基于神经网络和地理信息的华东及华南地区降水概率预报

来源:期刊VIP网所属分类:综合论文发布时间:2021-08-05浏览:

  摘要 基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24~168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network)模型及NN-GI(Neutral Network-Geographic Information)模型进行概率预报试验,并对两个模型输出的概率预报结果进行评估。结果表明,经NN模型和NN-GI模型订正后,降水概率预报结果得到明显改进,在168 h预报时效时,降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00%、21.27%。与NN模型相比,NN-GI模型由于考虑到各格点的地理信息差异,在区域内预报技巧整体改进更优。这表明,在利用机器学习方法改进降水预报时,在模型中加入各个格点的地理信息非常重要。

  关键词降水;概率预报;神经网络;地理信息;ECMWF集合预报

地理信息世界

  随着人类活动对气候变化的影响日益显著,暴雨等极端天气事件频发,对人民生命及财产安全造成重大影响,人们对降水预报准确性的要求也越来越高。同时,准确的降水预报是制定科学合理的政府决策的重要前提,也是人民生命财产安全的重要保证。因此,提高降水预报准确性,减小预报误差一直是气象业务和科研工作的重点。但是,降水受到多种不同尺度天气系统的共同作用,这使得降水相较于其他气象要素,预报难度更大,是天气预报和气候预测中最具挑战性的气象要素之一。

  由于大气是一个高度非线性的混沌系统,误差会随着数值预报模式积分时间的增加而增加,从而导致预报的不确定性(Lorenz et al.,1965)。另外,数值预报模式在处理大气中物理过程,如微物理过程、边界层过程、陆面过程等,往往通过假设、近似、参数化等方法对这些作用进行简化,从而对预报结果产生影响(Moghim and Bras,2017)。比如,云物理过程、积云对流参数化等方案就对降水预报,特别是由中尺度系统引起的暴雨预报产生重要影响(崔文君等,2016)。不同的参数化方案得到的云微物理特征相关变量存在较大差异,而多方案集成方法能够有效地降低这种不确定性,使得模拟结果更加稳定(智协飞等,2020a)。因此,近年来数值预报逐渐由确定性预报转变为多成员集合预报。与确定性预报相比,基于Epstein动力随机预报理论(Epstein,1969)和Leith蒙特卡罗预报法的集合预报(Leith,1974)能够模拟大气可能的变化,从而更加接近大气的实际状况。20世纪90年代后,随着大规模并行计算机的发展,集合预报系统在美国国家环境中心(National Centers for Environmental Prediction,NCEP)和欧洲中期天气预报中心投入业务运行,随后成为这两个中心数值天气预报的重要组成部分。

  集合预报由于初值扰动、模式设置等方面的原因,常存在一阶系统偏差及二阶离散度偏差(苏翔和袁慧玲,2020),所以对集合预报进行评估及偏差订正具有重要意义。国内外学者尝试采用多种方法对集合预报进行后处理(Applequist et al.,2002;Hamill et al.,2004;张海鹏等,2020;智协飞和赵忱,2020),从而提高预报的准确性。智协飞等(2016)通过建立降水的分级回归统计降尺度模型,获得更加精细化的预报结果;王姝苏等(2018)在此基础上,采用Schaake Shuffle方法重建降水丢失的空间相关性和时间连续性,使之更接近实况观测。智协飞和吕游(2019)将全国分为7个子区域,并分别用频率匹配法进行订正,有效减少了降水预报的误差。Ji et al.(2020)尝试将基于对象的诊断方法(the Method for Object-based Diagnostic Evaluation,MODE)用于多模式集合预报,发现该方法能够较好地保留降水的空间相关性,使降水落区更加完整。但是,这些方法仅得到一些确定性的预报结果,难以包含实际大气可能发生的各种情况。对于降水而言,能够定量计算不同量级降水出现的可能性大小,即采用概率预报,较传统的确定性预报具有更大的应用价值(林春泽等,2013)。

  近年来,随着计算机技术的发展及相关理论的完善,机器学习方法广泛应用于气象领域中,如短时临近预报(Shi et al.,2015;陈元昭等,2019)、空气质量预报(张庭玉,2018)、统计降尺度(任梅芳等,2018;商琪等,2020)、台风路径分类(耿焕同等,2017)及云图分类(韩丁等,2011;李林等,2015;胡凯等,2017)等方面。其中,神经网络模型可以从训练期的数据中,深入挖掘输入数据和目标数据之间的关系,从而对新的数据进行分类、预测等处理。Liu and Racah(2016)利用卷积神经网络,對热带气旋、大气环流和锋面现象进行识别,准确率达到99%、90%和89.4%。最近,智协飞等(2020b)和Peng et al.(2020)利用深度学习方法对地面气温进行多模式集成预报,所得结果优于传统超级集合等线性统计后处理方法。陈昱文等(2020)使用Stacking方法将人工神经网络模型和长短期记忆神经网络模型进行集成,建立ALS(ANN-LSTM-Stacking)模型,以均方根误差为损失函数,对地面气温进行偏差订正,在气温预报误差较大的区域和气温峰值预报有显著的订正效果。Rasp and Lerch(2018)针对德国地区2 m气温48 h预报,建立神经网络,得到其概率分布的均值及方差,从而求得其气温的概率分布。所得结果与EMOS方法相比,在连续分级概率评分上有较大改进。目前基于神经网络的概率预报研究主要集中于气温等正态分布的气象要素中,对于降水这种非正态分布的气象要素研究较少。

  推荐阅读:建筑工程师期刊《地理信息世界》杂志投稿格式

期刊VIP网,您身边的高端学术顾问

文章名称: 基于神经网络和地理信息的华东及华南地区降水概率预报

文章地址: http://www.qikanvip.com/lunwen/zonghelunwen/2021/0805/58841.html