王海燕?魯岳?陳麗娜

摘 要：本文利用2019年12月和2020年1月至11月氣象觀測資料、ECMWF再分析資料和“FY-4”陸表溫度資料，基于BP神經網絡對甘肅省酒泉市一次霜凍天氣進行預報分析研究。研究表明：此次霜凍天氣前期受到貝加爾湖西部冷槽影響使氣溫下降，后期烏拉爾山高壓脊東移使天氣轉晴，冷平流及強輻射的共同影響是此次霜凍天氣的主要原因;霜凍天氣過程中，500 hPa最大北風帶的建立、東移和南伸是一個極為重要的因素;基于BP原理，制作未來時刻的地面最低溫度預報，確定此次霜凍天氣過程的開始時間和影響范圍，但霜凍天氣預報對霜凍天氣范圍的計算有待提高。

關鍵詞：BP神經網絡;酒泉市;霜凍天氣

中圖分類號：P457.6文獻標識碼：A文章編號：1003-5168（2021）05-0144-03

Abstract： Based on the meteorological observation data in December 2019 and from January to November 2020， ECMWF reanalysis data and "FY-4" land surface temperature data， a frost weather forecast in Jiuquan City of Gansu Province was analyzed and analyzed based on BP neural network. The results show that： in the early stage of the frost weather， the cold trough in the west of Baikal Lake made the temperature drop， and in the later stage， the high pressure ridge of Ural Mountain moved eastward to make the weather clear. The combined effect of cold advection and strong radiation is the main cause of the frost weather; in the process of frost weather， 500 The establishment， eastward movement and southward extension of HPA maximum north wind zone is a very important factor; based on BP principle， the ground minimum temperature forecast in the future is made to determine the start time and influence range of the frost weather process， but the calculation of frost weather range in frost weather forecast needs to be improved.

Keywords： BP neural network;Jiuquan;frost

一直以來，陸地地表溫度（Land Surface Temperature，LST）在地表與大氣能量交換中扮演著重要角色[1-3]，并且是地表過程分析和模擬的關鍵參數。它與植物的分布和生長、農作物、地表水資源蒸發循環、氣候變遷、全球環境變化等有重要的關系[4]。目前，全球變暖引發極端天氣出現的概率逐漸增大，在作物生長過程中，極端低溫對其危害較大[5]。酒泉市是一個以農業為主的城市，地形復雜，在熱量分布上存在顯著性差異，霜凍現象比較常見。霜凍是一種對農業影響突出的災害性天氣，常常導致春季處在幼苗期的農作物、處于開花期的果樹、處于灌漿期的大秋作物及晚熟品種遭到凍害，造成作物葉面損傷或枯萎，嚴重的可造成減產甚至絕產[6-8]。馬尚謙提出甘肅省初霜凍日期、終霜凍日期、無霜凍日數分別遵循“北早南遲，西早東遲”“北遲南早，西遲東早”“北短南長，西短東長”的空間分布規律[9]。近10年來，酒泉市氣象觀測站監測到的霜凍天氣逐漸增加，其中，春霜凍比秋霜凍出現的次數多，尤其是肅州區、玉門市、瓜州縣、肅北縣。霜凍天氣通常會使酒泉市很多植物遭遇凍害，給當地造成巨大的經濟損失。

目前，全國地面溫度資料是通過地面氣象站點實地測量獲得的。但是，由于氣象站點分布廣，密度大，加之全國絕大多數氣象站點設置在有人居住的地方，因此，常規地面溫度觀測資料存在一定的局限性[7]。酒泉地區總面積19.2萬km2，占甘肅省面積的42%，但只有酒泉市果園鄉基準站、金塔縣氣象站、鼎新鎮氣象站、玉門市氣象站、馬鬃山鎮基準氣象站、敦煌市基準氣象站、肅北縣氣象站8個氣象站監測地面溫度，難以滿足精細化氣象服務。

隨著遙感技術的發展，我國先后發射了風云一號、風云二號、風云三號和風云四號衛星，國內外許多學者通過風云衛星，分析紅外遙感數據，從而進行地表溫度的研究。本文探索基于BP神經網絡的酒泉市霜凍天氣預測方法。

1 數據資料

1.1 常規觀測資料

選取位于30°～50°N、70°～110°E范圍內國家氣象站2019年12月和2020年1月至11月的地面溫度觀測資料。

1.2 ECMWF再分析資料

選取中國氣象局衛星廣播系統（CMACast）下發的歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）再分析資料，其范圍是“30°～50°N、70°～110°E”，資料時間序列為2019年12月和2020年1月至11月。選取此序列里每日20：00起報的地面溫度。

1.3 “FY-4”L2L3產品中LST資料

取“風云衛星遙感數據服務網”里“FY-4”陸表溫度，其范圍是“30°～50°N、70°～110°E”，資料時間序列為2019年12月和2020年1月至11月。

2 BP神經網絡

BP（Back Propagation）神經網絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡。BP神經網絡的基本原理：網絡把一系列輸入經過連接權重加權輸送給隱含層，隱含層各神經元匯總所有輸入后，通過一種轉移函數產生某種響應輸出，并通過下一層連接權重輸出給輸出層[10-11]，輸出層各類神經元匯總全部輸入后又產生一種相應輸出。然后再將其輸出與期望輸出進行比較，若兩者趨于一致或相差的值比較小，就認為該網絡基本學會了這一問題;若相差比較大或者不夠滿意，則調整各連接權重進行重復訓練學習，直至得到最優的結果[12]。

3 個例分析

3.1 霜凍天氣實況

受地面輻射降溫影響，2020年5月11日清晨，酒泉市肅州區、金塔縣、玉門市、肅北縣和阿克塞縣的部分地方最低氣溫低于2 ℃，出現大范圍的霜凍天氣，全市最低氣溫出現在阿克塞縣的阿勒騰，為-6.9 ℃，具體實況見表1。

3.2 環流背景

霜凍天氣的出現、強度和范圍，與前期的大氣環流、冷源、冷空氣的路徑具有密切關系。5月9日20：00，中高緯為“兩槽一脊”型，烏拉爾山到巴湖有明顯的高壓脊，貝加爾湖東部到酒泉市馬鬃山附近有冷槽，冷空氣隨著偏北氣流下滑，酒泉市全市以多云為主。5月10日20：00，高壓脊東移，我國黑龍江北部形成冷渦，且冷空氣主力移至蘭州附近，酒泉市在高壓脊前的西北偏北氣流控制下，全市天氣轉晴。地面場上屬變形場控制，呈現出緩慢升溫降壓的趨勢，酒泉市均為晴空微風區。

3.3 500 hPa最大北風區

從500 hPa風場v場上可知，霜凍發生的前四天，在新地島以南形成了一條很強的北風帶，中心值為41 m/s，此中心不斷東移南下，移動過程中，風速減小，8日降至26 m/s，9日隨著后續冷空氣的注入，中心值有所上升，霜凍出現的前一天，最大風速中心移至貝加爾湖南部，范圍南擴至西伯利亞中部和我國新疆北部，霜凍出現時，北風帶移至貝加爾湖北部，且中心強度變大，中心值為51 m/s，影響整個河西走廊。由于最大北風帶相較河西走廊西部偏北，所以瓜州縣和敦煌市未出現霜凍天氣。在霜凍天氣過程中，500 hPa最大北風帶的建立、東移和南伸是一個極為重要的因素。

4 地面最低溫度預報的應用

5月11日，酒泉市玉門以東出現霜凍天氣。地面最低溫度預報7日20：00成功預報了霜凍出現的時間，對比11日的霜凍實況，敦煌出現空報;8日20：00成功預報了霜凍出現的時間，對比11日霜凍實況，敦煌、瓜州出現空報;9日20：00成功預報了霜凍出現的時間，對比11日霜凍實況，玉門市出現漏報;10日20：00成功預報了霜凍出現的時間，對比11日霜凍實況，預報準確率達100%。綜合對比發現：地面最低溫度預報準確地預報出了霜凍天氣的出現，但出現范圍有待提高。

5 結語

①造成此次霜凍天氣的主要原因：前期受到貝加爾湖西部冷槽的影響，氣溫下降，后期烏拉爾山高壓脊東移天氣轉晴。

②造成此次霜凍天氣的重要原因：500 hPa最大北風帶的建立、東移和南伸。

③基于BP原理，制作未來時刻的地面最低溫度預報，確定此次霜凍天氣過程的開始時間和影響范圍，但霜凍天氣預報對霜凍天氣范圍的計算有待提高。

參考文獻：

[1]宋挺，嚴飛，黃君，吳蔚.基于環境小衛星反演地表溫度以及與實測數據的比較與分析[J].環境科技，2015（1）：39-44.

[2]騰月，朱貞榕.基于Landsat8地表溫度的單窗反演：以九江市為例[J].江西科學，2015（6）：854-857.

[3]王萬同.基于遙感技術的區域地表蒸散估算研究[D].開封：河南大學，2012：24.

[4]趙海龍.干旱區地表溫度反演及其時空特征分析[D].烏魯木齊：新疆大學，2007

[5]賈克寒.簡述氣候變暖對我國農作物病蟲害發生的影響[J].南方農業，2019（6）：37-38.

[6]黃麟媛，蘭昌明，梁正文，等.長順縣低溫霜凍預報研究方法[J].江西農業，2016（7）：30，41.

[7]劉晨晨.風云衛星地表溫度反演及其在霜凍監測中的應用[D].成都：電子科技大學，2013：30.

[8]牛新贊.基于風云系列衛星的果樹霜凍監測系統的設計與實現[D].成都：電子科技大學，2013：8.

[9]馬尚謙，張勃，劉莉莉，等.甘肅省霜凍日期時空變化特征及影響因素[J].高原氣象，2019（2）：397-409.

[10]熊鳴.基于BP神經網絡與非參數核密度估計的短期風電功率概率區間預測[J].北京信息科技大學學報（自然科學版），2020（4）：51-56.

[11]吳曉紅.反饋神經網絡的一種反向傳播算法[J].系統工程與電子技術，1999（9）：65-67，81.

[12]王娟.半干旱區沙地小葉錦雞兒和黃柳人工灌木林碳匯功能研究[D].呼和浩特：內蒙古農業大學，2016：10.