始化BP神经网络；收集局域短临降水预报模型的输入气象参数及与其对应的实际降水观测的长时序历史大数据，对长时序历史大数据进行分类保存；将经分类的输入气象参数输入到BP神经网络进行迭代训练，输出局域短临降水预报数据，与实际降水观测数据进行比较得到两者间的误差；如果误差满足预设误差精度，完成局域短临降水预报模型的训练。所述模型能从长时序历史数据中捕捉各气象参数同实际降水间的非线性关系，依托GNSS高时空分辨率和高精度观测，建立针对具有特定需求的小范围地区和时段的精细化短临降水预报模型，为降水事件的业务预报提供补充，有效提高预报的时效性和针对性。
Description
技术领域
本公开属于GNSS气象学、神经网络应用领域，特别涉及一种基于BP神经网络的局域短临降水预报模型的构建方法。
背景技术
大气环境中的温、湿、压等气象要素的时序变化与降水事件的发生紧密相关，而在影响天气变化的众多气象要素中，用于表征大气水汽含量的大气可降水量 (precipitablewater vapor，PWV)又是最重要的参数之一，它主要指地面至大气层顶单位截面积空气柱中水汽凝结为雨的过程中所形成的降水量，其数值可以较好地反应出大气中的水汽含量。PWV可由GNSS天顶总延迟(zenith total delay， ZTD)结合气象观测信息依托经验模型反演得到，近年来随着GNSS精密单点定位技术的发展，使得获取高精度高时间分辨率的ZTD成为现实。2007年开始， IGS中心提供部分站点PPP解算的精度达到1.5-5mm的ZTD产品，可以更好地保障PWV的反演精度，从而更好地用于气象研究。通常在降水事件发生前的数小时内，PWV会出现不连续以及突然增大的现象，但由于其具有时空分布复杂且变化较快等特点，也使得对于水汽信息进行高精度实时监测极具困难。目前应用于业务天气预报中的包含水汽在内的气象数据主要来源于无线电探空仪，但其观测时次少，站点分布较稀疏，因而时空分辨率较低。其他探测手段如地基辐射计虽然具有较高的时间分辨率，但其价格昂贵致使其空间分辨率较低且无法实现全天候观测。卫星遥感(红外遥感及微波遥感)虽然可以提供较大面积的观测，但红外遥感易受云雨影响，而微波遥感虽然能够不受影响全天候工作，但其精度较低。因此，常规气象观测技术受限于时空分辨率、精度、使用成本等因素，其观测结果难以较好地满足局地、突发性降水等中小尺度天气的短时临近天气预报需求。
随着新一代GNSS(Global Navigation Satellite System，全球导航卫星系统)的高速发展，特别是我国北斗导航卫星系统(BeiDou Navigation Satellite System，BDS)的快速建成，对我们开展以北斗为核心的多系统GNSS大气探测奠定了重要基础。与传统的技术手段相比，地基GNSS大气探测技术具有运行成本低、时空分辨率高、全天候、无漂移和仪器偏差以及观测稳定等特点，可为水汽等气象要素监测以及短时临近天气预报等提供精度较高且相对独立的信息源。
目前神经网络技术在地球科学领域中的应用越来越受到人们的关注。在众多神经网络模型中，BP-NN(back propagation neural network，反向传播神经网络)作为一种典型的单向多层前馈神经网络，当有信息输入进网络时，神经网络把一系列经过联接权重加权输送给隐含层各神经元节点，隐含层各神经元汇总所有输入后，经特性函数作用后，再传至下一隐含层，直至最终传至输出层进行输出。然后再将其输出与期望输出进行比较，若二者间误差满足设定的误差精度要求，可以认为该网络模型学会了这一问题；若二者间误差未达到要求，便将该误差沿原来链路反向传播，对于各神经元节点的权值进行优化调整，如此循环直到得到期望的输出为止。由于神经网络技术具有独立学习、并行处理、非线性映射能力、容错能力和自适应能力强等优点，因此，为研究多种气象信息间内在关系、开发基于神经网络技术的降水预报模型提供了前所未有的契机。
发明内容
有鉴于此，本公开提出了一种基于BP神经网络的局域短临降水预报模型的构建方法，所述模型能够从长时序的历史数据中捕捉各气象参数同实际降水间的非线性关系，依托GNSS高分辨率和高精度的观测，建立针对具有特定需求的小范围地区和时段的精细化短临降水预报模型，为降水事件尤其是突发极端降水事件的业务预报提供补充，有效提高预报的时效性和针对性。
根据本公开的一方面，提出了一种基于BP神经网络的局域短临降水预报模型的构建方法，所述方法包括：
初始化BP神经网络；
收集所述局域临近降水预报模型的输入气象参数以及与其相对应的实际降水观测数据的长时序历史大数据，并对所述输入气象参数的长时序历史大数据进行分类保存；
将经分类的所述输入气象参数及与其相对应的实际降水观测数据作为训练样本输入到BP神经网络进行迭代训练，输出所述局域短临降水预报数据，并与所述实际降水观测数据进行比较，得到两者之间的误差；
如果所述误差满足局域短临降水预报模型的预设误差精度，则完成局域短临降水预报模型的训练，得到所述局域短临降水预报模型。
在一种可能的实现方式中，所述方法还包括：
根据BP神经网络原理，如果所述误差不满足局域短临降水预报模型的预设误差精度，则将所述误差沿所述局域短临降水预报模型输出层反向计算传播到所述局域短临降水预报模型的隐含层，以减小所述误差的原则调整所述局域短临降水预报模型的各层节点的权值，直到所述误差满足局域短临降水预报模型的预设误差精度，完成局域短临降水预报模型的训练。
在一种可能的实现方式中，初始化BP神经网络包括：
所述BP神经网络为3层的BP神经网络结构，含有M个神经元节点个数的输入层、N个神经元节点个数的隐含层、L个神经元节点个数的输出层，其中，M、 N、L为正整数，且，N≤2M+L；
根据所述隐含层的神经元节点个数N确定所述BP神经网络的学习率η，即η＝2/(N+1)。
在一种可能的实现方式中，所述方法还包括：所述输入气象参数包括：GNSS- ZTD、GNSS-PWV、温度和气压。
在一种可能的实现方式中，所述将经分类的所述输入气象参数及与其相对应的实际降水观测数据作为训练样本输入到BP神经网络进行迭代训练之前还包括：利用偏差或均方根误差参数对所述输入气象参数进行去噪和修正。
在一种可能的实现方式中，所述方法还包括：对所述输入气象参数进行归一化处理，将归一化后的输入气象参数输入到所述局域短临降水预报模型进行训练。
在一种可能的实现方式中，所述方法还包括：将即将进行预报的局域气象参数输入到训练好的局域短临降水预报模型中，得到所述局域短临降水发生概率和量级，与所述局域对应时段的实际降水观测数据进行对比，以对所述局域短临降水预报模型进行验证。
本公开通过初始化BP神经网络，收集局域短临降水预报模型的输入气象参数及与其对应的实际降水观测数据的长时序历史大数据，对长时序历史大数据进行分类保存；将经分类的输入气象参数输入到BP神经网络进行迭代训练，输出局域短临降水预报数据，与实际降水观测数据进行比较得到两者之间的误差；如果误差满足预设误差精度，完成局域短临降水预报模型的训练。所述模型能够从长时序的历史数据中捕捉各气象参数同实际降水间的非线性关系，依托GNSS 高分辨率和高精度的观测，建立具有特定需求的小范围地区和时段的精细化短临降水预报模型，为降水事件尤其是突发极端降水事件的业务预报提供补充，有效提高预报的时效性和针对性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的基于BP神经网络的局域短临降水预报模型的构建方法流程图；
图2示出根据本公开一实施例的基于BP神经网络的局域短临降水预报模型的训练质量控制流程图；
图3示出根据本公开一实施例的基于BP神经网络的局域短临降水预报模型的BP神经网络结构图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1、图2分别示出根据本公开一实施例的基于BP神经网络的局域短临降水预报模型的构建方法及模型训练质量控制流程图。其中，局域短临降水预报模型也可以称为局域短时临近降水预报模型，如图1所示，该方法可以包括：
步骤S11：初始化BP神经网络。
其中，BP神经网络(back propagation neural network)可以为一种单向多层前馈神经网络，当有信息向输入进网络时，网络把一系列经过联接权重加权输送给隐含层各神经元节点，隐含层各神经元汇总所有输入后，经特性函数作用后，再传至下一隐含层，直至最终传至输出层进行输出。
在一实例中，BP神经网络可以应用于局域短时临近降水预报，能够针对实际应用场景优化选择神经网络超参数。BP神经网络可以为3层的BP-NN神经网络结构，含有M个神经元节点个数的输入层、N个神经元节点个数的隐含层、L 个神经元节点个数的输出层，其中，M、N、L为正整数，且，N≤2M+L；
根据所述隐含层的神经元节点个数N可依托经验模型确定所述模型的学习率η，即η＝2/(N+1)。
图3示出根据本公开另一实施例的基于BP神经网络的局域短临降水预报模型的BP神经网络结构图。
如图3所示，如果BP神经网络的输入层的神经元节点个数设置为4(M＝4)； BP神经网络的输出层输出为发生降水事件的概率，因此，输出层的神经元节点个数为1(L＝1)，那么，隐含层的神经元节点个数N小于等于9，因此，为进一步提升模型收敛速度可以将BP神经网络的隐含层的神经元节点个数设置为7，根据BP神经网络的学习率η＝2/(N+1)，计算得到BP神经网络的学习率η＝1/4，可以依据该设定的神经网络学习率调整BP神经网络权值矩阵的变化率。BP神经网络模型初始化的权值矩阵是基于Nguyen-Widrow算法随机产生的，选择Sigmoid函数作为激活函数，最大迭代次数可以设定为20000次，误差精度可以设定为0.0001。由于传统的BP神经网络在训练过程中存在收敛速度慢、局部极小值、易产生训练瘫痪等问题，因此本发明中使用Levenberg-Marquardt(LM) 算法对网络的权值修正方式进行改进，LM算法具有极快的收敛速度，充分结合了梯度下降法与牛顿法的优点，使BP神经网络模型的性能更加稳定。
步骤S12：收集所述局域临近降水预报模型的输入气象参数以及与其相对应的实际降水观测数据的长时序历史大数据，并对所述输入气象参数的长时序历史大数据进行分类保存。
其中，输入气象参数可以是所选取研究的特定局部区域内包括多系统GNSS 观测、自动气象站测得的温度、湿度、气压以及自动雨量站获取的实际降水观测数据的长时序历史大数据集合；为服务于短时临近降水预报需求，应同时收集处理GNSS以及自动气象站观测的实时数据流，并将上述多系统GNSS观测、自动气象站测得的温度、湿度、气压以及自动雨量站获取的实际降水观测数据的长时序历史大数据集合分别存储在不同的数据库中，或者存储在同一数据库中的不同数据表中，在此不作限定，只要将不同种类的数据进行分类存储即可。
在一示例中，基于BP神经网络的局域短临降水预报模型的输入参数可以选定为GNSS-ZTD、GNSS-PWV、温度和气压，局域短临降水预报模型训练的期望输出为对应时刻的逐小时累计降水量(实际降水观测数据)。
其中，对于GNSS-ZTD，由于GNSS信号穿过对流层时会受到对流层延迟误差的影响，经过不同GNSS观测模式(精密单点定位和双差定位)处理后，可以获得ZTD。自2007年开始，IGS中心提供部分站PPP解算的精度可达1.5mm、时间分辨率可达5min的ZTD产品，使其能够更好地应用于气象预报及PWV的高精度反演。
对于GNSS-PWV，由于ZTD可分为ZHD(zenith hydrostatic delay，天顶静力延迟)和ZWD(zenith wet delay，天顶湿延迟)。其中，ZHD通常用Saastamoinen 模型计算获取，从ZTD中减去计算得到的ZHD便可获得ZWD信息，然后利用包括温度在内的气象观测信息形成转换因子，便可由ZWD反演获得高精度的 GNSS-PWV信息。由于大气水汽与降水事件的发生息息相关，结合我国北斗新型信号体制及混合星座优势，充分利用包括北斗在内的高精度GNSS观测数据反演获取研究区域高精度的GNSS-PWV数据。
对于温度及气压，由于温度、气压等气象观测数据在高精度GNSS大气水汽反演过程中扮演着重要的角色的同时，局地气象信息的变化也影响着局地降水的形成，因此需要通过气象站获取该局地区域的温度、气压等气象参数信息。
对于实际降水观测数据(实际累积降水量)，由于无论是在局域短临降水预报模型训练过程中输入参数的期望输出还是在局域短临降水预报模型验证过程中的局域短临降水预报模型预报精度评估，都需要使用到实际降水数据，因此需通过局域的雨量站获取到该局部地区的实际降水数据。
将GNSS-ZTD、GNSS-PWV、温度和气压、实际降水观测数据长时间序列的历史观测信息分类保存，以完成降水预报模型的训练和验证。
步骤S13：将经分类的所述输入气象参数及与其相对应的实际降水观测数据作为训练样本输入到BP神经网络进行迭代训练，输出所述局域短临降水预报数据，并与所述实际降水观测数据进行比较，得到两者之间的误差。
步骤S14：如果所述误差满足局域短临降水预报模型的预设误差精度，则完成局域短临降水预报模型的训练，得到所述局域短临降水预报模型。
如果所述误差满足预设误差精度，则完成模型训练，并得到所述局域短时临近降水预报模型。
在BP神经网络各项超参数确定及完成初始化后，应基于研究局部区域短临降水预报的需求对BP神经网络模型进行训练，对模型的各层节点的连接权值进行优化调整，使得输入气象参数通过局域短临降水预报模型能够得到期望的输出，以得到局域短临降水预报模型。如图1所示，将存储的分类数据GNSS-ZTD、 GNSS-PWV、温度及气压数据的长序列历史大数据，与上述输入气象参数相对应的期望输出(即由研究局部区域自动雨量站获取的当日实际降水数据)输入到 BP神经网络模型中，从第一个隐含层开始逐层计算，并向下一层传递，直至传至输出层，得到各层神经元节点的输出。将输入气象参数由BP神经网络计算得到的降水预报数据，同期望输出进行比较，计算二者间的误差，并以设定的局域短临降水预报模型的误差精度为参考，判断是否满足精度要求，如果误差满足预设的误差精度，则完成局域短临降水预报模型的训练，并得到所述局域短临降水预报模型。
在一种可能的实现方式中，如图2所示，该方法还包括：根据BP神经网络的作用原理，如果模型训练过程中输出产生的误差不满足预设误差精度，则将所述误差沿所述局域短临降水预报模型输出层反向计算到模型的第一个隐含层，以减小预报误差的原则调整局域短临降水预报模型各层节点的权值，直到局域短临降水预报模型训练输出所得误差满足预设误差精度，完成局域短临降水预报模型的训练。能够使经过局域短临降水预报模型训练学习而得到的隐含层及输出层权值矩阵及满足期望的输出样例。
在一种可能的实现方式中，该方法还包括：将经分类的所述输入气象参数及与其相对应的实际降水观测数据作为训练样本输入到BP神经网络进行迭代训练之前还包括：利用偏差或均方根误差参数对所述输入气象参数进行去噪和修正。
例如，在完成降水预报模型使用的GNSS观测在内的多类型大气参数 (GNSS-ZTD/PWV、温度和气压)以及相对应的实际降水观测数据的获取、分类和存储后，应进一步开展针对局部短临降水预报模型应用的多类型气象参数质量控制及精度验证工作，以保障局部短临降水预报模型所使用的参数精度，例如针对GNSS观测，可以利用研究局部区域内同GNSS站点并置的无线电探空仪、水汽辐射计等高精度水汽观测技术对于反演获得的GNSS-PWV进行精度验证，利用偏差、均方根误差等评价参数进行评估，针对GNSS多类型输入气象参数的反演结果进行粗差剔除、偏差修正以及误差特性的确定，最终确保将经过去噪和修正的高精度GNSS多类型气象产品应用于基于BP神经网络的短时临近降水预报模型中。
在一种可能的实现方式中，该方法还包括：对所述输入参数进行归一化处理，将归一化后的输入气象参数输入到所述局域短临降水预报模型进行训练。
由于所使用的GNSS-ZTD、GNSS-PWV、温度和气压数据具有不同的量纲且数值较大，若将长时序的上述历史大数据直接输入进局域短临降水预报模型，会由于局域短临降水预报模型的加权计算而使得输入气象参数变得异常巨大，从而增加局域短临降水预报模型的计算量并且降低局域短临降水预报模型的收敛速度。因此，可以将局域短临降水预报模型输入层各节点上的参数(GNSS-ZTD、 GNSS-PWV、温度和气压)分别利用其最大最小值算法进行归一化处理，从而将各个输入气象参数均变换到[0,1]区间进行局域短临降水预报模型训练。
其中，归一化处理的公式为：x′i＝(xi-xmin)/(xmax-xmin)
x′i代表归一化后的输入参数；xi表示原始参数，xmax和xmin分别为模型训练样本中输入参数的最大值和最小值。此外，在模型训练样本中的期望输出可以使用 one-hot编码规则来表达，能够进一步简化模型输入参数形式，提高局域短临降水预报模型训练过程的收敛速度。
在一种可能的实现方式中，该方法还包括：将即将进行预报的局域气象参数输入到训练好的局域短临降水预报模型中，得到所述局域短临降水发生概率和量级，与所述局域对应时段的实际降水观测数据进行对比，以对所述局域短临降水预报模型进行验证。
可以从所收集的、非训练样本的数据集中选择某一特定时间内的GNSS-ZTD、GNSS-PWV、温度及气压数据输入到训练好的降水预报模型中，在定量分析中，可以设定输出预报的降水量级，如表1所示不同时段的降雨量等级划分表(GB/T 28592-2012)。
表1
在定性分析中，可以得到降水事件的发生概率，根据降水发生情况，选定降水发生的阈值。例如，降水事件发生概率大于50％时，预报为“降水事件”，小于 50％时，预报为“不发生降水”。
在定性分析中，将该结果同对应时间段的实际降水数据进行比对及统计，可以得到降水预报模型的拟合程度以及降水预报模型“正确预报”、“空报”、“漏报”的概率，从而对降水预报模型进行验证和分析。最终能够面向实际需求，针对选定的研究区域向降水预报模型输入实时GNSS及气象数据流，服务于该区域的短时临近降水预报。
本公开通过初始化BP神经网络，收集局域短临降水预报模型的输入气象参数及与其对应的实际降水观测数据的长时序历史大数据，对长时序历史大数据进行分类保存；将经分类的输入气象参数输入到BP神经网络进行迭代训练，输出局域短临降水预报数据，与实际降水观测数据进行比较得到两者之间的误差；如果误差满足预设误差精度，完成局域短临降水预报模型的训练。所述模型能够从长时序的历史数据中捕捉各气象参数同实际降水间的非线性关系，依托GNSS 高分辨率和高精度的观测，建立针对具有特定需求的小范围地区和时段的精细化短临降水预报模型，为降水事件尤其是突发极端降水事件的业务预报提供补充，有效提高预报的时效性和针对性。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种基于BP神经网络的局域短临降水预报模型的构建方法，其特征在于，所述方法包括：
初始化BP神经网络；
收集所述局域临近降水预报模型的输入气象参数以及与其相对应的实际降水观测数据的长时序历史大数据，并对所述输入气象参数的长时序历史大数据进行分类保存；
将经分类的所述输入气象参数及与其相对应的实际降水观测数据作为训练样本输入到BP神经网络进行迭代训练，输出所述局域短临降水预报数据，并与所述实际降水观测数据进行比较，得到两者之间的误差；
如果所述误差满足局域短临降水预报模型的预设误差精度，则完成局域短临降水预报模型的训练，得到所述局域短临降水预报模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据BP神经网络原理，如果所述误差不满足局域短临降水预报模型的预设误差精度，则将所述误差沿所述局域短临降水预报模型输出层反向计算传播到所述局域短临降水预报模型的隐含层，以减小所述误差的原则调整所述局域短临降水预报模型的各层节点的权值，直到所述误差满足局域短临降水预报模型的预设误差精度，完成局域短临降水预报模型的训练。
3.根据权利要求1所述的方法，其特征在于，初始化BP神经网络包括：
所述BP神经网络为3层的BP神经网络结构，含有M个神经元节点个数的输入层、N个神经元节点个数的隐含层、L个神经元节点个数的输出层，其中，M、N、L为正整数，且，N≤2M+L；
根据所述隐含层的神经元节点个数N确定所述BP神经网络的学习率η，即η＝2/(N+1)。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述输入气象参数包括：GNSS-ZTD、GNSS-PWV、温度和气压。
5.根据权利要求1所述的方法，其特征在于，所述将经分类的所述输入气象参数及与其相对应的实际降水观测数据作为训练样本输入到BP神经网络进行迭代训练之前还包括：利用偏差或均方根误差参数对所述输入气象参数进行去噪和修正。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述输入气象参数进行归一化处理，将归一化后的输入气象参数输入到所述局域短临降水预报模型进行训练。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：将即将进行预报的局域气象参数输入到训练好的局域短临降水预报模型中，得到所述局域短临降水发生概率和量级，与所述局域对应时段的实际降水观测数据进行对比，以对所述局域短临降水预报模型进行验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011044459.3A CN112232554A (zh) | 2020-09-28 | 2020-09-28 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011044459.3A CN112232554A (zh) | 2020-09-28 | 2020-09-28 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112232554A true CN112232554A (zh) | 2021-01-15 |
Family
ID=74119615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011044459.3A Pending CN112232554A (zh) | 2020-09-28 | 2020-09-28 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232554A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344290A (zh) * | 2021-06-28 | 2021-09-03 | 福建师范大学 | 基于U-Net网络的次季节降雨气象预报订正方法 |
| CN113341481A (zh) * | 2021-07-02 | 2021-09-03 | 北京玖天气象科技有限公司 | 气象预报结果的确定方法及装置 |
| CN113468820A (zh) * | 2021-07-21 | 2021-10-01 | 上海眼控科技股份有限公司 | 数据训练方法、装置、设备及存储介质 |
| CN113609757A (zh) * | 2021-07-13 | 2021-11-05 | 中国科学院国家空间科学中心 | 基于随机森林回归的gnss掩星对流层参数的修正方法 |
| CN114049570A (zh) * | 2022-01-13 | 2022-02-15 | 山东大学 | 基于神经网络的星载遥感水汽空间反演方法及系统 |
| CN114488349A (zh) * | 2022-01-04 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
| WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
| WO2022239416A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置 |
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0949884A (ja) * | 1995-08-04 | 1997-02-18 | Aasu Uezaa:Kk | ニューラルネットワークを用いた局地的気象予測方法 |
| CN110458342A (zh) * | 2019-07-26 | 2019-11-15 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于改进的narx神经网络微气象监测系统及方法 |
| CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
| CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111665575A (zh) * | 2020-05-27 | 2020-09-15 | 长江水利委员会水文局 | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 |
-
2020
- 2020-09-28 CN CN202011044459.3A patent/CN112232554A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0949884A (ja) * | 1995-08-04 | 1997-02-18 | Aasu Uezaa:Kk | ニューラルネットワークを用いた局地的気象予測方法 |
| CN110458342A (zh) * | 2019-07-26 | 2019-11-15 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于改进的narx神经网络微气象监测系统及方法 |
| CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
| CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111665575A (zh) * | 2020-05-27 | 2020-09-15 | 长江水利委员会水文局 | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
| WO2022239416A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置 |
| CN113344290A (zh) * | 2021-06-28 | 2021-09-03 | 福建师范大学 | 基于U-Net网络的次季节降雨气象预报订正方法 |
| CN113344290B (zh) * | 2021-06-28 | 2023-02-14 | 福建师范大学 | 基于U-Net网络的次季节降水气象预报订正方法 |
| CN113341481A (zh) * | 2021-07-02 | 2021-09-03 | 北京玖天气象科技有限公司 | 气象预报结果的确定方法及装置 |
| CN113609757A (zh) * | 2021-07-13 | 2021-11-05 | 中国科学院国家空间科学中心 | 基于随机森林回归的gnss掩星对流层参数的修正方法 |
| CN113609757B (zh) * | 2021-07-13 | 2024-03-08 | 中国科学院国家空间科学中心 | 基于随机森林回归的gnss掩星对流层参数的修正方法 |
| CN113468820A (zh) * | 2021-07-21 | 2021-10-01 | 上海眼控科技股份有限公司 | 数据训练方法、装置、设备及存储介质 |
| CN114488349A (zh) * | 2022-01-04 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 |
| CN114049570A (zh) * | 2022-01-13 | 2022-02-15 | 山东大学 | 基于神经网络的星载遥感水汽空间反演方法及系统 |
| CN114049570B (zh) * | 2022-01-13 | 2022-04-22 | 山东大学 | 基于神经网络的星载遥感水汽空间反演方法及系统 |
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232554A (zh) | 一种基于bp神经网络的局域短临降水预报模型的构建方法 | |
| CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
| Boilley et al. | Comparison between meteorological re-analyses from ERA-Interim and MERRA and measurements of daily solar irradiation at surface | |
| CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
| CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
| CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
| CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
| WO2020253338A1 (zh) | 一种基于交通大数据的道路通行能力提取方法 | |
| CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
| CN115062527B (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| Ashok et al. | A systematic quantitative review on the performance of some of the recent short-term rainfall forecasting techniques | |
| CN114861840A (zh) | 一种多源降水数据融合方法 | |
| CN115808727A (zh) | 百米级阵风客观预报方法及装置 | |
| CN114488349A (zh) | 一种基于gnss-pwv多因子的局域短临降水预报模型的构建方法 | |
| Zhang et al. | Merging multisatellite precipitation products using stacking method and the censored-shifted gamma ensemble model output statistics in china's Beimiaoji basin | |
| CN109740118B (zh) | 一种质量控制方法、装置、设备及存储介质 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
| CN113361190A (zh) | 一种基于cmonoc-ztd的对流层延迟改正方法 | |
| Rahmat et al. | Implementation of Bayesian model averaging on the weather data forecasting applications utilizing open weather map | |
| Zhang et al. | Merging multisatellite precipitation products using stacking and EMOS-CSG methods |
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 |