BP神經網絡算法在數值預報產品釋用中的應用

趙冬玉　王利偉

【摘 要】根據2015年3月份的GTS實測數據及渤海區域內海洋站的實況數據，建立BP神經網絡數值預報產品釋用模型，在模式數值預報的基礎上，進行0-24小時、24-48小時以及48-72小時渤海區域氣象要素模擬預測。模式業務試用結果表明，BP神經網絡模型具有較強的自適應學習和非線性映射能力，其擬合值與實際值相吻合的較好，預報準確率精度較高。

【關鍵詞】BP神經網絡；數值預報產品釋用；預報準確率

0 引言

數值預報產品的釋用是解決數值預報產品本地化的一項重要技術，也是提高本地區預報準確率的一種有效手段。目前數值預報產品的釋用工作大都基于統計的分析方法，如MOS法[1]、PPM法[2]中的多元線性判別與回歸方程、卡爾曼濾波等。本文采用人工神經網絡方法中應用最為廣泛的BP算法開展數值產品定點釋用，實現站點要素客觀量化預報。

1 數值預報產品釋用原理

BP網絡是人工神經網絡中的一種多層前饋網絡的學習算法，它可以通過神經網絡的自學習功能，確定神經元之間的耦合權值，從而使網絡整體具有近似函數的功能，非常適用于非線性系統的建模研究。圖1給出數值預報產品釋用流程。

2 BP神經網絡數值預報產品釋用模型

2.1 建立數值預報產品釋用模型

圖1 具有兩個隱層的BP網絡

兩個隱層的BP網絡結構如圖1所示，該網絡共分4層：第1層為變量輸入，xj（j=1，2，…，n0）為輸入變量，no為輸入變量的個數。若設x0為第一隱層中激活函數的域值，則輸入向量總共為no+1維。x0一般取為-1將其增廣到輸入量中，作為一個分量，則有x=（x0，x1，…，xn0）。第2層為第1隱層，設有n1個神經元，則其輸出向量g=（g0，g1，…， gn1），其中g0為第一隱層中激活函數的域值，一般取為-1。第3層為第2隱層，設有n2個神經元，其輸出向量h=（h0，h1，…），第4層為輸出層，設有m個神經元，網絡的輸出向量為y=（h1，h2…，hm）[3-4]。

上面各式中，η表示學習率，其值通常在 0.01-1.0 之間，學習率η選得太小，會導致網絡參數（耦合權值）修改量過小，收斂緩慢，選得太大，雖然可以加快學習速度，但可能致使權值修改量在穩定點附近持續震蕩，難以收斂，mc為動量因子，一般取0.9左右。動量項的作用在于記憶前一時刻聯接權值的變化方向，增加動量項，利用其“慣性效應”來抑制可能產生的震蕩，起到平滑作用，這樣可以采用較大的學習率η，以提高學習速度。

3 學習訓練及預報準確率檢驗

實況數據包含2015年3月份的GTS實測數據及渤海區域內海洋站的實況數據，數據主要提取的變量包括3小時一次的氣壓（海平面氣壓及本站氣壓值）、氣溫、能見度、降水、云量；海洋站數據提取的變量主要為風向、風速資料。

以海平面氣壓為例，選用psfc變量作為預報因子，將2015年3月份樣本數據，運用BP神經網絡方法，進行訓練學習，圖2給出網絡擬合及預測值與實際值的對比曲線。從圖2中可知，BP網絡的擬合值與實際值在大部分時段相吻合。

圖2 BP網絡的擬合值和預測值與實際值的對比曲線

各時段海平面氣壓、溫度、相對濕度、能見度、降水、風向和風速的預報準確率如表1所示，從表1中可知，相對于傳動的數值預報釋用方法，采用BP神經網絡算法，海平面氣壓、溫度、能見度的預報準確率大大提高了。

表1 各時段預報結果準確率

4 結論

目前，數值預報產品釋用方法大多數基于統計的分析方法，但是基于該方法的氣象要素的準確率較低。利用BP神經網絡算法進行數值預報產品的釋用，其擬合值與實際值在大部分時段相吻合的較好，各時段渤海區域氣象要素預報準確率較高，具有非常廣闊的應用前景。

【參考文獻】

[1]Zbynk Sokol. Mos-Based Precipitation Forecasts for River Basins[J]. Weather and Forecasting， 2003， 18（5）： 769-781.

[2]Ashok Kumar， Parvinder Maini， S.V.Singh. An Operational Model for Forecasting Probability of Precipitation an Yes/No Forecast[J]. Weather and Forecasting， 1999， 14（1）： 38-48.

[3]金 龍.神經網絡氣象預報建模理論方法與應用[M].北京：氣象出版社，2004.

[4]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001.