赵冬玉　王利伟

【摘 要】根据2015年3月份的GTS实测数据及渤海区域内海洋站的实况数据，建立BP神经网络数值预报产品释用模型，在模式数值预报的基础上，进行0-24小时、24-48小时以及48-72小时渤海区域气象要素模拟预测。模式业务试用结果表明，BP神经网络模型具有较强的自适应学习和非线性映射能力，其拟合值与实际值相吻合的较好，预报准确率精度较高。

【关键词】BP神经网络；数值预报产品释用；预报准确率

0 引言

数值预报产品的释用是解决数值预报产品本地化的一项重要技术，也是提高本地区预报准确率的一种有效手段。目前数值预报产品的释用工作大都基于统计的分析方法，如MOS法[1]、PPM法[2]中的多元线性判别与回归方程、卡尔曼滤波等。本文采用人工神经网络方法中应用最为广泛的BP算法开展数值产品定点释用，实现站点要素客观量化预报。

1 数值预报产品释用原理

BP网络是人工神经网络中的一种多层前馈网络的学习算法，它可以通过神经网络的自学习功能，确定神经元之间的耦合权值，从而使网络整体具有近似函数的功能，非常适用于非线性系统的建模研究。图1给出数值预报产品释用流程。

2 BP神经网络数值预报产品释用模型

2.1 建立数值预报产品释用模型

图1 具有两个隐层的BP网络

两个隐层的BP网络结构如图1所示，该网络共分4层：第1层为变量输入，xj（j=1，2，…，n0）为输入变量，no为输入变量的个数。若设x0为第一隐层中激活函数的域值，则输入向量总共为no+1维。x0一般取为-1将其增广到输入量中，作为一个分量，则有x=（x0，x1，…，xn0）。第2层为第1隐层，设有n1个神经元，则其输出向量g=（g0，g1，…， gn1），其中g0为第一隐层中激活函数的域值，一般取为-1。第3层为第2隐层，设有n2个神经元，其输出向量h=（h0，h1，…），第4层为输出层，设有m个神经元，网络的输出向量为y=（h1，h2…，hm）[3-4]。

上面各式中，η表示学习率，其值通常在 0.01-1.0 之间，学习率η选得太小，会导致网络参数（耦合权值）修改量过小，收敛缓慢，选得太大，虽然可以加快学习速度，但可能致使权值修改量在稳定点附近持续震荡，难以收敛，mc为动量因子，一般取0.9左右。动量项的作用在于记忆前一时刻联接权值的变化方向，增加动量项，利用其“惯性效应”来抑制可能产生的震荡，起到平滑作用，这样可以采用较大的学习率η，以提高学习速度。

3 学习训练及预报准确率检验

实况数据包含2015年3月份的GTS实测数据及渤海区域内海洋站的实况数据，数据主要提取的变量包括3小时一次的气压（海平面气压及本站气压值）、气温、能见度、降水、云量；海洋站数据提取的变量主要为风向、风速资料。

以海平面气压为例，选用psfc变量作为预报因子，将2015年3月份样本数据，运用BP神经网络方法，进行训练学习，图2给出网络拟合及预测值与实际值的对比曲线。从图2中可知，BP网络的拟合值与实际值在大部分时段相吻合。

图2 BP网络的拟合值和预测值与实际值的对比曲线

各时段海平面气压、温度、相对湿度、能见度、降水、风向和风速的预报准确率如表1所示，从表1中可知，相对于传动的数值预报释用方法，采用BP神经网络算法，海平面气压、温度、能见度的预报准确率大大提高了。

表1 各时段预报结果准确率

4 结论

目前，数值预报产品释用方法大多数基于统计的分析方法，但是基于该方法的气象要素的准确率较低。利用BP神经网络算法进行数值预报产品的释用，其拟合值与实际值在大部分时段相吻合的较好，各时段渤海区域气象要素预报准确率较高，具有非常广阔的应用前景。

【参考文献】

[1]Zbynk Sokol. Mos-Based Precipitation Forecasts for River Basins[J]. Weather and Forecasting， 2003， 18（5）： 769-781.

[2]Ashok Kumar， Parvinder Maini， S.V.Singh. An Operational Model for Forecasting Probability of Precipitation an Yes/No Forecast[J]. Weather and Forecasting， 1999， 14（1）： 38-48.

[3]金 龙.神经网络气象预报建模理论方法与应用[M].北京：气象出版社，2004.

[4]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2001.