BP神经网络在多普勒雷达降水量的估测中的应用

间 、降水类型 、季节 、地域的变化而变化的[4 - 5] 。 因此 , Z - R 关系式的应用受到限制 , 在一特定的 区域用一个不变的 Z - R 经验关系式必然使得估测 结果往往与实际雨量存在较大的偏差[6] 。本文采用 改进的最佳窗概率配对法建立本地化的 Z - R关系 , 可在一定程度上提高雷达定量估测降水的精度 , 但 仅通过 Z - R 关系估测的降水仍存在较大的误差 。 因此 , 寻求一种适宜的估测方法是提高降雨估测效 果的有效途径 。 人工神经网络 ( ANN) 是在研究生物神经网络 的基础上建立的模拟人脑思维与记忆的神经网络模 型 。以其大规模的并行计算与分布式存贮能力 , 非 线性映射能力 , 较强的容错性 、自适应 、自学习的 能力等许多特性在降水径流预报等水文科学领域得 到广泛应用[7] 。近年来 , ANN 结合遥感雨量计数 据来估测降雨被许多研究者关注 , 许多研究表 明[8 - 10 ] : ANN 在降水估测和预报中都产生了较好 的效果 。Hsu 等[11] 将自适应神经网络结合红外遥 感图 像 和 地 面 雨 量 计 数 据 应 用 于 降 雨 估 测。
2 研究区域和数据处理
2. 1 试验区域和资料 试验区域位于山东省临沂地区雷达半径 150 km 之内 , 约 117. 40°～119. 18°E , 34. 37°～ 36. 38° E 的沂沭河流域 。雨量计资料来自山东临沂地区的 10 个气象站的 1 h 雨强 。雷达回波资料取自投入 实际业务运行的 CIN RAD/ SC 多普勒天气雷达三 维体扫资料 , 取样间隔时间为 6 min 。由于雷达波 束高度随距离增加而增加 , 雷达有效照射体积随距 离增加可能出现波束未充塞 , 因此 , 雷达反射率因 子随距离增加在一般情况下是递减的 。从空间上考 虑 , 把雷达中心定为零点可划分 4 个圈带 : 0～20 km 、20～35 km 、35～50 km 、50～230 km 不等 , 雷达中心所在地的坐标为 118. 348°E , 35. 051°N 。 根据经验 , 总结出了针对不同圈带的最具代表性的 雷达扫描仰角 , 0～20 km 用 3. 4°仰角 PPI 数据 , 20 ～35 km 用 2. 4°仰角 PPI 数据 , 35～50 km 用 1. 5° 仰角 PPI 数据 , 50～230 km 用 0. 5°仰角 PPI 数据 , 将不同仰角的 PPI 数据组合成 1. 2 km 高度上的反 射率因子场作为 Z - R 关系转换处理的基本场 。用 2005 年的 4 次降雨过程进行 Z - R 关系的建立和 B PNN 的训练 。采用时间分辨率为 1 h 降水作为一
邵月红1 , 张万昌2 3 , 刘永和2 , 孙成武3 , 傅成玉3
(1. 南京大学 国际地球系统科学研究所 , 南京 江苏 210093 ; 2. 中国科学院 大气物理所东亚区域气候 - 环境重点实验室/ 全球变化东亚区域研究中心 , 北京 100029 ;
3. 临沂市气象局 , 临沂 山东 276004)
收稿日期 : 2008208227 ; 改回日期 : 2009203206 基金项目 : 国家重点基础研究发展规划 973 项目 (2006CB400502) ; 中国科学院“百人计划”择优支持项目 (82057493) 共同资助 作者简介 : 邵月红 (1977 —) , 女 , 山西侯马人 , 博士生 , 主要从事水文 、GIS 与 RS 的研究. E2mail : shaoyh @tea. ac. cn 3 通信作者 : 张万昌. E2mail : zhangwc @tea. ac. cn
个样本 。样本的选取按照降水性质 、类型及天气形 势的影响系统等准则进行选取 。所有降雨过程均为 积 、层混合云降雨 。用 2006 年降水性质基本一致 的两次降雨过程进行验证 , 所有降雨过程的天气描 述如表 1 所示 。 2. 2 BP 网络改进算法简介 B P 网络是一种简便 、有效 、适用于层次性网 络的学习算法 。常规的 B P 网络一般采用梯度下降 反向传播算法 , 具有收敛速度慢 、易陷入局部最小 点等缺点 。本文采用 B F GS 算法 、对常规的 B P 算 法进行了改进 , 有效地克服了常规 B P 算法的缺陷 。 B F GS 算法是一个拟 Newto n 算法 , 通过牛顿 迭代方程和收敛来实现 。其迭代方程为
Grimes 等[12] 应用主成分分析神经网络来进行计算 和估测流域日降水估测 。Trafalis 等[13] 利用 ANN 来提高 WSR - 88D 雷达估测降水的精度 。国内利 用人工神经网络结合雨量计站点的降水来预报径流 的研究较多 , 应用神经网络结合地面雨量计及多普 勒雷达数据来估测降水的研究很少 , 随着我国已获 取得高质量 、稳定的雷达资料 , 将神经网络方法应 用于雷达资料降水估测 , 已日渐普遍 。本研究主要 利用基于 B F GS 的误差反向传播算法 (B P) 来定量 估测暴雨过程短期小时降雨量 。
48. 4 30. 5 22. 3 47. 3 54. 1 26. 3
气旋 、副热带高压西侧西南气流 江淮切变线 、副热带高压 江淮切变线
切变线 、副热带高压西侧西南气流 西风槽 、切变线 、副热带高压西侧西南气流
西风槽 、副热带高压
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
Z1 > Z2 > Z3 > … > Zn …,
R1 > R2 > R3 > … > Rn > …,
从 左 到 右 取 滑 动 窗 ( 滑 动 窗 长 为2L2) , 将 [ Zmin , Zmax ] 划 分 为 多 个 小 窗 [ Z1 , Zl ] [ Z2 , Z1 + l ] , …, [ Zn - l + 1 , Zn ] ; 同样对应的 R 窗为 [ R1 , Rl ] , [ R2 , R1 + l ] , …, [ Rn - l + 1 , Rn ] , 分别求对应窗的滑动平 均值 Zk 、Rk , 得到一组对应的配对值 。利用遗传优 化算法可以得到一组配对的 a 和 b 。用求得的 a 和 b 及已知的 R 求出一组 z′k , 将 z′k 按落在第一步中 z n 的各个滑动窗中进行分组 , 并取出每一窗口内 z′k 的最大值和最小值 , 用来和对应窗口 Rn 的滑动 窗中的最大最小值对应 , 这将得到一组新的 Z , R 的配对 , 再重复第一步的过程 , 通过遗传优化算法 算出一组更为精确的 a 和 b 。 遗传算法处理参数优化问题主要解决目标函数 选取 、参数编码和遗传算子构造等 。目标函数的选 取对优化结果起着重要的作用 。本文利用误差平方 随机补偿法来保证误差最小的原则选定目标函数 :
众所周知 , Z = a Rb , 由于雷达反射率因子 ( Z) 与雨强 ( R) 成指数关系 , 因此大的雨强对应大的 Z 值 , 考虑到降水分布的随机性 , 假设雨强及雷达反 射率为随机变量 , 通过观测 , 得到这些点的雷达反
代码
1 2 3 4 5 6
起始 - 终止时间 / (年2月2日)
2005206225～26 2005207208
1 引言
降水是表征气候和生态水文过程重要的要素之 一 。降雨量的准确估测是定量水文分析的基础 , 在 防汛抢险 、水资源的合理利用及工农业生产应用中 起着非常重要的作用[1 ] 。 传统的通过地面雨量计来测量降雨是一简单有 效的方法 。雨量计能在点上比较精确地测量降水 , 但由于雨量计网的密度不够及降水过程在时间和空 间上具有很大的不确定性 , 因此仅用雨量计测得的 点雨量 估 计 整 个 流 域 的 降 水 将 会 带 来 很 大 的 误 差[2] 。雷达相对于雨量计而言 , 具有测量范围广 、 时空分辨率高 、能及时获取大面积降水资料等优点 而越来越多地被应用到降水定量估测中[3] 。目前雷 达估测降水主要通过雷达回波强度和雨强二者之间 建立的关系式来估算 , 即反射率因子 ( Z) 和雨强 ( R) 的 Z - R 的关系式 Z = aRb , a 和 b 为经验系数 。 合理的 Z - R 关系主要取决于降水系统中滴谱的分 布状况 , 然而滴谱分布在一般情况下是随时间和空
高 原 气 象 第
28 卷 第 4 2009 年 8 月期PLAT
EA U
Vol. 28 No . 4
M E T EO ROL O GY
August , 2009
文章编号 : 100020534 (2009) 0420846208
BP 神经网络在多普勒雷达降水量的 估测中的应用
x k+1 = x k - Gk- 1 gk ,
其中 x k为目标函数的极小值的一个近似 , x k + 1 为下 一次极小值的一个近似 , Gk 为赫赛对称矩阵 , gk 梯 度矢量 ; 主要利用微种群遗传算法的全局最优性在 大范围内搜索可能的极值 , 而用拟牛顿法的目标函 数梯度下降特性在极值点附近快速搜索 , 从而实现 了全局最优与快速搜索的有机结合 , 该算法充分利 用其二次终止性 、整体和超线性收敛性 、搜索方向 共轭等特性 , 使神经网络输出与希望输出的偏差达 到最小 , 并且受误差和搜索不精确性的影响较小 , 进一步加快了网络的训练速度 , 提高了网络预测精 度 。许多研究表明[14] , 该算法优于常规的梯度下 降法 、最速下降法和共轭梯度法 。 2. 3 一种改进的最佳窗概率配对法[15]
2005208229～30 2005209219～21 2006207202～03 2006208228～30
表 1 降雨过程的天气概况 Table 1 The weather of rainfall process
状态
最大降雨量 / ( mm ·h - 1)
天气形势及影响系统
训练 训练 训练 训练 检验 检验
摘 要 : 利用 2005 年 4 次降雨过程的多普勒雷达体扫的回波强度资料及相应的雨量计观测资料 , 通过 BP 神经网络方法来估测临沂地区的降雨量 , 同时以改进的最佳窗概率配对法建立的 Z - R 关系估测的 降雨量为对照 , 进一步验证 BP 神经网络方法的优越性 。根据各个站点的平均相对误差 、均方根差 、相 关系数和相关曲线斜率 4 个指标的比较 , 小时雨量和累计降雨量估测结果表明 : BP 神经网络估测精度 要明显优于 Z - R 关系式 , 训练样本的精度高于检验样本的精度 , BP 神经网络估测的降雨量与站点实 测雨量吻合性较好 , 能够较真实地反映地面降雨情况 ; Z - R 关系式估测的降雨量随着雨强的不同表现 为不同程度的低估现象 。 关键词 : BP 神经网络 ; 多普勒雷达 ; 降水估测 中图分类号 : P426. 6 文献标识码 : A
84 8
高 原 气 象 28 卷
射率与雨量计测值的配对 。将整个降水区观测到的 Z , R 分别按大小排序 , 并以滑动窗的形式进行配 对 , 然后通过遗传优化算法[16] , 得出 a 和 b 。 利用每 1 h 的实测资料配对 (雷达的每 6 min 资料作 1 h 平均 , 雨量为 1 h 累积) , 首先将 Z 和 R 分别按大小顺序排列起来 :
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
4 期
邵月红等 : BP 神经网络在多普勒雷达降水量的估测中的应用 8 47