基于聚类天气分型的KNN方法在风预报中的应用_陈豫英探究.pdfVIP

基于聚类天气分型的KNN方法在风预报中的应用 陈豫英1)　刘还珠2)　陈　楠1)　曾晓青3)　马金仁1)　刘迁迁1)　马筛艳1) 　1)(宁夏气象防灾减灾重点实验室 ,银川 750002) 　2)(国家气象中心 , 北京 100081)　3)(兰州大学大气科学学院 , 兰州 730000) 摘　　要 以模式识别和相似预报思想为基础 ,建立基于自组织神经网络(SOM)的聚类天气分型和交叉验证的 K 最近 邻域非参数估计仿真模型(KNN)。该模型首先以自组织神经网络技术对西北地区的高空流场和高度场进行聚类 分型 , 针对不同天气形势下的历史样本 , 通过交叉检验 , 分别寻求各类天气型下的最佳 K 组合。为了验证聚类天 气分型对 KNN 方法的影响 ,使用 2003—2006 年冬半年 T213 数值预报产品和宁夏日最大风速资料 , 同时建立了宁 夏冬半年日最大风速≥6 m/ s天气分型和未分型的 KNN 预报模型 , 并对 2007 年 1—5 月进行了预报试验 ,预报评 估结果表明:天气分型后的预报模型总体上降低了预报空报率 , 提高了预报准确率 , 特别是某些类天气型 , 提高幅 度更大 ,为分类相似预报开拓了思路。 关键词:自组织神经网络;聚类天气分型;交叉验证;K 最邻近域;日最大风速预报 引　言 在我国北方及沿海地区 ,平均风速≥12 m/ s的 大风就会造成严重影响 ,甚至灾害 。因此 ,大风预报 在天气预报服务中占有相当重要的地位 。 风是人们能直接感觉到的气象要素之一 ,它不 仅受大中尺度风压定律所制约 ,也受边界层动力和 热力湍流作用的影响 ,同时局地地形 、地貌对当地地 面风的影响也不可忽视 ,这一切给各地地面风预报 带来了较大困难 。不少台站利用多年积累风资料 , 寻找相关因子 ,并根据天气形势 ,用统计方法制作本 地日常风的预报 [ 1] 。国家气象中心利用 T213数值 预报产品建立了日最大风速的 MOS 预报方法 [ 2] 。 而对于大风预报 ,主要是根据历史形势场资料建立 大风预报模型 ,然后根据数值预报的形势场作为预 报因子来确定是否可能有大风出现 ,如杨忠恩等[ 3] 、 林良勋等[ 4] 、胡波等[ 5]分别用人工神经网络和完全 预报(PP)方法建立了大风预报模型 ,取得了一定的 预报效果。但是 ,由于风要素的地域性和瞬变性强 , 特别是作为小概率事件的大风 ,使用这些客观方法 的预报效果并不是十分理想。 KNN(K-nearest neighbor)非参数估计技术[ 6]是 近几年来在数值预报释用中颇为重要的一种方法 , 它是基于范例进行推理的人工智能领域中发展较快 的一种求解问题技术 ,利用过去的范例或经验来解 决当前问题的类比推理方法 ,亦称为相似方法。由 于气象要素样本较长 ,并且获取资料较为及时 ,这使 得 KNN 技术得以在天气预报 ,特别是在定性要素 的判别中发挥作用。该方法不需要建立预报方程 , 直接根据训练数据(历史天气样本)建立概率天气预 报的 K 近邻非参数估计仿真模型 ,利用训练数据中 蕴含的输入输出关系进行预报 ,可以避免统计方法 的一些弊病和概率密度估计误差的影响 。翟宇梅 等 [ 7] 、邵明轩等[ 8]利用该方法制作云量及全国 600 多站点的风和降水预报 ,均有较好的效果。 某地某时的风是在天气系统的风压定律制约下 , 由当地地形 、地貌影响以及边界层局地热力和动力条 件相结合而激发的最终产物 。在目前尚无法精确描 述这些物理过程情况下 ,用 KNN相似预报方法 ,认为 相似条件下发生的“行动”会产生相似的结果 ,因此对 于风的预报 ,应用相似方法是合理的。 曾晓青等[ 9]提出基于交叉验证的 KNN 方法 , 该方法在搜索 K 邻近域过程中 ,考虑天气事件出现 的概率不同 ,利用交叉验证方法 ,分别求取有天气事 件的正样本 K +值和无天气事件的负样本 K-值作 第 19 卷 5 期 2008 年 10月 　　　　 　 　 　 　 应 用 气 象 学 报 JOURNAL OF APPLIED METEOROLOGICAL SCIENCE 　 　　 　 　 　 Vol.19 , No.5　October 2008 中国气象局轨道建设项目“精细化气象要素预报业务系统(一期)”资助。 2007-09-11收到 , 2008-07-28收到再改稿。 为最佳邻近域的组合 ,并利用这一方法对我国不同 代表站点的晴雨和不小于 10 mm 的降水预报进行 试验 ,使降水预报评分得到提高。但这一工作没有 考虑天气类型对降水的影响 ,即无论是何类环流背 景 、何种影响系统都提取同一组预报因子 ,显然会影 响降水预报效果 。本文在改进的 KNN 方法基础 上 ,尝试从模式识