基于機器學習的寧海縣氣溫降尺度推算研究

申子彬　郁懋楠　吳澤亮　岳夢琦

摘? 要：針對當前氣溫預報精細化程度無法滿足經濟發展及人民群眾的需求，利用寧海縣22個氣象站2013—2016年的逐日氣溫資料、EC數值模式氣溫預報資料以及各站點的地理信息資料，實況資料作為輸出，數值預報、地理信息資料作為輸入，構建DBN神經網絡氣溫預報模型。經過訓練的神經網絡模型對數值預報氣溫資料有正的訂正作用，對站點平均預報準確度縮小1.18 ℃，該模型可以用于氣溫降尺度業務實際。

關鍵詞：機器學習;EC數值預報模式;地理信息資料;氣溫降尺度

中圖分類號：TP181? ? 文獻標識碼：A 文章編號：2096-4706（2021）17-0022-04

Abstract： In view of the fact that the current refinement of temperature forecast can not meet the needs of economic development and the people， the daily temperature data of 22 meteorological stations in Ninghai County from 2013 to 2016， the EC numerical mode temperature forecast data， the geographic information materials of each station and factual information are used as the output， and the numerical forecast and geographic information materials are used as the input， the temperature prediction model based on DBN neural network is constructed. The trained neural network model has a positive correction effect on the numerical temperature prediction data， and the average prediction accuracy of the station is reduced by 1.18 ℃. This model can be used in the practice of temperature downscaling.

Keywords： machine learning; EC numerical prediction model; geographic information materials; temperature downscaling

0? 引? 言

天氣與人類社會的工農業生產、日常生活、軍事行動等各方面聯系密切，而氣溫則是天氣的重要因素，是表征大氣冷熱程度的物理量，其變化不僅僅能直接影響到公眾的日常生活，同時也對經濟活動有著顯著影響。2016年1月20—25日，受幾十年一遇的寒潮天氣影響，寧海出現罕見的低溫雨雪冰凍天氣，全縣農、林、漁、交通、城市設施、人民生活等均受到不同程度的影響，其中寧海農業支柱產業白枇杷幾乎全軍覆滅，橘樹也有不同程度的凍害，大面積的水管、水表凍裂也對人民生活造成了很大影響。目前氣象監測站點的建設密度有限，從空間分辨率上、精準度上遠遠無法滿足經濟發展及人民群眾對氣溫精細化監測預報的需求。所以對氣溫監測數據以及預報數據的降尺度越來越迫切。

目前國內外已有較多的氣溫降尺度研究，如Hofer等[1]利用EOF和多元回歸法將NCEP/NCAR氣溫數據降尺度到冰川站點上;Huth[2]利用典型自相關、多元回歸等方法降尺度NCEP/NCAR冬季日均溫到中西歐的氣象站點上;鈔振華[3]利用基于背景長協方差的最優插值法將ERA-40氣溫數據降尺度到中國西部0.125°網格上。這些方法主要利用了再分析資料與觀測數據之間的統計關系，未考慮地表特征的差異，具有一定的不確定性。眾所周知，影響山區氣溫空間變化的因素很多，從氣候上說，主要包括宏觀地理條件、海拔、地形和下墊面條件等。宏觀地理條件主要指氣象站點所在的經緯度、距離大水體遠近、所在山系走向及宏觀氣候背景等;地形主要涉及地形類別、坡度、坡向以及地形遮蔽;下墊面條件包括土壤、植被狀況等[4]。也有不少研究在氣溫降尺度中考慮了地形對氣溫的影響，如楊青等[5]基于EOF特征向量和DEM建立的推算模型、蔡迪花等[6]建立的基于DEM多元線性回歸插值法、楊昕等[7]建立的基于DEM 地形修正模型和張洪亮等[8]建立的地形調節統計模型（TASM）等，這些氣溫校正的基礎仍然是空間內插（如多元回歸法、樣條插值法、氣溫垂直訂正法）后的結果。忽略了海陸差異、地形變化對氣溫的影響。

隨著計算機技術的迅速發展，機器學習技術的出現，從技術理論上使得氣象科研工作者可以從大量氣象數據中尋找理想的氣溫降尺度方法。本文將充分利用寧海縣域內22個氣象觀測站近4年的日氣溫觀測資料、近4年的EC數值模式氣溫預報資料，縣域地理信息系統DEM高程資料，通過機器學習構建包含局地氣象特征的氣溫降尺度模型，最終實現寧海縣域內氣溫監測數據以及預報數據的降尺度，形成氣溫精細化預報模型。

1? 資料

1.1? 氣象資料

本文采用了寧海縣國家氣象站以及寧海縣域內21個區域自動氣象站共計22個站的2013至2016年4年逐日08時、20時氣溫資料;EC數值模式2013至2016年4年逐日未來12小時預報場08時、20時氣溫預報資料;全縣22個氣象觀測站的基礎信息資料包括經緯度、海拔高度、坡度、坡向、距離海岸線距離等資料。

EC數值模式2013至2016年4年逐日未來12小時預報場08時、20時氣溫預報資料，預報資料為網格化資料，每一個預報時次為一張有一定分辨率的網格化數據。根據站點的經緯度，通過插值法，可以獲得數值預報在每個測站位置的預報數據。

1.2? 地理信息資料

地理信息資料為國家地理信息中心提供的浙江省基礎地理背景數據，提取200 m×200 m分辨率的寧海縣數字高程模型DEM及經緯度、海拔高度數據。利用ArcGIS自帶函數，計算200 m×200 m分辨率的坡度、坡向數據。再利用DEM數據、海岸線矢量圖計算各網格點距離海岸線距離：

式（1）中x、y為各網格點的坐標值，x0、y0為海岸線矢量點的坐標值，通過ArcGIS距離分析計算，得到各網格點距離海岸線距離最小值形成柵格數據，再按點提取離海岸線距離。

2? 研究方法

2.1? DBN神經網絡模型

2006年，Hinton[4]提出了逐層貪婪預訓練受限玻爾茲曼機的方法，開啟了深度神經網絡發展的新時代。Hinton將這種基于玻爾茲曼機預訓練的結構稱為深度置信網絡結構（DBN），DBN神經網絡模型是目前研究和應用比較廣泛的深度學習結構，是由多個受限玻爾茲曼機（RMB）層層疊加而成，而受限玻爾茲曼機（RBM）是一種具有隨機性的生成神經網絡結構，它本質上是一種由具有隨機性的一層可見神經元和一層隱藏神經元所構成的無向圖模型。它只有在隱藏層和可見層神經元之間有連接，可見層神經元之間以及隱藏層神經元之間都沒有連接。并且，隱藏層神經元通常取二進制并服從伯努利分布，可見層神經元可以根據輸入的類型取二進制或者實數值。

DBN 模型它既可以被看作成一個生成模型，也可以被當作成判別模型，其訓練過程是使用非監督貪婪逐層方法去預訓練獲得權值。其核心思想是：

（1）預訓練：對DBN進行分層，分別單獨無監督地訓練每一層RBM網絡，將其結果作為高一層的輸入。

（2）微調：預訓練結束后，DBN可以利用帶標簽的數據及BP算法去調整網絡結構的性能。RBM網絡訓練模型的過程可以看作是對一個深層BP網絡權值參數的初始化，相當于DBN的BP算法只需要對權值參數空間進行一個局部的搜索，這使得DBN克服了BP網絡因隨機初始化權值參數而容易陷入局部最優和訓練時間過長的缺點。在貪婪的學習算法過程中，生成模型使用Wake-Sleep算法進行調優。

2.2? 資料預處理

（1）將EC數值預報產品網格數據插值到22個站點的經緯度上，確定22個站點4年內逐日兩次預報數據。

（2）將每個站點每個時次的預報數據、站點經緯度、海拔、坡度、坡向、距離海岸線距離、實況氣溫觀測數據整合為一條數據，22個站點4年時間一共形成（365×3+ 366）×2×22=64 284條數據，將其近似分為5等份。

（3）將每等份數據進行歸一化處理，使用min-max標準化方法，將所有數據的值映射到[0—1]之間。函數為：

X*=（X-min）/（max-min）? ? ? ? ? ? ? ? ?（2）

3? DBN模型在氣溫降尺度插值中的應用

3.1? 建立DBN神經網絡氣溫降尺度模型

氣象數值模式的預報產品、縣域內的地理因素均與實際氣溫有著良好的相關性，所以可以利用其相關性的特征建立DBN氣溫降尺度模型，構建一個輸入層因子為EC模式預報氣溫、站點經緯度、海拔、坡度、坡向、距離海岸線距離，2層隱藏層的DBN模型，同時將對應站點、對應時間點的實測氣溫數據也作為輸入訓練DBN模型。得到一個基于EC數值模式氣溫預報產品的氣溫訂正模型。具體訓練以及實驗步驟可分以下幾步：

（1）將4年里的各站點EC數值模式氣溫預報數據、站點經緯度、海拔高度、坡度、坡向、距離海岸線距離、實況數據按站按時次隨機分為5份。

（2）以其中任意4份數據為訓練數據，另一份留作測試數據，分5次訓練DBN模型。

（3）訓練完畢后，成功構建一個基于DBN模型訓練的氣溫預報產品的氣溫訂正模型，將5次訓練后的另一份數據作為測試數據輸入模型中;輸出模擬值與實況氣溫值。

3.2? 檢驗結果分析

將測試組數據代入形成的訂正模型中，生成的模擬值與實況數據進行對比發現，訓練組數據經模型模擬得到的模擬值與實況值的平均誤差是1.61度，將模擬值與實況值進行相關分析，R2=0.977 7;而如不經過DBN模型，將EC數值預報的氣溫產品直接與實況值進行對比發現，平均誤差為2.79度，R2=0.9614。數據的對比可以發現，基于DBN模型訓練的訂正模型在一定程度上對氣溫預報數據有修正作用。經模型模擬的數據、未經模擬的數據與實況對比，如圖1所示。

利用寧海縣域內20 m×20 m分辨率的地理信息數據、2016年2月5日EC數值模式氣溫預報場插值到200 m× 200 m的格點上，將每一個格點的數據代入上述訓練模型中，即可得到寧海縣域2016年2月5日20時200 m×200 m的精細化氣溫分布情況，如圖2所示。

4? 結? 論

氣溫精細化預測是一項很有挑戰性的研究，隨著整個人類經濟社會的快速發展，人們對氣溫預測的時空分辨率要求越來越高，氣溫對生產生活有著非同一般的影響，近幾十年來，氣象預報數值模式得到了長足的發展，但對小范圍、局地性的溫度變化難以預測預報，在數值模式中，整個寧海縣域1 900多平方公里的地方可能也就寥寥十幾個格點，無論數值模式的精度如何發展，僅僅靠數值模式的預報肯定無法滿足經濟社會對氣溫精細化預報的需求。本文著眼于解決氣溫精細化預報的難點，選擇了利用機器學習的方法對海量的氣溫數據、地理信息數據學習和挖掘，最終得到氣溫精細化預報的模型。主要的工作與結論有以下幾點：

（1）氣象觀測數據、氣象數值模式預報數據以及測站的地理信息數據真實性和可靠性是深度學習實驗的基礎，本文使用EC細網格數值模式氣溫預報數據來源于歐洲中期天氣預報中心，數據質量控制較好。通過數據歸一化預處理，將復雜的各類數據轉化為實驗可用的數據格式。

（2）本文使用機器學習模型進行氣溫精細化預測研究，將6萬多個數據源分為5份，4/5的數據作為訓練源，1/5的數據作為測試數據，最后驗證，經DBN模型構建的模型有實用價值，模擬值準確度高于數值預報產品，探明了機器學習方法在氣溫精細化預報上的優勢。

（3）隨機選取了一個時次2016年2月5日20時的EC氣溫預報場代入構建的模型計算，得到精細化的寧海縣域氣溫分布圖，氣溫分布圖較好的預報了沒有測站區域的氣溫，也為精細化氣溫預報提供了可行的新方法。

（4）本文考慮影響氣溫的因子有限，沒有包含全縣植被覆蓋資料等其他可能影響氣溫的因子;對機器學習的深入程度還不夠，未選擇更多機器學習模型進行對比實驗，還需在下一步研究中更進一步探討。

參考文獻：

[1] HOFER M ，M?LG T，MARZELON B，et al. Empirical-statistical downscaling of reanalysis data to high-resolution air temperature and specific humidity above a glacier surface （Cordillera Blanca，Peru） [J/OL].Journal of Geophysical Research：Atmospheres，2010，115（D12）：[2021-07-24].https：//doi.org/10.1029/2009JD012556.

[2] RADAN H. Statistical Downscaling of Daily Temperature in Central Europe [J].Journal of Climate，2002，15（13）：1731-1742.

[3] 鈔振華.中國西部地區氣溫資料的統計降尺度研究 [J].干旱區研究，2011，28（5）：879-884.

[4] 翁篤鳴，羅哲賢.山區地形氣候 [M].北京：氣象出版社，1990.

[5] 楊青，史玉光，袁玉江，等.基于DEM的天山山區氣溫和降水序列推算方法研究 [J].冰川凍土，2006（3）：337-342.

[6] 蔡迪花，郭鈮，李崇偉.基于DEM的氣溫插值方法研究 [J].干旱氣象，2009，27（1）：10-17+28.

[7] 楊昕，湯國安，王春，等.基于DEM的山區氣溫地形修正模型——以陜西省耀縣為例 [J].地理科學，2007（4）：525-530.

[8] 張洪亮，倪紹祥，鄧自旺，等.基于DEM的山區氣溫空間模擬方法 [J].山地學報，2002（3）：360-364.

作者簡介：申子彬（1992—），男，漢族，湖南邵東人，科員，工程師，理學學士學位，研究方向：天氣預報與應用氣象。