（计算机应用技术专业论文）基于bp神经网络的强对流天气预报模型研究.pdf

t 一 分类号 u d c 注1 学位论文 基于b p 神经网络的强对流天气预报模型研究 ( 题名和副题名) 蒋吉丽 ( 作者姓名) 指导教师姓名陈文字副教授 电子科技大学成都 ( 职务、职称、学位、单位名称及地址) 申请专业学位级别硕士专业名称计算机应用技术 论文提交日期2 0 1 0 0 3 论文答辩日期 2 0 1 0 0 5 学位授予单位和日期电子科技大学 答辩委员会主席 评阅人 年月 日 注1 ：注明国际十进分类法u d c ) ) 的类号。 艺雹u 蔓弓i 醢 舢 作 方 为 与 确 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 舻 签名：恼互砬 1、 。丫忐 k j 摘要 摘要 强对流天气因为来得突然、持续时间短、强度强，所以造成的后果是非常严 重的，能及时准确地对它做出预报是非常有意义的。因为不稳定参数能客观地反 映大气的不稳定度状况，与强对流天气的发生发展有着密切关系，所以利用不稳 定能量参数进行强对流天气的临近预报，寻求这些指标的临界值对强对流天气的 预报有着重要指示作用。如何寻找不稳定能量参数的临界值单靠人工经验的积累 是有限的，充分利用现有的计算机技术寻求新的预报方法是非常有研究价值的。 本文首先介绍了强对流天气的天气学概念，研究强对流天气预报的意义，总 结过去几十年气象专家预报强对流天气的主要技术。近几年，通过计算强对流天 气的不稳定能量参数来预报强对流天气已经取得了一些进展，而且预报效果很理 想，因此本文也从计算强对流天气不稳定能量参数着手，进一步研究强对流天气 的预报方法。由于人工神经网络技术具有很强的非线性映射能力和并行性、自适 应性、容错性及自学习能力，特别适用于解决因果关系复杂的非确定性推理、判 断、预测和分类等问题。b p 神经网络( b a c kp r o p a g a t i o nn e u r a ln e t w o r k ) 是一种 单向传播的多层前向神经网络，它是一种误差反向传播的算法。b p 算法是目前应 用最为广泛的神经网络学习算法，恰好可以解决本质上属于模式识别的强对流天 气预报问题，因此本文选用改进的b p 神经网络来建立强对流天气预报模型。 最后构建了基于b p 神经网络的强对流天气预报模型，将观测实况资料作为专 家样本对b p 神经网络模型进行训练和测试，对训练好了的模型进行了对比测试， 预报的结果很理想，为强对流天气的预报提供了精确依据。本文建立的基于b p 人 工神经网络的强对流天气预报模型为气象预报工作提供了一种简单、客观、实用 的预报方法。 关键词强对流天气，不稳定能量指标，b p 神经网络建模 i、_1 a bs t r a c t a bs t r a c t b e c a u s es e v e r e l yc o n v e c t i v ew e a t h e ri sm o r eo fas u d d e n ，s h o r td u r a t i o n ，i n t e n s i t y , k m ec o n s c q u e n c e sa r eq u i e ts e r i o u s ，a n di t i ss i g n i f i c a n tt om a k et i m e l ya 1 1 da c c u r a t e 毡 f o r e c a s t i n g d u et o t h ei n s t a b i l i t yp a r a m e t e r sc a l lo b j e c t i v e l yr e f l e c tt h ed e g r e eo f a t m o s p h e r i ci n s t a b i l i t yc o n d i t i o n s ，a n da r ec l o s e l yr e l a t e dt ot h eo c c u l t e n c eo fs e v e r e c o n v e c t i v ew e a t h e rd e v e l o p m e n t , i tc a l lp e r f o r ma p p r o a c h i n gw e a t h e rf o r e c a s t i n gu s i n g c o n v e c t i v ei n s t a b i l i t ye n e r g yi n d i c a t o r s ，a n dt h ec r i t i c a lv a l u ef o rt h e s ei n d i c a t o r so f s t r o n gc o n v e c t i v ew e a t h e rp l a ya ni m p o r t a n tr o l ei n t h ep r e d i c t i o ni n s t r u c t i o n s i ti s l i m i t e dt h a th o wt of i n dt h ec r i t i c a lv a l u eo fe n e r g yi n d e xo fi n s t a b i l i t yo n l yt h o u g h a r t i f i c i a la c c u m u l a t i o no fe x p e r i e n c ea n di ti so fr e s e a r c hv a l u et of i n dn e wp r e d i c a t i o n m e t h o du s i n ge x i s t i n gc o m p u t e rt e c h n o l o g y t h i st h e s i si n t r o d u c e st h ew e a t h e rc o n c e p to fs e v e r e l yc o n v e c t i v ew e a t h e r , t h e m e a n i n go fr e s e a r c h i n gs e v e r e l yc o n v e c t i v ew e a t h e r , a n ds u m m e du pt h ep a s tf e w d e c a d e s t h em a i nt e c h n i c a lo fm e t e o r o l o g i s t sf o r e c a s t i n gs e v e r e l yc o n v e c t i v ew e a t h e r i nr e c e n ty e a r s ，p r o g r e s s e sh a sb e e nm a d et of o r e c a s ts e v e r e l yc o n v e c t i v ew e a t h e rb y c a l c u l a t i n gt h ee n e r g yi n s t a b i l i t yi n d e x ，a n dt h ep r e d i c t i o nr e s u l t sa r es a t i s f a c t o r y , a sa r e s u l t ，t h i st h e s i si sb a s e do nt h ec a l c u l a t i o no ft h ei n s t a b i l i t yi n d e x e so fs e v e r e l y c o n v e c t i v ew e a t h e ra n dp e r f o r m sf u r t h e rs t u d yo fs e v e r e l yc o n v e c t i v ew e a t h e r f o r e c a s t i n g sm e t h o d s b e c a u s et h ea r t i f i c i a ln e u r a ln e t w o r kt e c h n o l o g yh a sas t r o n g n o n l i n e a rm a p p i n ga b i l i t ya n dp a r a l l e l i s m ，a d a p t a b i l i t y , f a u l tt o l e r a n c ea n ds e l f - l e a r n i n g a b i l i t y , i t i s e s p e c i a l l ya p p r o p r i a t ef o rs o l v i n gc o m p l e xn o n d e t e r m i n i s t i c c a u s a l r e a s o n i n g ，j u d g m e n t s ，p r e d i c t i o na n dc l a s s i f i c a t i o np r o b l e m s b pn e u r a ln e t w o r k ( b a c k p r o p a g a t i o nn e u r a ln e t w o r k ) i sao n e - w a yt r a n s m i s s i o no fm u l t i l a y e rf o r w a r dn e u r a l n e t w o r k ，a n di ti sa e r r o rb a c kp r o p a g a t i o na l g o r i t h m b pa l g o r i t h mi st h em o s tw i d e l y u s e dn e u r a ln e t w o r kl e a r n i n ga l g o r i t h m ，i tc a ns o l v ec o n v e c t i v ew e a t h e rp r e d i c t i o n p r o b l e mw h i c hi sp a t t e r nr e c o g n i t i o ni nn a t u r e ，s ot h i st h e s i su s e dt h ei m p r o v e db p n e u r a ln e t w o r kt ob u i l ds t r o n gc o n v e c t i v ew e a t h e rf o r e c a s tm o d e l f i n a l l yw e b u i l tm o d e lo f s e v e r e l yc o n v e c t i v ew e a t h e rb a s e do nb p n e u r a ln e t w o r k , i nw h i c hl i v ed a t aw i l lb eo b s e r v e da sap a n e l i s to nt h eb pn e u r a ln e t w o r km o d e l i i a b s t r a c t t r a i n i n ga n dt e s t i n g ，w ed oc o m p a r i s o nt e s tf o r t h et r a i n e dm o d e l ，t h ef o r e c a s tr e s u l t sa le i d e a l i nt h i st h e s i s ，t h em o d e lo fs e v e r e l yc o n v e c t i v ew e a t h e rf o r e c a s tb a s e do nb p a r t i f i c i a ln e u r a ln e t w o r kp r o v i d e sas i m p l e ，o b j e c t i v e ，p r a c t i c a lp r e d i c t i o nm e t h o d k e yw o r d s ：s e v e r e l yc o n v e c t i v ew e a t h e rs y s t e m s ；t h ee n e r g yi n s t a b i l i t yi n d e x ；b p a r t i f i c i a ln e u r a ln e t w o r km o d e l j0一 yf-pf螺 k 目录 目录 第一章绪论。1 1 1 选题的背景、目的和意义1 1 2 国内外的研究2 1 3 本论文研究的技术路线及主要内容3 1 3 1 技术路线3 1 3 2 研究内容4 1 4 本章小结5 第二章强对流天气概述7 2 1 强对流天气的概念7 2 2 强对流天气预报的研究进展7 2 3 强对流天气的主要预报技术8 2 4 利用不稳定参数预报强对流天气可行性分析8 2 5 强对流天气预报中的不稳定指标9 2 6 本章小结11 第三章人工神经网络基本原理及其预报模型研究1 2 3 1 人工神经网络模型1 2 3 1 1 生物神经元模型1 2 3 1 2 人工神经元模型1 4 3 1 3a n n 的分类1 4 3 1 4 人工神经网络模型的训练1 6 3 1 5 激励函数1 7 3 2 基于b p 算法的多层前馈网络1 8 3 2 1b p 算法的公式推导l8 3 2 2b p 算法分析2 0 3 3b p 学习算法的缺点及改进2 1 3 4 网络拓扑结构2 2 3 5 本文对b p 神经网络强对流天气模型的设计一2 2 3 5 1 输入资料的选定2 2 3 5 2 网络拓扑结构的确定。2 6 3 5 3b p 网络的计算流程图2 7 3 6b p 网络模型的软件实现2 7 3 7 本章小结2 7 第四章某机场强对流天气预报的b p 神经网络模型2 9 4 1 神经网络预测平台2 9 4 2 数据来源及整理。3 0 4 3b p 神经网络建模3 1 4 3 1 样本数据准备一31 目录 4 3 2 网络拓扑结构的确定3 3 4 4 网络模型评价一3 7 4 4 1 测试数据导入3 7 4 4 2 网络评价3 7 4 5 某机场基于b p 网络的强对流天气预报模型对比测试3 7 4 6 本章小结3 8 第五章结论4 0 5 1 模型性能讨论4 0 5 1 1 对模型的改进4 0 5 1 2b p 人工神经模型应用于强对流天气预报的适用性4 l 5 1 3b p 神经网络模型应用于强对流天气预报的优越性。4 1 5 2 基于b p 神经网络的强对流天气预报模型需要改进的地方4 2 5 3 本章小结4 3 致谢4 4 参考文献4 5 在校期间的研究成果。4 8 第一章绪论 第一章绪论 1 1 选题的背景、目的和意义 在天气学上，根据天气系统的强度和影响范围，天气系统可分为三种形式： 大尺度天气现象、中尺度天气现象、小尺度天气现象【l 】。大尺度天气现象水平范围 大概在一千公里以上；中尺度天气现象大概在三百公里至一千公里之间；小尺度 的天气系统大概十几至二三公里之间。中大尺度天气系统因为强度强、垂直深度 深、水平范围大，因此，移动比较缓慢，从天气图和卫星云图上能够比较准确的 对其进行定位和预报。而中小尺度天气系统因为范围小，变化快，强度也很强， 所以它的移动是非常快的，用普通的观测和预报手段是很难捕捉到的。 强对流天气就属于中小尺度天气【2 】。由于其范围小、持续时间短、局地性强的 特点以及温度、湿度、气压等气象要素场分布的不连续性，常规观测手段限于其 时空分辨率，难以捕捉到强对流天气的气象信息，导致对强对流天气的检测能力 较低、预报方法较少。随着大气检测手段的提高和计算机技术的发展，尤其是多 普勒天气雷达、闪电定位仪以及自动雨量站的应用，为强对流天气的预警和研究 提供了极好的手段【3 】。利用当前先进的大气监测手段结合数值预报等对强对流天气 进行监测预警的研究已成为国内外的主要发展趋势。 强对流天气的特点是来得突然、持续时间短、强度强，所以造成的后果是非 常严重的。特别是在空军部队夏季进行飞行训练的过程中，雷暴发生频数非常高， 来得也很突然，毫无征兆。飞机离开地面后就处于复杂多变的大气环境中，在确 保空中飞行安全的情况下要积极完成飞行任务，能提前对这种突发的强对流天气 做出预警、预报是至关重要的。运用先进的计算机设备和最新的气象理论知识来 研究强对流天气的发生、发展是有重要意义的。强对流天气的发生、发展是极其 复杂的一个过程，受很多因素的影响，各个因素之间又有千丝万缕的联系，所以 说强对流天气的预报问题是一个非线性问题【4 】。近年来，具有很强的非线性映射能 力的人工神经网络技术得到了突飞猛进的发展和应用，用它解决了很多因果关系 复杂的问题。相关研究发现人工神经网络的主要特点是自学习能力、自适应性和 容错性【5 】。因为这些独特的功能恰好可以解决本质上属于非线性影射的强对流天气 电子科技大学硕士学位论文 预报问题，所以本文尝试采用基于b p ( b a c kp r o p a g a t i o n ) 算法的人工神经网络方 法来解决强对流天气预报问题。 1 2 国内外的研究 在国外【们，1 9 4 0 年人工神经网络就开始了开拓性的研究。阀值加权和而只神 经元模型被美国的心理学家w a r r e nm c c l l o e h 和数学家w a l t e rp i t t s 合作提出的。上 个世纪8 0 年代，神经网络研究得到了空前的发展。神经网络因为其自身的独有特 性：能解决复杂的非线性问题，所以，人工神经网络的理论和应用研究都有了较 大的进展。更进一步推进了计算机技术向其他工程领域发展，引领了其他学科的 发展。 天气预报问题就是一个典型的非线性问题，因此，神经网络在大气科学领域 同样得到了最为深入的应用，神经网络在大学科学领域中的应用研究最早开始于 美国n e u r a lw a r e 公司【7 1 ，1 9 8 7 年，他们提出了一种人工神经网络晴雨预报系统。 该模型将地面观测气压、温度和风向风速作为专家样本，并进行了网络模型的学 习和训练，该模型还进行了数据的检测，对预报模型做检验，结论表明比以往的 预报方法准确率有一定的提高。 d o n a l dw - m c a a n n 网( 1 9 9 2 ) 采用最常用的前馈网络模型进行了强雷暴事件的 预报研究。 d a v i ds i l v e r m a n 【9 】等) v ( 2 0 0 0 ) 提出了基于b p 网络的美国加利福利亚地区降水 长期预报模型。 在国内的大气科学业务科研工作中也广泛开展了有关人工神经网络的应用研 究。 宫家文和甘俊人等人【n 】( 1 9 9 4 ) 曾运用人工神经网络方法开展了汛期降水量的 预报研究，研究结论认为神经网络方法确实可以通过对网络模型的学习训练，从 日常的观测数据中获取大量的预报信息，预报准确率是相当高的。 李祚泳和邓新引1 2 】( 1 9 9 5 ) 首次将人工神经网络理论运用到了台风预报的初 步探视中，为台风的活动预报提供了更为科学的方法。 金龙和陈宁【l3 】( 1 9 9 6 ) 将人工神经网络方法运用到了天气的集成预报中，该系 统包括了水面蒸发量、农田旱涝、汛期降水，日平均气温等预报。 栾建林和陈宁等人【1 4 】( 1 9 9 8 ) 将单向多层次的前馈神经网络引入到了天气定 性集成预报模型中，研究发现，前馈神经网络运用到天气预报中具有更好的适用 2 r ，；眇 性， 合预 规律 1 3 1 3 1 技术路线 经过大量查阅资料发现，利用b p 网络模型进行强对流天气预报的还很少，国 内在致力于解决强对流天气的临近预报预警方面亦做了大量工作，一些省市台站 自行研发的临近预报预警系统，在气象业务服务中发挥了重要作用 1 6 1 。总的来讲， 目前业务上应用的预警系统一般是基于雷达资料的外推、数值预报，以及预报员 经验相结合的方法，主要用于天气的临近预报预警。近年来，对流参数在强对流 天气预报中的应用得到了深入的研究【1 7 ，但如何将这些研究成果应用于日常业务 预报中尚有待进一步的开发和完善。本文着重从以下四个方面对强对流天气预报 的b p 网络模型进行研究： 1 为了进一步提高b p 网络模型的识别能力本文选取比较有预报意义的指 标，作为b p 人工神经网络模型专家样本的输入。实况资料是最好的专家样本，本 文研究的强对流天气主要是夏季雷暴，雷暴的实况资料详细记录了打雷的时段。 根据打雷当天的探空资料计算出7 个强对流天气预报指标，将这7 个指标作为整 个网络模型的输入节点。 2 本文对b p 人工神经网络模型进行了四个方面的改进：添加动量因子、使 用顺序方式训练网络、变化学习速率、选用s 函数作为传递函数。并对网络的隐 含层节点数进行了选优，进一步提高网络模型的预报能力。 3 本文b p 人工神经网络模型的输出节点根据强对流天气预报实际问题做了 相应的处理，把全天2 4 小时划分为4 个时段，根据强对流天气出现的早晚进行了 等级划分，并用数值与之对应，把这些数值就作为整个网络模型的输出节点。 4 基于b p 网络的强对流天气预报模型的对比测试也是本文的研究重点，相 比现在强对流天气预报的业务技术，本文研究的预报模型有非常强的适应性和优 越性。 本文研究的技术路线如图1 1 所示。 3 电子科技大学硕士学位论文 1 3 2 研究内容 图1 - 1 论文研究的技术路线 首先，分析了强对流天气的气象理论知识，对强对流天气作出预报的意义和 目的，现有的强对流天气主要预报技术，强对流天气预报的实质特点。本文分析 了计算机技术的飞跃发展以及在工程中的广泛应用，通过研究发现，气象预报工 作的顺利完成必须需要计算机技术的支持。本文通过查阅相关资料【1 8 1 ，对人工神 经网络理论进行了深入的研究和全面的分析，发现运用人工神经网络进行强对流 天气预报是可行的，有价值的。本文提出了基于b p 人工神经网络的强对流天气预 报模型，在建立模型之前分析了强对流天气预报指标用于强对流天气预报的可行 性及注意事项，选用并整理了四川某机场2 0 0 5 年、2 0 0 8 年的部分探空资料作为原 始数据，编制f o r t r a n 程序计算出了七个强对流天气预报指标【l9 】：位势不稳定 能量( c a p e ) 指数、a 指数、风暴相对螺旋度( r s h ) 指数、修正m k 指数、位势 不稳定指标i 、抬升指数l i 、沙氏指数s i ，将这些指标作为网络模型的专家样本， 然后对网络模型进行了训练和测试，得出了基于b p 人工神经网络的强对流天气预 4 第一章绪论 报模型的结果，最后从预报的对比测试结果分析了b p 人工神经网络应用于强对流 天气预报的可行性和优越性，为强对流天气预报工作寻求到了一种更为科学合理 而且简单实用的方法。 论文的章节结构如下： 第一章绪论，首先介绍课题提出的背景与目的，强对流天气预报的国内外 研究情况，然后分析神经网络模型引入强对流天气预报中的优越性、可行性，同 时指出了传统强对流天气预报方法存在的缺点和不足的基础上，提出来本文修正 和改进的方法。 第二章强对流天气的概述，科普性地介绍强对流天气的概念，国内外研究 的进展，以及强对流天气的预报技术，重点讨论了基于稳定度和能量指标作强对 流天气的短时预报。 第三章人工神经网络的基本理论，本章首先从生物学理论角度介绍了神经 细胞，然后介绍了人工神经元的分类、算法以及典型的激励函数，着重论述了单 向多层前馈网络( b p 网络) 结构、算法的推导和b p 算法实现步骤。最后阐述了 本文对用于强对流天气预报的b p 人工神经网络模型所做出的改进。 第四章某机场强对流天气预报的b p 人工神经网络模型，简单介绍了神经通 用预测平台的功能和使用。建立了某机场的强对流天气预报b p 网络模型，并用 2 0 0 5 年和2 0 0 8 年强对流天气部分实况资料作为专家样本和测试样本对模型进行训 练，再把2 0 0 8 年部分资料作为检测数据导入模型中进行预报，对网络模型的性能 进行检验。 第五章结论，首先分析了某机场强对流天气的预报结果，从分析的结论中 列出了本文对于强对流天气的b p 网络模型的改进，并总结模型用于强对流天气预 报的鲁棒性和优越性，最后提出来了在以后的研究中需要改进的地方。 1 4 本章小结 首先，本章阐述了运用b p 神经网络技术进行强对流天气预报的目的和意 义。强对流天气的危害非常大，它的发生发展又是非常复杂的，如何寻求更为科 学、客观的方法对它做出预报是非常有价值的。神经网络技术因为其独有的非线 性映射能力、并行性、自适应性、容错性，以及自学习能力，所以特别适合解决 本质上属于非线性映射的强对流天气预报问题。然后介绍了目前神经网络技术在 大气科学领域的应用，应用是非常广泛和深入的，但是在强对流天气的预报方面 电子科技大学硕士学位论文 还没有真正地应用于业务工作，需要通过研究分析出b p 神经网络技术用于强对流 天气预报的可行性和优越性，为以后的研究提供科学有用的依据，这个问题也是 本文研究的重点问题。最后概述了本文的技术路线和主要内容，为本课题的研究 提纲挈领。 6 第二章强对流天气概述 2 1 强对流天气的概念 第二章强对流天气概述 由对流性风暴产生的天气现象称为对流性天气，强对流天气则是大气对流活 动旺盛、强烈发展的对流性天气，属于产生较大破坏力的灾害性天气。强对流天 气发生在对流云系或单体对流云块中，在气象上属于中小尺度天气系统。 强对流天气的大尺度天气学条件是丰沛的水汽、条件性不稳定层结和抬升触 发机制。其中水汽所起的作用不仅为成云致雨提供了条件，而且水汽的垂直分布 和温度的垂直分布，都是影响气层稳定度的重要因子。气象要素场上表现为风切 变明显、气压梯度大、气象要素不连续等特型2 0 1 。触发机制也称启动机制，指气 块抬升到凝结高度的条件，是强对流天气产生的动力因子。水汽和不稳定层结两 个条件可以认为是发生对流天气的内因，而抬升条件则是外因，这三个条件是有 机联系在一起的。强对流天气的诊断和预报也正是以此三个条件进行综合分析和 判断的。 强对流天气一般是指短时强降水、雷暴( 雷电、暴雨) 、短时大风、冰雹、龙 卷风等几种类型的对流性天气。短时强降水和暴雨、大暴雨之间有一定的区别， 大范围的暴雨洪涝不属于强对流天气，时间分布较为均匀的暴雨不一定属于强对 流天气，只有局地性的短时阵性降水才可以成为强对流天气。 2 2 强对流天气预报的研究进展 强对流天气由于其范围小、持续时间短、局地性强的特点以及温度、湿度、 气压等气象要素场的不连续性，常规观测手段限于其时空分辨率，难以捕捉到强 对流天气的气象信息，导致对强对流天气的监测能力较低、预报方法较少。随着 大气监测手段的提高和计算机技术的发展，尤其是多普勒天气雷达、闪电定位仪 以及自动雨量站的应用，为强对流天气的预警和研究提供了极好的手段。利用当 前先进的大气监测手段结合数值预报等对强对流天气进行监测预警的研究己成为 国内外的主意发展趋势。 7 电子科技大学硕士学位论文 2 3 强对流天气的主要预报技术 国内外许多研究人员开展了大量的关于强对流天气预报方面的研究工作。目 前很多国家根据不同的方法进行了短期雷暴、强降水、冰雹甚至龙卷的预警预报 工作，主要的预报方法有4 种：( 1 ) 根据影响天气的大尺度条件分析，确定其出 现最可能位置和时间，这种方法叫落区法。在强对流天气的监视和预报中，雷达 和地球同步卫星的观测起着重要的作用。( 2 ) 根据一定的指标或图表、总能量分 析以及各种稳定度指数分析，确定强对流出现的概率。( 3 ) 动力统计方法。大制 度数值预报不能直接报出强对流天气的发生和强度，但是可以报出与强对流天气 发生和强度有关的一些物理量，因而可以把这些物理量当作预报因子，建立它们 与强对流天气的统计关系。( 4 ) 数值预报方法。目前这方面已取得明显进展，这 是因为中尺度模式得到了迅速发展、改进和应用，尤其是m m 5 中尺度模式。 2 4 利用不稳定参数预报强对流天气可行性分析 强对流天气的物理量分析指标很多，主要用于判别是否出现强对流天气，对 强对流天气发生发展过程进行诊断，是强对流天气检测分析中非常重要的参量， 也是强对流天气机理研究中特别关注的参量，还是强对流天气预警预报中极其关 键的参量。而对强对流天气预警预报效果做出评估，是考察预报方法好坏的重要 过程，也是对历史资料进行检验的主要方法；只有评估效果好的指标或方法才可 以应用到强对流天气的预报业务中。 由于强对流天气的成因非常复杂，一方面物理量指标参数非常多，很难用一 个指标或参数就可以比较全面地反映强对流天气的各种特征，往往是某个物理量 只能刻画强对流天气的某种特征，而且它具有很强的地域差异性，因此，绝大多 数时候分析和比较各种物理量在强对流天气发生发展过程中的特点，从各种指标 参数中寻找和摸索适应于特定地区的若干个物理量指标。 下面看个个例分析【2 1 j ： 在1 9 9 0 2 0 0 4 年1 5 年见，北京发生的强雷暴大风( 最大阵风风速大于3 0 m s ) 共有5 次，见表2 1 。时间分别为：1 9 9 0 年8 月2 0 日、1 9 9 2 年7 月1 6 日、1 9 9 3 年9 月1 1 日、1 9 9 6 年7 月4 日、2 0 0 3 年7 月1 9 日。见表2 1 ，5 次强雷暴大风均 发生在1 6 时至晚上2 2 时的时段里，其中3 次发生在7 月份，8 月和9 月各出现因 此。强雷暴大风主要发生在盛夏季节的傍晚，这是因为午后热力增温有利于强雷 第二章强对流天气概述 暴大风的发生。 表2 11 9 9 0 2 0 0 4 年北京地区强雷暴大风日( 风速3 0 m s ) 概括表 一 1 9 9 0 年8 月 1 9 9 2 年7 月1 9 9 3 年9 月1 9 9 6 年7 月2 0 0 3 年 2 0 日1 6 日1 1 日4 日7 月1 9 主要属性日 发生时段 1 6 1 9 时2 0 2 1 时1 7 1 9 时1 8 2 2 时 1 7 1 8 时 最大风速( m s ) 3 23 53 03 03 6 相伴天气现象 降水、冰雹降水降水、冰雹降水降水、 冰雹 降水量( m m ) 4 3 5 1 5 41 7 31 4 73 0 不稳定参数变化特征分析。本例选用的强对流天气预报指标有：最佳对流有 效位能( b c a p e ) 、下沉对流有效位能( d c a p e ) 、深对流指数( d c i ) 、抬升指数( l i ) 、 大风指数( w i n d e x ) 、风暴螺旋度( s r h ) 、能量螺旋度( e h i ) 和风暴强度指数( s s i ) 。 这5 次强雷暴大风发生前后，各强对流参数数值都发生了变化，只是程度大小不 同( 表2 2 ) 。1 4 时与0 8 时探空资料相比，数值都升高许多；雷暴大风发生后，各 参数数值都有所减小，可以看出，雷暴大风发生前，大气极不稳定，大气能量不 断积聚，有利于上升气流达到较强程度。各参数值都能反映出这一点，而产生雷 暴大风后，大气趋于稳定。这个例子充分说明了利用强对流参数来进行强对流天 气的预报是可行的，我们需要做的就是能通过某种手段来获取各参数相应的临界 值。 表2 21 9 9 0 年8 月2 0 日雷暴大风( 1 6 时) 出现前后强对流参数数值对比表 时间 b c a pd c a pl id c iw i ns r hs s ie h i ee ( o c ) ( o c ) d e x( m 2 s 2 ) ( m 4 s 4 ) ( j k g ) ( j k g ) 0 8 时1 9 8 1 11 1 8 0 55 53 6 92 5 23 9 86 7 60 4 9 1 4 时3 3 3 3 81 2 4 5 29 54 1 33 6 61 0 5 9 1 0 1 22 2 1 2 0 时2 9 2 28 2 1 6o 32 8 307 5 84 5 60 1 4 2 5 强对流天气预报中的不稳定指标 强对流天气预报指标的应用具有地域差异，每个地方用的指标不一定相同， 又因为四川地处青藏高原东部，夏季局地发生强对流天气的概率很大，特别是雷 暴的发生发展很频繁，因此本文着重讨论的不稳定指标是跟雷暴密切相关的几个 9 电子科技大学硕士学位论文 指标，包括：c a p e 指数、a 指数、r s h 指数、m k 指数、位势不稳定指标i 、l i 指数、 s i 指数。各类参数各种参数简介如下： ( 1 ) 温湿指数a 2 2 1 。 温湿指数a 不仅包括了每一层的温度递减率，而且包括近地面层到中间层的温 湿状态。计算公式为： a = 毛5 0 一乃o o l ( 丁一乃) 8 5 0 + ( 丁一乃) ，0 0 + ( r 一乃) 5 0 0 j ( 2 1 ) ( 2 ) i 指数【2 2 】 i 指数反映了低层、中层和高层的高度变化以及中层温度条件，位势不稳定指 标计算公式为： j = 瓦i h 3 0 0 而- h l o o o + 1 。一2 码瑚 ( 2 - 2 ) 日3 0 0 + 日l o o o 一2 日7 0 0 ? ” 、7 ( 3 ) 对流有效位能c a p e 2 3 1 。 大气的对流活动是有效能量之间的相互转换和释放，对流有效位能从理论上 反映出对流上升运动可能发展的最大强度，近年来得到广泛的应用。计算公式为： 唧p ：g 萨( 乏) d z ( 2 3 ) 从物理意义上说，c a p e 为气块在自由对流高度和平衡高度之间受环境浮力累 积做的功。从几何意义上说，对流有效位能c a p e 正比于热力学图解( 如t - l n p 图) 上的正面积。计算c a p e 时特别需要注意初始抬升位置的确定。 ( 4 ) 风暴相对螺旋度s r h 2 3 1 。 与局地螺旋度不同，风暴相对螺旋度主要反映环境垂直风切变对移动风暴发 展的影响。在计算风暴相对螺旋度是，主要遇到两个问题：积分上下限和风暴移 速c 的确定。本文同时计算了1 公里以下、3 公里以下的风暴相对螺旋度，取其中 值大的为最后的s r h 值。计算公式为： s r h = i ( v c ) q 删d z ( 2 - 4 ) ( 5 ) 修正k 指数m k 2 3 1 。 修正k 指数m k 与k 指数不同之处在于，m k 考虑了地面温度状况。因为 m k 指数对强对流天气的预报有很好的指示意义，所以，在长期的业务实践中， m k 指数得到了很好的应用。实践表明，m k 值越大，稳定度越小，对流产生的可 能性就大。计算公式为： m k = 寺( 瓦+ 疋，。) + 寺( + 乃o ) 一正0 0 一( t 一乃) ，。o ( 2 5 ) 1 0 第二章 ( 6 ) 抬升指数l i 2 4 。 物理意义上说，它为平均气团从修正的低层9 0 0 h p a 高度，沿干绝热线上升， ( 干绝热线亦称干空气的状态曲线，指在热力图解上，表示干空气块在绝热上 升或下降过程中温度变化的一种曲线) 到达凝结高度后再沿湿绝热线上升至 5 0 0 h p a 时所具有的温度丁与5 0 0 h p a 等压面上的环境温度正的差值。公式为： l i = 正0 0 t 7 ( 2 - 6 ) ( 7 ) 肖沃特指数s i 2 5 1 。 肖沃特指数也叫沙氏指数，它是反映大气稳定度的一个指标。其值为8 5 0 h p a 等压面上的湿空气团沿干绝热线上升，到达凝结高度后再沿湿绝热线上升至 5 0 0 h p a 时所具有的气团温度t 8 5 0 与5 0 0 h p a 等压面上的环境温度t 5 0 0 的差值。 公式为： 口= 正0 0 一t ( 2 7 ) 稳定度分析是对强对流天气诊断和分析最为常用的方法。在天气分析预报业 务与研究中，常常将大气的稳定度用一些指数表示，称稳定度指数。中小尺度天 气跟这些指标有着密不可分的联系，本文所提的强对流天气现象具有非常强的中 小尺度天气特征，来的快，去的快，强度强【2 6 1 ，不仅要受大尺度天气系统的影响， 还要受地势、地形的影响。过去采用天气图分析、卫星云图分析直接对其做出短 时临近预报是非常困难的，也是极不科学和客观的 2 7 1 。随着大气探测技术的发展， 我们对大气的空中情况能进一步掌握。通过分析前人【2 8 1 的研究和平时的业务实践 发现，稳定度指标是强对流天气发生、发展状态的客观依据。本文利用这些有效 的客观数据对强对流天气的出现时段做出预报。 2 6 本章小结 本章概述了强对流天气的概念，强对流天气预报的研究进展，现今强对流天 气预报的主要技术，最后运用一个实例证明了利用不稳定参数预报强对流天气是 可行的。不稳定参数是大气科学研究发展的优秀成果，它能较为准确地反映整个 大气层的不稳定度，本章的主要目的就是寻求到对不稳定天气可以进行量化的指 标，并将这些指标作为b p 神经网络模型的输入节点，为b p 网络模型的构建奠定 基础。 电子科技大学硕士学位论文 第三章人工神经网络基本原理及其预报模型研究 在众多的研究中，人工神经网络( a n n ，a r t i f i c i a ln e u r a ln e t w o r k ) 可以抽象 为数学模型，它非常逼真地模仿人脑的结构，都可以抽象为具有三个层次的拓扑 结构，即输入、输出和中间层，各个层次上的大量神经元互相连接。a n n 能完成 与人脑相似的功能，给出一定的规则，能对新的输入作出一个判断，最后得出一 个结果，即为输出层。简单地讲，a n n 是采用了一种归纳总结的学习方式，总结 学习大量的样本资料，就像人脑一样不断地归纳总结过去的工作经验，从中发现 一定的规律，为以后的学习提供依据。 3 1 人工神经网络模型 3 1 1 生物神经元模型 资料显示，在人类大脑的皮层中大约有1 0 1 1 个神经元细胞，6 1 1 个神经突触以 及它们之间的连接体。相对于神经元细胞，芯片的处理速度是相当快的，在一个 芯片中完成一个事件只需用时1 0 母秒，而人脑的神经元细胞完成一个事件却需要 用时1 0 弓秒。但人脑是一个非常高效节能的结构，当今世界性能最好的计算机每 秒每个动作所耗能量需要l o 击焦耳，而人脑进行相应的操作则只约为1 0 。1 6 焦耳【2 9 1 。 生物神经细胞的工作过程其实就一个不断归纳总结外界环境状况的过程，必 须要有外界的刺激神经元才会有反映，外来的刺激到达后生物神经细胞立即将它 传递给下一个神经细胞，由于每个神经细胞所处的状态和环境不同，又因为各个 神经细胞的形状也不完全相同，所以它们对外界刺激的反映也有所差异，所以不 同的人对同一事物的