基于BP神经网络预报风场改...水的预报效果——以青岛为例_李晓东.pdf

第 卷第期 年月中 国 海 洋 大 学 学 报 （）：，基于 神经网络预报风场改善 对强降水的预报效果 以青岛为例*李晓东，海尚飞，于诗赟，王菲，马艳，丁仁智，盛立芳*（中国海洋大学海洋与大气学院，山东 青岛 ；青岛市气象局，山东 青岛 ；中国民用航空华东地区管理局气象中心，上海 ）摘要：本文将全球预报系统（，）分析数据和预报数据作为训练集和测试集，利用（）神经网络后报风场，将 后报结果松弛逼近到天气研究和预报（，）模式的后报阶段，改善 模式对强降水的预报效果。以 年月 日青岛地区强降水为例，利用青岛地区个气象站的观测数据和雷达回波图检验优化方法对强降水的后报效果。结果表明，松弛逼近 后报风场后，降水强度有了明显改善，相比于不松弛逼近任何数据的 模式，松弛逼近 后报风场的 模式 降水量误差减少了，但后报降水量仍弱于实际降水量。关键词：强降水预报；模式；神经网络；松弛逼近中图法分类号：文献标志码：文章编号：（）：引用格式：李晓东，海尚飞，于诗赟，等基于 神经网络预报风场改善 对强降水的预报效果中国海洋大学学报（自然科学版），（）：，：，（）：*基金项目：中央高校基本科研业务费专项（）资助 （）收稿日期：；修订日期：作者简介：李晓东（），男，博士生。：*通讯作者：中国地面气象观测业务规定，每小时降水量 以上、连 续 降 雨 量 以 上、降 水量 以上的降水称为暴雨。强降水导致洪涝灾害，引发山体滑坡、泥石流等次生灾害，威胁人民生命财产安全。目前，对于强降水预报最常用的方法为数值天气预报。数值天气预报是在给定初始场的情况下，通过超级计算机计算天气运动的流体力学和热力学相关方程组，求解得到未来一段时间的预报场数据。在众多数值天气预报模式中，天气研究和预报（，）模式在强降水预报中表现突出，受到许多学者青睐 。但由于强降水局地性强、时间短、尺度小，模式强降水预报方面还存在一定的局限性。一方面 模式初始场存在不确定性，这种不确定性会造成细微误 差 的 快 速 增长 ，另一方面近离散化、云微物理参数化近似、边界条件等 模式本身造成的误差也造成强降雨预报的不准确 。以往改善 模式对强降水预报的能力多利用三维变分、四维变分、卡尔曼滤波等方法同化观测数据来优化 模 式 初 始 场 。这 些 改 善 方 法 均 集 中 在 模式预报之前，同化的数据是静态的，在模式预报期间 不 能 实 时 地、动 态 地 更 新 数 据。等 和 等 的研究表明，将同化观测后的分析数据松弛逼近到 模式整个模拟时段，有利于改善 模式对强降水的模拟结果。买小平 和 等 研究发现，在数值模式众多松弛逼近变量中，用松弛逼近风场来优化高低空的风场配置是准确模拟降水的关键。但在实际预报中，由于分析资料的风场数据存在时间滞后性，无法将其松弛逼近到 模式预报时间段。机器学习可以通过训练大量历史分析数据，获取规则，通过建立输入和输出数据之间最优的数学模型，一定程度预测未来分析数据的变化趋势。在众多机器学习方法中，（）神经网络被广泛预测风场等气象参数的变化趋势 。傅蓉等 考虑风电场气象因子影响建立了 神经网络风速预测模型，中国海洋大学学报 年运用该模型对新疆实际风电场日平均风速、最大风速、最大风速方向进行了连续 的预测，平均相对误差分别为 、和 。和 将山东烟台观测站点 间隔的风速资料作为学习样本，利用 神经网络对风速进行预测，预测结果的平均误差、绝对误差、均方根误差分别为 、和 ，绝对误差百分比为 。青岛地处山东半岛东南部，具有山、海、城、岛丰富的下垫面特征，受西南暖湿气流和北方冷空气活动的影响，强降水多发。张凯静等 的研究表明，高空 西风槽明显，和 存在切变（冷涡、气旋性环流），且低层存在西南急流时青岛地区容易产生强降水，在青岛强降水事件中占比 。但是复杂地形和天气系统的相互作用，使得青岛强降水预报存在较大难度。本文选取此类西风槽天气系统为个例，将 神经网络后报的风场“分析数据”松弛逼近到 模式的后报时段，以期改善 模式对青岛地区强降水的预报效果，为降水预报提供一种新的思路。暴雨个例北京时间 年月 日，受冷空气影响，青岛地区出现降水过程，日均降水量为 （见图（），平度、胶州、莱西、崂山、即墨、青岛、黄岛的 降水量分别为 、和 （见图（），个站中有个站 降水量超过暴雨阈值 。图 年月 日青岛地区观测站 小时降水量水平分布（）及小时降水量时间序列（）（）（），利用 数据分析 年月 日 时（北京时间）强降水过程环流形势，结果如图所示。青岛地区位于西风槽前，冷空气沿槽后西北气流向南方入侵（见图（），青岛地区相对湿度在 以上，西南气流源源不断给青岛地区输送水汽，为降水提供水汽条件（见图（）；青岛地区有很强的风切变，辐合上升，为降水提供动力条件（见图（）。该降水过程为青岛典型的西风槽强降水天气系统。数据与方法数据地面气象站数据：选择 年月青岛地区个地面大气监测站（黄岛、即墨、胶州、莱西、崂山、平度和青岛）的观测记录，数据时间分辨率为每小时一次，数据包括 温度、相对湿度、气压、风速、风向、降水量等气象参数，由青岛市气象局提供。探空数据：年月青岛站每日时和 时（北京时间）的探空数据由怀俄明大学网站提供（：），可以获得气温、气压、湿度、风速和风向等垂直分布资料。雷达回波水平分布图：年月青岛地区多普勒雷达回波拼图由国家气象信息中心中国气象数据网提供（：）。雷达基数据经过基本的电磁干扰杂波滤除、地物杂波滤除等质量控制。预报数据：（）预报数据是由国家环境预报中心（，）的全球预报系统提供的全球气象预报数据。预报系统每天发布 次（、）数据，预报时效为。数据水平分辨率为 （）（），垂直分为 层，包含温、压、风、湿等气象参数。模式预报时常用该预报数据作为模式的背景场。期李晓东，等：基于 神经网络预报风场改善 对强降水的预报效果（）温度、位势高度和风水平分布，（）相对湿度、位势高度和风水平分布，（）相对湿度、位势高度和风水平分布。温度单位为，相对湿度单位为，位势高度单位为 ，风场单位为。青岛地区用紫色标记标出。（），；（），；（），）图 年月 日 时 分析数据环流形势水平分布 ：，分析数据：分析数据是 将 预报数据同化观测后的数据，当日可获得前一日的 分析数据，分析数据的水平分辨率为 （）（），时间间隔为（、），其他参数与 预报数据相同。分析数据：（）分析数据同样也是 将 预报数据同化观测后的数据，和 分析数据 相 比，分 析 数 据 同 化 的 观 测 数 据 要 多，发布时间要延迟 ，水平分辨率较低，数据的水平分辨率为（）（）。分析数据：（）数据由 气候预测系统提供，与 其他分析资料相比，资料考虑了大气和海洋的耦合，并加入了海冰模式，同时考虑痕量气体和气溶胶变化，数据水平分辨率为 （）（），垂直分为 层，时间间隔为。格点松弛逼近松弛逼近是在 模式预报方程中增加一个附加项（观测、分析资料等），也称作松弛项，在不过分影响模式求解的前提下，有效控制数值模式的误差发展，使方程解向局部最优逼近。本文分别使用 后报风场和 预报风场作为松中国海洋大学学报 年弛项，松弛逼近方式选取 模式常用的格点松弛逼近，即使用格点对格点的松弛项来实现逐步逼近。在气象系统中，格点松弛逼近的强度系数通常和科氏参数的量级相同，在 到 之间，如果强度系数过大，会削弱 模式的求解能力，不利于模式生成中尺度天气结构。同时由于局地的小尺度过程主要发生在模式的边界层内，所以在垂直方向上，格点松弛逼近一般不运用于边界层，将边界层内的风场完全交给 模式本身求解。因此本文格点松弛逼近的强度系数为 ，在垂直方向上只松弛逼近边界层外的格点。模式评估采用平均偏差（）、平均误差（）和均方根误差（）这三种统计指标来评估 模式的输出结果，具体公式如下所示：（），（），（）（）。（）式中：为样本总数；为模式输出数据；为观测数据。物理参数化敏感性试验 模式中不同积云、边界层和微物理参数化方案对不 同 地 区 强 降 水 的 预 报 模 拟 效 果 存 在 显 著 差异 。为选取青岛地区强降水模拟最优结果对应的参数化方案，利用 模式对月强降水过程进行敏感性实验，同时使用青岛地区个气象观测站的常规观测数据（温度、相对湿度，风速和降水量等）和青岛地区雷达回波水平分布情况，评估敏感性试验的输出结果。模式（版本）模拟区域如图所示，模拟采用重嵌套和兰伯特投影，水平分辨率（格点数）分别为（）和（）。前人研究表明，水平分辨率在 之间为积云对流参数化的“灰色区域”，许多积云对流参数化在该分辨率范围内时，模式中的假设将不再适用 。和 水平分辨率分别处于积云对流参数化“灰色区域”的外部和内部，使用该水平分辨率更有利于测试 模式积云对流参数化方案对降水的模拟效果。模式垂直分为 层，最高可达 。模拟使用 卫星数据作为模式的地形数据，使用与 预报数据同源的 分析数据作为模式的初边界条件，边界条件每更新一次，模式除边界层和微物理参数化方案外，其余参数化方案设置如表所示。（黑色方框内为 ，水平分辨率为，白色方框内为 ，水平分辨率为，青岛地区用紫色标记标出。）图 模拟区域示意图 表 模式参数化方案 参数化方案类型 参数化方案 长波辐射方案 方案 短波辐射方案 方案 近地面层方案 方案 陆面过程方案 方案 积云参数化方案 方案 （仅在 使用）：，期李晓东，等：基于 神经网络预报风场改善 对强降水的预报效果分别使用 模式模拟降水常用的种边界层参数化方案和种微物理方案 ，再加上 和 两种水平分辨率设置，对 年月青岛地区天气系统共进行了 组模拟试验。把每组试验的模拟结果和青岛地区气象观测站的观测结果进行比对，分别计算、和 ，具体试验设置和模式评估结果如表所示。从模拟区域来看，灰区外（见表中序号）温度和 湿度的评估结果比灰区内（见表中序号 ）的评估结果准确性高，而灰区外（见表中序号）风速的评估结果比灰区内（见表中序号 ）的评估结果要准确性差。从边界层和微物理参数化配置来看，边界层和 微物理参数化方案的评估结果最好。总体而言，水平分辨率、边界层参数化方案和 微物理参数化方案的试验（见表中 ）在所有评估选项中，最优评估结果（绝对值最小值）所占次数最多，因此将该参数化方案作为基础用来后续研究青岛地区强降水过程。试验的 模拟结果与气象站点观测数据的时间序列对比图（以青岛站为例）如图所示。温度、和 值分别为 、和 ，相对湿度、和 分别为 、和 ，风 速、和 分 别 为 、和 ，模式评估结果符合模式评估的基准值 ，模拟能够较好反映真实大气情况。模拟的雷达回波与华北地区观测雷达回波水平分布对比图（以月 日 时为例）如图所示，观测和模拟的雨带均呈西南东北走向，降水覆盖整个山东半岛，模拟结果降水强度和实际相比较弱，但仍能反应真实的降水分布特征。（绿字为 的值，黄字为 的值，蓝字为 的值。，）图 年月 试验结果与青岛站观测数据时间序列 ，中国海洋大学学报 年期李晓东，等：基于 神经网络预报风场改善 对强降水的预报效果（）观测结果，（）试验结果。（）（）图 年月 日 时雷达基本反照率水平分布图 ，神经网络后报风场样本选取不同时空条件下，由于观测资料、模式和同化系统的差异，不同再分析数据和分析数据的准确性也有不同。、和 分析数据当日可获取前一天的分析数据，使 神经网络测试集中尽可能多地包含分析资料，有利于 神经网络计算的准确性。为了选择最适合本次研究的分析数据作为 神经网络的训练和测试样本，进行三组试验 、和 。、和 在其他设置不变的基础上，分别利用 、和 分析数据作为 模拟的背景场，对青岛地区 年月进行模拟，再将试验结果与观测数据进行比对，评估试验结果的准确性。具体试验设置和模式评估结果如表 所示。结果表明，分析数据的模拟结果（）要优于 和 分析数据，故选取 再分析数据作为 神经网络的训练样本和测试集。表 年月 背景场模拟试验与青岛地区（个气象观测站）观测数据评估结果 ，试验名称 背景场 温度 相对湿度 风速 （）风场后报试验 等 发现，在 模拟时松弛逼近分析资料的风场数据，有利于优化 模式对强降水的模拟结果。故对选取个例的风场进