遗传算法优化的BP神经网络在多模式集成预报的应用研究

发布时间：2020-05-20 10:08

【摘要】：基于TIGGE资料集中的ECMWF、CMA和JMA的数值预报产品,利用加权集成和回归集成的线性集成方式与遗传算法优化的BP神经网络(GABP)集成,对覆盖我国大部的研究区域开展海平面气压、500hPa位势高度和地面2m温度在24h、48h和72h预报时效下的多模式集成预报试验,并以一次天气过程进行分析。通过对2013年1～6月的预报检验,得到以下结论:(1)单一模式预报中总体上ECMWF模式预报效果最好,CMA模式预报效果最差,以均方误差和气候距平相关系数两种指标分析出GABP集成能够明显改进单一模式的预报效果,比较数值变化发现预报效果随着预报时效增加呈降低趋势。(2)使用三个预报量的ECMWF、CMA和JMA模式预报结果进行多模式集成,集成预报方式能够改进单一模式预报效果;在改进单一模式预报效果方面GABP集成比线性集成方式更有优势,线性集成方式中回归集成比加权集成预报误差更小。(3)三个预报量GABP集成预报误差分布显示在24h至72h预报时效下均在我国南方地区预报误差较小,而且各预报量都有特定的预报误差极大值区;比较各预报量预报误差极大值随预报时效的变化,看出预报误差随预报时效增加而不断增大。用ECMWF模式与GABP集成预报误差的差值研究GABP集成改进单一模式预报的特征,三个预报量预报误差差值较大的区域主要在我国西部以及北方,尤其在模式预报不确定性较大的西部地区GABP集成改进预报效果更加显著。(4)BP神经网络进行多模式集成减小了单一模式预报误差,无遗传算法参与优化的BP神经网络集成同线性集成方式相比在改进效果上没有明显优势,有遗传算法参与优化时的GABP集成预报误差比BP算法单独优化的BP神经网络集成预报误差有一定的减小,遗传算法的优化起到了提升神经网络集成预报效果的作用。(5)在个例分析中发现,GABP集成对较短时间的天气过程具有较好的预报能力,三个预报量集成预报误差相比单一模式预报均有减小,GABP集成改进天气过程预报优于线性集成方式。GABP集成对天气过程的预报结果是可信的,预报变量的变化过程与实际天气过程基本相符。
【图文】：

资料,集成预报,建模步骤,模式预报

在有数据资料和相关研宄方法之后，进行ＧＡＢＰ集成预报，需要建立模型来开展。逡逑首先利用ＢＰ神经网络建立三种模式的集成预报模型，模式预报资料作为输入端，观测逡逑资料作为输出端，建立ＢＰ神经网络模型如图１所示。在建立模型时，２０１１年１月１日逡逑？２０１２年１２月３１日的数据作为训练样本，２０１３年１月１日￣６月３０日的数据作为测试逡逑样本。具体的建模步骤如下：逡逑丨逦集嫌出逡逑／逡逑逦邋／逡逑ＪＭＡ逡逑＾…Ｉ逡逑输入层逦隐层逦丨？R%出层１逡逑图１邋ＢＰ神经网络结构示意逡逑①

集成预报,区域平均,均方误差,预报时效

图３各模式与ＧＡＢＰ集成预报区域平均均方误差。（ａ）海平面气压；（ｂ）邋５００ｈＰａ位势高度；（ｃ）逡逑地面２ｍ温度逡逑海平面气压的预报误差情况如图３邋（ａ）所示，２４ｈ至７２ｈ预报时效下三种模式的预逡逑报误差在邋２．５８ｈＰａ？３．８４ｈＰａ、２．７４ｈＰａ？４．０７ｈＰａ、２．９７ｈＰａ？４．３８ｈＰａ邋的区间，在同一预报时逡逑效下ＣＭＡ模式预报误差比另两种模式大ｌ．ＯｈＰａ左右，，而２４ｈ至７２ｈ预报时效下ＧＡＢＰ逡逑集成预报误差在１．５６ｈＰａ￣２．０８ｈＰａ区间，ＧＡＢＰ集成的预报误差在每个预报时效相比单逡逑一模式都减小ｌ．ＯｈＰａ以上。图３邋（ｂ）显示的是５００ｈＰａ位势高度的预报误差，三种模式逡逑１４逡逑
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;P456.7

【参考文献】