大气可降水量预测的改进BP 神经网络模型
2020-08-25黄逸宇魏冠军
导航定位学报 2020年4期
黄逸宇,魏冠军,任 瑞
(兰州交通大学 测绘与地理信息学院/地理国情监测技术应用国家地方联合工程研究中心/甘肃省地理国情监测工程实验室,兰州 730070)
0 引言
降雨的形成是多种因素作用的结果,充沛的大气可降水量(precipitable water vapor, PWV)是降雨发生的重要前提条件[1-2]。大气可降水量指的是单位面积内空气柱中的水汽总量,水汽含量会影响大气的垂直稳定性,因此,大气可降水量在气候系统演化以及能量传递过程中具有十分重要的作用[3]。提高中小时间尺度的可降水量预测精度,可以减少极端恶劣天气(如台风、暴雨、暴雪等)对人类造成的影响,对人防工程的建立具有重要的意义和指导价值[4]。
利用神经网络研究大数据模式已经成为科学技术的重要趋势。在人工智能领域,学者们受到生物学模仿人类大脑处理信息过程的启发,建立了人工神经网络[5](artificial neural network, ANN)。由于大气可降水量的变化受多种因素影响,具有很强的非线性特征,因此很难用一般的线性模型进行预测和分析,而反向传播(back propagation,BP)神经网络属于自适应的非线性动力学模型,具有强大的学习、记忆功能,因此适用于大气可降水量的预测[6]。国内外学者对神经网络预测大气可降水量进行了深入研究:文献[7]利用最小二乘估计的方法进行了PWV 预测试验,并得到了精度较好的预测值;文献[8]利用小波网络对全球定位系统(global positioning system, GPS)可降水量时间序列进行试验,得出小波神经网络比传统的BP神经网络具有更高容错性的结论;……
登录APP查看全文
