基于神经网络BP算法的雹云识别模型及其效果检验.docVIP

基于神经网络 B - P 算法的雹云识别①②模型及其效果检验李祚泳邓新民张辉军( 成都气象学院 基于神经网络 B - P 算法的雹云识别 ①② 模型及其效果检验 李祚泳 邓新民 张辉军 ( 成都气象学院 ,四川省成都市 610041) 提 要 :本文根据成都 、内江和泸州等地的雷达回波和部分探空资料 ,应用神经网络 B - P 算法建立了不同地区的 3 参数和 4 参数雹云识别模型 ,并对模型进行了分析和效果检验 。 结果表明 :该模型不仅能得到较高的拟合率和预报准确率 ,而且由于 B - P 网络具有自组织 、 自学习和自适应的能力 ,与其它方法相比具有一定的优越性 。 关键词 :神经网络 ;B - P 算法 ;雹云识别 。 1 引 言 降雹是一种灾害性天气现象 。目前国内外一般还未广泛使用双波长雷达 、偏振雷达 和脉冲多卜勒雷达等先进装备来判别有无雹云的存在〔1 ,2〕, 而更多的是根据 711 , 713 天气雷达探测到的云体回波历史资料 , 采用多元回归 、逐步回归 、综合概率法和判别分 析等数理统计方法 , 定量地识别雹云 , 取得了一定效果〔3 ,4〕。但由于雹云识别的复杂性 和上述方法对因子和样本资料都有较高的要求等局限性 , 有必要探索新的雹云识别方 法 。 近年来 ,人工神经网络理论得到了迅速发展 。由于该模型具有自组织 、自学习和自适 应的能力 ,能用于处理数据压缩 、模式识别等诸多实际问题〔5〕。利用雷达回波参数资料 判别雹云是一个模式识别的问题 。因此 ,本文试将这一新理论用于雹云识别 ,并得到了一 些有意义的结果 。 2 因子选取和资料处理 211 资料选取 本文选取了 3 个雷达站 711 工作雷达探测得到的雹云等强对流天气的雷达回波资料 (见表 1) ,所用雷达经过标定 ,其波长和型号均相同 。前一时段的回波资料作为建模的训 练样本 ,后一时段的回波资料作为模型的检验样本资料 。 1993 年 1 月 6 日收到 ,8 月 5 日收到修改稿 。 ① ② 国家气象局气象科学基金资助项目 。 表 1 雷达回波资料样本分布Table 1 Dist ributio n o n samples of so me radar echo data121 表 1 雷达回波资料样本分布 Table 1 Dist ributio n o n samples of so me radar echo data1 212 因子选取和数据标准化处理 要求选取的因子有明确的物理意义 ,且因子之间相关性要小 。从降雹的物理机制考 虑 ,强回波顶高和雷达回波形态因子是区分雹云和雷雨云的良好指标 ,但因雷达站未进行 该两项指标的观测 ,且后一项指标定量化困难 ,因此 ,本文未选取上述两指标作为判别因 子 ,而只好选取如下 4 个指标作判别因子 : ( 1) 回波顶高 H ( km) ; ( 2) 负 、正温区厚度比 H - / H + ; (3) 等效雷达反射率因子 Ze ( dBz) ; ( 4) 稳定度Δθse (500 —850) ( ℃) 。其中稳定度需 用地面探空资料 。每个因子的原始数据按下式进行标准化处理 x′ ′ ij - x i x ij = s i 式中 , x′和 s 分别为第 i 个因子的均值和标准差 。 i i 用于雹云识别的 B - P 模型 3 人工神经网络具有模拟人的部分形象 思维 的 能 力 。在 1985 年 提 出 的 Back - Propagatio n 神 经 元 网 络 算 法 , 简 称 B - P 模型〔6〕。通常雹云识别常采用如图 1 所示 的三层 B - P 网络模型 。 该模 型 由 一 个 有 M 个 节 点 的 输 入 层 , H 个节点的隐层和一个节点的输出层 组成 。B - P 网络的学习过程由正向传播 和反向传播组成 。在正向传播过程中 ,输 入一个样本的 M 个判别因子值 x a ( k , i ) 到输入节点 ,经作用函数后 ,向前传播到隐 节点 ,得到隐节点输出值 x b ( k , j ) , j = 1 , 2 , ??, H 图 1 雹云识别的 B - P 模型 Fig11 B - P model for hail cloud recognitio n1 M ∑w a ( k , i , j ) x a ( k , i ) + R b ( k , j ) x b ( k , j ) = f ( 1) t = 1 再经过作用函数后 ,传播到输出节点 ,得到输出结果 x c ( k ) 雷 达 站 训 练 样 本 集 检 验 样 本 集 样本