基于深度神经网络的岸滨地区海雾能见度预报方法与流程

1.本发明涉及一种基于深度神经网络的岸滨地区海雾能见度预报方法，属于气象技术领域。


背景技术：

2.海雾是重要的海洋气象灾害之一。海雾是受海洋的影响，发生在海上、岛屿或沿海地区使大气水平能见度小于1 km的天气现象。海雾发生时，海上或岸滨地区水平能见度降低，严重影响海上及岸滨地区交通运输、军事活动、渔业生产及农业生产活动，也是引发海上及岸滨地区多种事故的重要原因。我国近海沿岸多海雾区，在航运、渔业、生产等海上活动日益频繁的今天，海雾能见度的预报尤为重要。
3.目前，对于海雾能见度预报的主要方法有天气图诊断分析、数值模式和统计模型。天气图诊断分析无法提供定时定量的能见度预报产品。数值模式中，虽然能见度可以使用参数化方案进行计算，但因为对液态水含量、雾滴数浓度、粒径等重要微物理参数的预报能力有限，雾等低能见度事件的定量预测仍然是一个难题。统计模型中，线性回归、逐步回归等传统回归模型，可以直观展示预报量和预报因子的关系，但在解决复杂非线性变化上有局限性。
4.作为统计模型中的一种，以深度神经网络(deep neural networks, dnn)为代表的深度学习方法，随着计算机硬件及gpu运算发展迅速成长。这是一种模仿人脑神经网络来解释、分析数据方法，利用复杂结构和多重非线性变换对数据进行高层次抽象，能够处理各种复杂非线性问题，已应用在生物、医学、遥感等多个领域。


技术实现要素：

5.本发明的目的是提供一种基于深度神经网络的岸滨地区海雾能见度预报方法，以克服现有技术的不足。
6.本发明通过使用深度学习方法中深度神经网络，建立岸滨地区海雾能见度与诸多相关预报因子的非线性实时关系模型，从而基于岸滨地区数值模式预报诸多预报因子实现海雾能见度预报。
7.基于深度神经网络的岸滨地区海雾能见度预报方法，其特征在于该方法包括以下步骤：1）建立预报因子与能见度样本集、2建立并筛选能见度预报dnn模型、3）预报海雾能见度；所述1）建立预报因子与能见度样本集，包括以下步骤：步骤1.1：选择需要进行预报的岸滨区域，获取此地理范围内气象观测站数据并从中提取能见度数据，以能见度数值《0.5、0.5-1、1-2、2-4、》4km为标准划分成5级，作为能见度标签集；步骤1.2：获取以上地理范围内再分析数据，对该再分析数据的每格点提取多个相关的气象要素，其中地面气象要素包括：地表以上10m处风(m/s)，地表以上2 m处温度(k)，
地表以上2m处露点温度(k)，地表以上2m处温度露点差(k)，低云量，以及地表温度(k)；高空气象要素包括：925hpa等压面上的相对湿度(%)， 850hpa等压面上的温度(k)；并计算fsi指数：fsi=2 * |t
s-td|+2 * |t
s-t
850
|+ w
10 ，其中ts为地表温度(k)，td为地表以上2m露点温度(k)，t
850
为850hpa等压面上的温度(k)，w
10
为地表以上10m处的风(m/s)；步骤1.3：建立预报因子数据集，每格点上预报因子包括：地表以上10m处风(m/s)，地表以上2 m处温度(k)，地表以上2m处露点温度(k)，地表以上2m处温度露点差(k)，925hpa等压面上的相对湿度(%)，低云量，以及fsi指数；步骤1.4：统计以上地理范围内的再分析数据格点与气象观测站点位置，每选定一个格点，计算每个气象观测站与该格点的水平距离，将水平距离小于经纬度0.3o的站点的能见度等级作为该格点的标签，将该标签与该格点上的相同时次预报因子数据建立一个样本；若存在多个水平距离小于0.3o的站点，则选择水平距离最小的一个站点的能见度等级作为该格点的标签，并将该标签与该格点上相同时次的预报因子数据建立一个样本；若不存在水平距离小于 0.3o的站点，则该格点不列入样本范围；步骤1.5：对上述每个样本中的预报因子进行归一化，采用min-max 归一化方法：x’=(x
ꢀ‑
xmin)/(xmax-xmin) ，其中，x是样本集中某个预报因子的值，xmin是样本集中该预报因子的最小值，xmax是样本集中该预报因子的最大值，x’是归一化的值；将归一化之后的预报因子及其标签作为预报因子与能见度样本集；所述2）建立并筛选能见度预报dnn模型，包括以下步骤：将上述预报因子与能见度数据样本集，按照4:1随机分为训练集、测试集；通过训练集和测试集，通过训练得到多个深度神经网络模型，即能见度预报dnn模型，输入端为各项预报因子，输出端为能见度等级，建立预报因子与能见度之间的非线性复杂关系；评估该模型效果的损失计算，是计算当前输出的能见度等级与输出端能见度等级之间的误差，实现能见度预报dnn模型的效果评估，并与反向传播配合以使误差不断减小；更新网络参数的反向传播，即依据损失反向更新每层关系权重，使得权重更新后的损失比原损失小；经过上述深度神经网络的不断自主反馈学习与多次调整权重，训练出一个能见度预报dnn模型；通过dnn模型的学习率、隐藏层层数、每个隐藏层上神经元个数这些参数的调整，从而训练出多个表现不一的能见度预报dnn模型；依据测试集在多个dnn模型中的准确率、损失指标的优劣，从中筛选出表现最为优益的dnn模型，作为最终所用该岸滨区域海雾能见度预报dnn模型；所述3）预报海雾能见度，包括以下步骤：步骤3.1：采用现有的需要进行预报的岸滨区域内未来某时次的数值模式预报，对该数值模式预报中每格点提取步骤1.2所列多个相关气象要素，计算并获取当前格点多个预报因子数据，包括地表以上10m处风(m/s)，地表以上2 m处温度(k)，地表以上2m处露点温度(k)，地表以上2m处温度露点差(k)，925hpa等压面上的相对湿度(%)，低云量，以及fsi指
数；步骤3.2：以上述每个格点多个预报因子数据集，作为能见度预报dnn模型的输入，运行能见度预报dnn模型；模型输出即为当前时次该岸滨区域海雾能见度等级预报。
8.所述的基于深度神经网络的岸滨地区海雾能见度预报方法，其特征在于还包括步骤3.3：按照每格点的地理坐标，写成适用于micaps系统规定的第4类数据格式，以便该岸滨区域海雾能见度预报方法在业务中应用。
9.所述步骤1.5采用min-max 归一化方法：x’=(x
ꢀ‑
xmin)/(xmax-xmin) ，其中，x是样本集中某个预报因子的值，xmin是样本集中该预报因子的最小值，xmax是样本集中该预报因子的最大值，x’是归一化的值。
10.所述的基于深度神经网络的岸滨地区海雾能见度预报方法，其特征在于所述步骤2）中，能见度预报dnn模型由输入层、多个隐藏层、输出层构成；由输入层负责接收归一化后的预报因子值，由输出层获取能见度等级，隐藏层介于输入层和输出层之间，隐藏层个数、每层神经元个数都可以根据现有技术来设置；每层上的每个神经元，都与上层所有神经元建立线性关系，即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，建立一个线性关系： ，其中i为层数；wi为第i层上的权重，权重的大小取决于该输入相比于其他输入值的重要性，为自行设置；x为第j个神经元的输入；b为第i层上的偏倚量，用于提供给每个神经元一个可训练的常量值；隐藏层之间引入relu激活函数，将上一层隐藏层的线性输出进行多重非线性变换，得到的非线性结果即为下一层隐藏层的输入；经由多个隐藏层与激活函数变换后，得到了预报因子和能见度之间的非线性关系，即为前向传播过程。
11.发明优点本发明鉴于深度神经网络(deep neural networks, dnn)方法在解决非线性复杂关系中的优势，利用再分析数据及岸滨地区气象观测站能见度数据，建立岸滨地区海雾能见度与诸多相关预报因子的非线性关系，得到的能见度预报dnn模型在数值模式预报上应用，为岸滨地区海雾能见度预报提供一种新的算法和技术，以进一步提高岸滨地区海雾能见度预报水平。
附图说明
12.图1、本发明的预报因子与能见度样本集建立流程图。
13.图2、本发明的建立并筛选能见度预报dnn模型与预报海雾能见度流程图。
具体实施方式
14.下面结合附图对本发明做进一步说明。
15.基于深度神经网络的岸滨地区海雾能见度预报方法，其特征在于该方法包括以下步骤：1）建立预报因子与能见度样本集、2）建立并筛选能见度预报dnn模型、3）预报海雾能
见度。
16.所述1）建立预报因子与能见度样本集，如图1所示，包括以下步骤：步骤1.1：选择需要进行预报的岸滨区域，获取此地理范围内气象观测站数据并从中提取能见度数据，以能见度数值《0.5、0.5-1、1-2、2-4、》4km为标准划分成5级，作为能见度标签集；步骤1.2：获取以上地理范围内再分析数据，对该再分析数据的每格点提取多个相关的气象要素，其中地面气象要素包括：地表以上10m处风(m/s)，地表以上2 m处温度(k)，地表以上2m处露点温度(k)，地表以上2m处温度露点差(k)，低云量，以及地表温度(k)；高空气象要素包括：925hpa等压面上的相对湿度(%)， 850hpa等压面上的温度(k)；并计算fsi指数：fsi=2 * |t
s-td|+2 * |t
s-t
850
|+ w
10 ，其中ts为地表温度(k)，td为地表以上2m露点温度(k)，t
850
为850hpa等压面上的温度(k)，w
10
为地表以上10m处的风(m/s)；步骤1.3：建立预报因子数据集，每格点上预报因子包括：地表以上10m处风(m/s)，地表以上2 m处温度(k)，地表以上2m处露点温度(k)，地表以上2m处温度露点差(k)，925hpa等压面上的相对湿度(%)，低云量，以及fsi指数；步骤1.4：统计以上地理范围内的再分析数据格点与气象观测站点位置，每选定一个格点，计算每个气象观测站与该格点的水平距离，将水平距离小于经纬度0.3o的站点的能见度等级作为该格点的标签，将该标签与该格点上的相同时次预报因子数据建立一个样本；若存在多个水平距离小于0.3o的站点，则选择水平距离最小的一个站点的能见度等级作为该格点的标签，并将该标签与该格点上相同时次的预报因子数据建立一个样本；若不存在水平距离小于 0.3o的站点，则该格点不列入样本范围；步骤1.5：对上述每个样本中的预报因子进行归一化，采用min-max 归一化方法：x’=(x
ꢀ‑
xmin)/(xmax-xmin) ，其中，x是样本集中某个预报因子的值，xmin是样本集中该预报因子的最小值，xmax是样本集中该预报因子的最大值，x’是归一化的值；将归一化之后的预报因子及其标签作为预报因子与能见度样本集。
17.所述2）建立并筛选能见度预报dnn模型，如图2 a所示，包括以下步骤：将上述预报因子与能见度数据样本集，按照4:1随机分为训练集、测试集；通过训练集和测试集，训练多个深度神经网络模型，输入端为诸多预报因子，输出端为能见度等级，建立预报因子与能见度之间的非线性复杂关系；建立dnn模型后的训练与学习，包括得到预报因子与能见度关系的前向传播、评估该模型效果的损失计算、更新网络参数的反向传播三部分；所述能见度预报dnn模型由输入层、多个隐藏层、输出层构成；由输入层负责接收归一化后的预报因子值，由输出层获取能见度等级，隐藏层介于输入层和输出层之间，隐藏层个数、每层神经元个数都可以根据现有技术来设置；每层上的每个神经元，都与上层所有神经元建立线性关系，即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，建立一个线性关系：
ꢀ
，其中i为层数；wi为第i层上的权重，权重的大小取决于该输入相比于其他输入值的重要性，可自行设置；x为第j个神经元的输入；b为第i层上的偏倚量，用于提供给每个神经元一个可训练的常量值；隐藏层之间引入relu激活函数，将上一层隐藏层的线性输出进行多重非线性变换，得到的非线性结果即为下一层隐藏层的输入；经由多个隐藏层与激活函数变换后，得到了预报因子和能见度之间的非线性关系，即为前向传播过程；评估该模型效果的损失计算，是计算当前输出的能见度等级与输出端能见度等级之间的误差，实现能见度预报dnn模型的效果评估，并与反向传播配合以使误差不断减小；更新网络参数的反向传播，即依据损失反向更新每层关系权重，使得权重更新后的损失比原损失小；经过上述深度神经网络的不断自主反馈学习与多次调整权重，训练出一个能见度预报dnn模型；通过dnn模型学习率、隐藏层层数、每个隐藏层上神经元个数这些参数的调整，从而训练出多个表现不一的能见度预报dnn模型；依据测试集在多个dnn模型中的准确率、损失等指标的优劣，从中筛选出表现最为优益的dnn模型，作为最终所用该岸滨区域海雾能见度预报dnn模型。
18.所述3）预报海雾能见度，如图2b部分所示，包括以下步骤：步骤3.1：对需要进行预报的岸滨区域，可将现有的未来某时次的数值模式预报应用于该区域，从而获取该区域内未来某时次的数值模式预报，对数值模式预报每格点提取步骤1.2所列多个相关气象要素，计算并获取当前格点多个预报因子数据，包括地表以上10m处风(m/s)，地表以上2 m处温度(k)，地表以上2m处露点温度(k)，地表以上2m处温度露点差(k)，925hpa等压面上的相对湿度(%)，低云量，以及fsi指数；步骤3.2：以上述每格点多个预报因子，作为能见度预报dnn模型的输入，运行能见度预报dnn模型；模型输出即为当前时次此格点上能见度等级预报。步骤3.3：按照每格点的地理坐标，写成适用于micaps系统规定的第4类数据格式，以便该岸滨区域海雾能见度预报方法在业务中应用。
19.本发明利用深度神经网络方法在解决复杂非线性问题中的优势，基于观测数据与再分析数据，充分建立了诸多预报因子与能见度之间的非线性复杂关系，并在数值模式预报基础上应用，为岸滨地区海雾能见度预报提供一种新的算法和技术，以进一步提高岸滨地区海雾能见度预报水平。