深度学习方法在玉溪市烤烟种植区冰雹预测中的初步应用.pdf

第 卷第 期 年 月云 南 地 理 环 境 研 究 收稿日期:修订日期:.作者简介:朱 睿()男 云南省玉溪市人 工程师 研究方向为气象灾害预防 深度学习方法在玉溪市烤烟种植区冰雹预测中的初步应用朱 睿 纳丽佳(玉溪市气象局 云南 玉溪)摘要:冰雹预测最核心的是判断所提供的数据是具有降雹特征还是非降雹特征 同时冰雹云的发展 跟时间序列有密切关系 因此可以用深度学习方法建立冰雹预测模型 将玉溪市 年的降雹过程雷达参数通过数据标准化 利用深度学习方法 学习降雹雷达回波特征 建立冰雹预测模型 将 年的降雹过程和非降雹过程数据用于预测检验 经验证:降雹预测模型的准确率达 证明了在气象领域使用深度学习方法预测冰雹天气的可行性关键词:深度学习方法 人工神经网络 冰雹预测 玉溪市 烤烟种植区中图分类号:文献标识码:文章编号:()引言随着人工影响天气工作在服务农业生产、支持防灾减灾、助力生态文明建设和保障重大活动等方面发挥的作用越来越突显 对人工影响天气作业能力提出了更高要求 冰雹预测准确性是提升作业能力的关键要素 当前 冰雹预测手段已经从基于经验和类比预报的阶段发展到数值天气预报模式阶段 数值天气预报模式已成为冰雹等短时临近预报的重要手段 但是 数值天气预报模式是通过求解一系列数学物理方程模拟大气过程 数值模拟的过程中存在很多不确定性因素 比如不确定的初始条件、物理过程参数化等 由于大气的混沌特性 不确定的初始场以及物理过程的参数化会导致模式结果出现很大的不确定性 近年来 机器学习 尤其是深度学习 展示了处理大数据的强大能力 该方法能从海量数据中提取有效信息和处理非线性问题 深度学习技术的突破 为解决数值天气预报模式的不确定性问题提供了一个新思路 已被应用于气象领域极端事件的检测和预测以及对流天气短时临近预报 在预报业务中 针对小尺度、精细化预报需求 预报员需要综合对天气形势、实况信息及多种数值预报产品的融合分析 结合自身的预报经验和局地特征 通过会商给出预报结论 会商过程中花费了预报员大量的时间和精力整合分析多源信息 深度学习方法在融合、处理信息方面的优势一定程度上可以代替预报员在会商中整合、分析信息的过程 通过数据挖掘、学习 将预报员的经验内化在算法中 实现智能、高效的预报 并已取得了积极的成果 本文通过分析玉溪市 年这期间 至 月降雹过程 建立玉溪冰雹个例库 利用深度学习方法 学习降雹雷达回波特征建立冰雹预测模型 分析模型应用效果 方法和数据 深度学习方法近 年里 深度学习在图像处理、语音识别等领域取得了巨大成功 发展了诸多功能强大的云南地理环境研究第 卷神经网络模型 其中循环神经网络是一类专门为处理序列数据设计的神经网络 在时间序列预报中发挥重要作用 气象过程的演变和预报是时间序列过程 因此 循环神经网络更适合处理气象领域的时间序列的预测问题 最具代表性的基于信息筛选记忆的长短期记忆神经网络 即 神经网络时间序列预测法是一种定量分析法 它是在时间序列变量分析的基础上 运用一定的数学方法建立预测模型 使时间趋势向外延伸 从而预测未来发展变化趋势确定变量预测值 时间序列预测法也叫历史延伸法或外推法 它的主要特点是假定事物的过去趋势会延伸到未来时间序列是指同一变量按事件发生的先后顺序排列起来的一组观察值或记录值 构成时间系列的要素有两个:其一是时间 其二是与时间相对应的变量水平 实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律 因而可以从时间序列中找出变量变化的特征、趋势以及发展规律 从而对变量的未来变化进行有效地预测时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征 这是一类相对比较复杂的预测建模问题 和回归分析模型的预测不同 时间序列模型()是依赖于事件发生的先后顺序的 同样大小的值改变顺序后输入模型产生的结果是不同的冰雹预测最核心的就是判断因变量属于哪个类别 也就是提供的数据具有降雹特征还是非降雹特征 广义上属于分类预测任务 但是 冰雹云的发展 跟时间序列又有密切关系 具备构成时间系列的两要素 即时间和与时间相对应的变量水平 狭义上又属于时间序列预测 数据来源在建立玉溪冰雹个例库过程中 挑选样本时排除华宁盘溪镇、华溪镇 新平漠沙镇 峨山化念镇 元江曼来镇、甘庄街道、澧江街道、红河街道等热区 以及排除湖面及哀牢山沿线等山区(无人区)玉溪边界主要是根据玉溪市烤烟种植区分布对应挑选 确保样本实况统计准确雷达数据选取范围为 年这期间 至 月玉溪市具有完整雷达回波数据和降雹灾情收集数据的共 个降雹过程数据 同时 选取了 个非降雹过程数据 对 个降雹过程和 个非降雹过程进行分析 其中 年的 个降雹过程数据用于建模 年的 个降雹过程数据用于预测检验特征因子的选取主要是依据国内外在雷达研究方面成果:等研究表明 垂直积分液态水含量对冰雹的存在有较好的指示作用 等认为 密度超过 ()时 风暴几乎肯定会产生直径超过 的大冰雹 分析了强对流天气和回波顶之间的关系 认为在冰雹、龙卷风和雷暴大风等强天气中 冰雹的回波顶最高 俞小鼎等分析了多普勒天气雷达与强对流天气预警之间的关系 指出产生大冰雹的强对流风暴最显著特征是在反射率因子垂直剖面图上高悬的反射率因子高值区、等温线高度之上的超过 的反射率因子核、风暴顶辐散和 波段雷达回波的三体散射现象 段勇等通过判断风暴顶顶高、风暴最大有效反射率等因子 加权分析冰雹出现的可能性 冰雹天气预测模型建立过程中 因子选取不仅包含了上述特征 同时 还扩充了 顶高/底高、顶高/底高、顶高/底高、顶高/底高、顶高/底高、顶高/底高、顶高/底高、顶高/底高等 选取的特征因子共 个(表)数据标准化 神经网络要求数据输入有特定格式 输入到 模型 的 数 据 必 须 是 数 据 形 如()的 张量 构造 人工神经网络输入数据 就是数据标准化的过程 输入数据的形状是由神经网络第一个隐藏层上的“”参数指定 输入的三个维度指样品(一个序列是一个样本 批次由一个或多个样本组成)、时间步(一个时间步代表样本中的一个观察点)和特征(一个特征是在一个时间步长的观察得到的)输入层在拟合模型时以及在做出预测时 对数据的要求必须是 数组 即使数组的特定维度仅包含单个值 数组中的()函数可用于将 或 数据重塑为 并且会将一个元组作为新定义的形状的参数 本文 ()第 期朱 睿等:深度学习方法在玉溪市烤烟种植区冰雹预测中的初步应用表 多普勒雷达回波特征因子名称 序号名称序号名称序号名称序号名称总面积 面积 体积 底高最大强度 面积 体积 底高最大强度 度层 面积 体积 底高最大强度负 度层 面积 体积 底高最大强度负 度层 面积 顶高 底高回波顶高 面积 顶高 底高回波底高 面积 顶高 底高强中心高度 面积 顶高 底高温度层高度 面积 顶高 底高温度层高度 体积 顶高 底高温度层高度 体积 顶高 底高液态水含量最大 体积 顶高大于等于 平均 体积 顶高大于等于 平均 体积 顶高大于等于 平均 体积 顶高大于等于 密度最大 体积 顶高大于等于 面积 体积 顶高大于等于 面积 体积 底高大于等于 模型构建冰雹天气预测模型人工神经网络包含了输入层、隐藏层、输出层 通过激活函数控制输出 层与层之间通过权值连接 网络结构采用 层 激活层 构建它需要确定 模块的激活函数、接收 输出的完全连接人工神经网络的激活函数 选择优化器 确定误差的计算方式、权重参数的迭代更新方式和训练模型迭代次数、每次梯度更新的样本数 等 方案中 训练代价函数为:()()()()()()()式中:为样本总数 为输出结点的数量 为真实的参考值 为正则化参数设定为 为神经网络的层数 为神经网络层数之间的参数矩阵优化器选择 方法效果良好 与其他自适应学习率算法相比 其收敛速度更快 学习效果更为有效 而且可以纠正其他优化技术中存在的问题 如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题 编译网络选择 交叉熵损失函数 优势在于引入了平衡参数 可以进行正负样本的平衡 评价函数选择 即准确率 评价函数和损失函数相似只不过评价函数的结果不会用于训练过程中 结果验证 统计对比在验证基于人工神经网络建立的冰雹天气预测模型时 选取了 年 个降雹过程和 个非降雹过程雷达回波数据进行检验评估 针对是否降雹进行预测 将实例分成阳性和阴性两种 实际降雹被认为是阳性 没有降雹认为是阴性 所以在预测时 有以下 种情况:()真阳性:预测为降雹 实际降雹云南地理环境研究第 卷()假阳性:预测降雹 实际无降雹(空报)()真阴性:预测无降雹 实际无降雹()假阴性:预测无降雹 实际降雹(漏报)经检验:降雹预测准确率 另外 在 个无降雹个例中 有 个预测为降雹 但实际未降雹 出现空报 空报率 空报个例中个例已实施人工防雹作业(表)表 年 个降雹过程和 个非降雹过程人工神经网络模型预测检验情况表 项目实际降雹实际无降雹预测降雹预测无降雹 上述 个降雹过程和 个非降雹过程雷达回波数据同时纳入基于数值预报的概念模型法预测检验通过对玉溪市 年 个降雹过程数据统计得出:回波强度 占 、层回波强度 占、层回波强度 占、回波顶高 占 、回波顶高 占、回波顶高 占、回波顶高 占、垂直液态含水量/占 因此 基于数值预报的概念模型法取回波强度 、层回波强度、层回波强度 、回波顶高 、回波顶高 、回波顶高 、回波顶高、垂直液态含水量 /为阈值 当达到 阈 值 时 降 雹 准 确 率、空 报 率、漏报率检验结果表明:人工神经网络预测模型对冰雹预测准确率达 而基于数值预报的概念模型法仅为 人工神经网络较传统的基于数值预报的概念模型法提高了 个百分点 与此同时人工神经网络的空报率降低了 个百分点 个例分析为直观地说明人工神经网络与基于数值预报的概念模型法的区别 选用 年 月 日过程案例采用 种方法进行回算 并对结果进行对比分析实况:年 月 日 时 分至 分江川区江城镇白家营村遭遇大风夹杂冰雹成灾(禁射区)期间伴有雷电及短时强降水 冰雹持续时间 左右 最大冰雹最大直径约 烤烟受灾 其它农作物受灾 预测识别:分散的强对流云团不断在澄江市、华宁县、江川县、红塔区、通海县移动增强 在江川有降雹发生 选取当日 刻雷达回波资料运用于模型 人工神经网络模型预测结果为降雹 降雹概率 并且预测为正在降雹(图)而基于数值预报的概念模型预测为不降雹图 年 月 日 时 分江川强回波人工神经网络预测结果图 根据回波强度、回波顶高、垂直液态水含量及回波剖面等数据(封三图版图)分析表明 位于江川区域的强回波数据接近但未达到阈值 并且仅回波顶高比阈值少 此回波顶高 (历史降雹个例回波顶高 占 )基于数值预报的概念模型因而失败 从而造成漏报 由此可知 人工神经网络可以解决基于数值预报的概念模型单一阈值设置造成的漏报问题 随着个例的逐步累积 人工神经网络模型识别的效果还会有进一步的提高 而基于数值预报的概念模型法则停在原有水平 并且同样的错误会反复出现 结论与讨论 结论()通过构造 (人工神经网络)数据集 利用深度学习方法 学习冰雹云发展变化的雷达回波特征 分析这些特征在时间序列上的关系第 期朱 睿等:深度学习方法在玉溪市烤烟种植区冰雹预测中的初步应用对玉溪市建立了一个冰雹天气预测模型 模型在冰雹云识别方面展现出了较强的能力 经验证:人工神经网络预测模型对冰雹预测准确率达 而基于数值预报的概念模型法仅为 人工神经网络较传统的基于数值预报的概念模型法提高了 个百分点 与此同时 人工神经网络的空报率降低了 个百分点 在气象领域证明了使用深度学习方法 根据输入特征向量进行自我适应的人工智能作为冰雹天气预测手段的可行性()降雹雷达回波在回波图像上有明显的特征 比如三体散射钉状回波 弓形回波等 而 卷积神经网络 善于挖掘数据局部特征 提取全局训练特征和分类 处理的数据是图像 构建更复杂的 网络模型结构 由 人工神经网络提取数据在空间结构上的特征 把这些特征作为时间序列的输入 使用 人工神经网络进行进一步的提取 把最终提取出的特征放在全连接网络中 最后进行冰雹预测 应该是更加优秀的冰雹天气预测模型 讨论()本文在模型建立过程中 应用了大数据的数据集构造方式 适应了当前大数据的发展趋势但是 基础数据没有经过相关性分析取舍和归一化等数据处理 模型训练过程中可能存在数据干扰、计算精度不够等情况 模型性能还有待进一步提升()降雹时刻在冰雹个例分析过程中由分析人员根据冰雹灾情上报资料和课题组总结的降雹时刻确定方法标定 存在主观影响因素 导致模型在学习过程中 有可能未学习到真实的降雹时刻冰雹云内在规律 所以模型在时刻预测产生偏差()本模型建立过程仅针对雷达回波特征进行深度学习 没有利用探空资料 如果将探空资料扩充给网络训练 训练人工智能识别冰雹云天气雷达回波特征和物理量场内在规律 预计可以进一步提高冰雹天气预测的准确率未来进一步提取正负样本特征向量进行机器学习 寻找最优正样本区别于负样本的内在特征规律 完善模型结构 构建 网络模型学习降雹回波图像特征 扩充探空资料给网络训练 训练人工智能识别冰雹云天气物理量场和雷达回波特征规律 逐年完善冰雹个例库 增加模型训练数据 以上措施将有效提高冰雹预测模型准确率 大幅提升人工影响天气作业能力参考文献:张平文 李昊辰 夏江江 气象领域人工智能的现在与未来.气象科技进展 ():.():.:.:俞小鼎 王迎春 陈明轩 等 新一代天气雷达与强对流天气预警.高原气象 ():段 勇 贺敬安 谈曙青 冰雹云雷达回波自动识别系统.成都信息工程学院学报 ():张建寰 吉莹 陈立东 深度学习在电力负荷预测中的应用.自动化仪表 ():余昉恒 循环神经网络门结构模型研究.杭州:浙江大学 黄婷婷 余磊 模型在金融时间序列预测中的应用.计算机工程与应用 ():何建新 李学华 徐梓欣 等 波段天气雷达组网扫描策略及协同控制技术研究.气象科技进展 ():王小新 一文看懂各种神经网络优化算法:从梯度下降到 方法.:/张文海 李磊 人工智能在冰雹识别及临近预报中的初步应用.气象学报 ():云南地理环境研究第 卷 ():(上接第 页)():陶妍等：基于 MaxEnt 模型的云南省玉龙县滑坡易发性评价图版玉Plate玉图 2研究区环境变量Fig.2Environmental variables in the study area图版域Plate域图 22021 年 8 月 2 日 23：38 时江川强回波数据（a.回波强度演变曲线；b.回波顶高、VIL 演变曲线；c.0.5 仰角 CAPPI；d.垂直液态水含量；e.回波剖面）Fig.2Jiangchuan strong radar echo data at 23：38 on August 2，2021（a.Echo intensity evolution curve；b.Echo top height、VIL evolution curve；c.0.5elevation CAPPI；d.Vertical liquid water content；e.Echo return profile）图 1研究区范围及滑坡灾害点分布Fig.1Scope of the study area and distribution of landslide disaster points时间时间朱睿等：深度学习方法在玉溪市烤烟种植区冰雹预测中的初步应用