亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于觀測(cè)和再分析數(shù)據(jù)的LSTM 深度神經(jīng)網(wǎng)絡(luò)沿海風(fēng)速預(yù)報(bào)應(yīng)用研究

        2020-01-18 08:24:36王國(guó)松王喜冬侯敏齊義泉宋軍劉克修吳新榮白志鵬
        海洋學(xué)報(bào) 2020年1期
        關(guān)鍵詞:臺(tái)站風(fēng)速觀測(cè)

        王國(guó)松,王喜冬,侯敏,齊義泉,宋軍,劉克修,吳新榮,白志鵬

        ( 1. 河海大學(xué) 海洋學(xué)院,江蘇 南京 210098;2. 國(guó)家海洋信息中心,天津 300171;3. 天津市濱海新區(qū)氣象局,天津 300457;4. 大連海洋大學(xué) 海洋科技與環(huán)境學(xué)院 應(yīng)用海洋研究所,遼寧 大連 116023;5. 61741 部隊(duì),北京 100094)

        1 引言

        我國(guó)沿海地區(qū)集中了全國(guó)70%以上的大中城市和50%的人口,創(chuàng)造了全國(guó)60%以上的國(guó)民生產(chǎn)總值(GDP),但沿海地區(qū)幾乎每年都會(huì)發(fā)生災(zāi)害性大風(fēng)事件,造成較大的經(jīng)濟(jì)損失和人員傷亡[1-4],同時(shí)海上大風(fēng)對(duì)航海安全也構(gòu)成了極大的威脅[5]。中國(guó)是受臺(tái)風(fēng)和寒潮災(zāi)害影響較嚴(yán)重的國(guó)家之一,臺(tái)風(fēng)、寒潮等引起的海上大風(fēng)現(xiàn)象易形成災(zāi)害性海洋環(huán)境,并導(dǎo)致沿海漁船事故頻繁發(fā)生。中國(guó)是海運(yùn)大國(guó),對(duì)外貿(mào)易中94%的貨運(yùn)量依靠海運(yùn)來完成,隨著海運(yùn)經(jīng)濟(jì)的發(fā)展和海上活動(dòng)的日益增多,海上險(xiǎn)情逐年增加。頻繁的海難事故造成了巨大的人員傷亡和財(cái)產(chǎn)損失。因此人類活動(dòng)比較頻繁的沿岸地區(qū)是加大精細(xì)化預(yù)報(bào)服務(wù)的關(guān)鍵區(qū)域,做好沿岸海洋氣象防災(zāi)減災(zāi)和海上突發(fā)事件應(yīng)急的快速預(yù)測(cè)預(yù)警對(duì)國(guó)計(jì)民生意義重大。

        近幾年,特別是2013 年發(fā)明了Resnet 神經(jīng)網(wǎng)絡(luò)之后,深度學(xué)習(xí)技術(shù)得到了迅猛發(fā)展[6-13],Lecun 等[14]在1998 年發(fā)明了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN),Hinton 和Salakhutdinov[15]在2006 年首次提出了“深度神經(jīng)網(wǎng)絡(luò)”的概念,谷歌Deepmind 結(jié)合神經(jīng)網(wǎng)絡(luò)和蒙特卡洛樹搜索開發(fā)的AlphaGo 機(jī)器學(xué)習(xí)程序取得了99.8%的勝率[16]。同時(shí)遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)在語(yǔ)音識(shí)別和自動(dòng)翻譯等時(shí)間序列方面也得到了廣泛應(yīng)用。長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)是由Hochreiter 和Schmidhuber 提出[17],它是在RNN 基礎(chǔ)上,加入了遺忘和強(qiáng)化學(xué)習(xí)的一種RNN 算法,并進(jìn)行了不斷的改良和推廣[18-21]。前人的研究為我們海洋氣象預(yù)報(bào)工作提供了新思路,國(guó)際上許多學(xué)者也開始在海洋氣象領(lǐng)域進(jìn)行了大量的深度神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)預(yù)警方面的相關(guān)研究,結(jié)果較傳統(tǒng)的預(yù)報(bào)方法都有很大的改進(jìn)[22-28],主要體現(xiàn)在預(yù)報(bào)精度的提高和建立預(yù)報(bào)模型所需的時(shí)間減少兩個(gè)方面[29-30],具有良好的應(yīng)用前景。王輝等[31]指出在未來海洋大數(shù)據(jù)時(shí)代下,應(yīng)深入理解全球海洋預(yù)報(bào)中科學(xué)大數(shù)據(jù)的機(jī)理和特點(diǎn),對(duì)觀測(cè)的海量數(shù)據(jù)進(jìn)行快速處理,構(gòu)建實(shí)時(shí)的預(yù)報(bào)數(shù)據(jù)。Shi 等[29]采用多層ConvLSTM 網(wǎng)絡(luò),對(duì)多普勒雷達(dá)回波數(shù)據(jù)進(jìn)行了訓(xùn)練,以此對(duì)香港地區(qū)的降水做臨近預(yù)測(cè),預(yù)報(bào)精度相比于傳統(tǒng)的光流法有顯著地提高。Klein 等[26]發(fā)明了一個(gè)動(dòng)態(tài)卷積層來對(duì)短時(shí)天氣過程進(jìn)行了預(yù)測(cè)。目前國(guó)內(nèi)利用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行海洋氣象快速預(yù)報(bào)研究還處于起步階段,相對(duì)于歐美等國(guó)家在深度神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)研究方面取得的眾多成果[32-34],國(guó)內(nèi)在該領(lǐng)域的研究仍很薄弱[24]。

        另一方面,數(shù)值預(yù)報(bào)技術(shù)最新研究進(jìn)展指出,全球的數(shù)值海洋氣象業(yè)務(wù)預(yù)報(bào)可以提供從天氣尺度的千米分辨率預(yù)報(bào)到幾十千米分辨率的全球季節(jié)預(yù)報(bào)[35-36]。對(duì)于目前的數(shù)值預(yù)報(bào)模型普遍存在模式初始調(diào)整過程中,在預(yù)報(bào)初期(0~12 h)模式解無法正確表述潛在重要的大氣過程的問題,因此模式在調(diào)整過程中的解通常不能使用,這也是一般建議不要使用模式前12 h 預(yù)報(bào)結(jié)果的原因[37]。同時(shí)資料同化算法可以將預(yù)報(bào)模式和千萬量級(jí)的觀測(cè)資料相結(jié)合,生成四維空間中物理一致的初始條件[38]。但是在各種數(shù)值模式模擬海洋氣象過程中,往往由于模式分辨率不足等原因,對(duì)次網(wǎng)格尺度的物理過程不能給予很好的描述,需要諸如輻射、邊界層、微物理、積云對(duì)流等物理過程參數(shù)化來完善模擬的效果[39]。而不同的參數(shù)化方案配合使用對(duì)于不同的海洋氣象過程又有著明顯不同的模擬效果。在海上風(fēng)場(chǎng)預(yù)報(bào)過程的數(shù)值模擬研究中,由于其特定的生成維持條件及特殊的微物理過程,采用不同的邊界層方案和微物理參數(shù)化方案,必定會(huì)得到饒有差別的模擬效果[40]。在WRF 模式中,行星邊界層包括Yonsei 大學(xué)方案(YSU)、Mellor-Yamada-Janjic 方案、GFS 方案、MRF 方案、ACM2 PBL 方案、Quasi-Normal Scale Elimination PBL 方案等[41]。不同參數(shù)方案代表著大氣邊界層中濕度、熱量和動(dòng)量的湍流交換,影響低空的動(dòng)力和熱力結(jié)構(gòu)[42]。很多學(xué)者發(fā)現(xiàn),模式性能嚴(yán)重依賴大氣穩(wěn)定度[43],PBL 方案在近海和沿海臺(tái)站的作用差異較大[44]。目前隨著高性能計(jì)算和觀測(cè)系統(tǒng)的發(fā)展,對(duì)模式物理過程、不確定性和不同數(shù)值算法和觀測(cè)數(shù)據(jù)同化算法的研究為數(shù)值預(yù)報(bào)提出了更多的科學(xué)挑戰(zhàn)。

        隨著觀測(cè)技術(shù)水平的發(fā)展,大量的海洋氣象歷史和現(xiàn)場(chǎng)觀測(cè)資料為利用深度神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行海洋氣象環(huán)境短時(shí)預(yù)報(bào)研究提供了良好的數(shù)據(jù)和理論基礎(chǔ)[45]。隨著人工智能的快速興起并滲透到各個(gè)領(lǐng)域,將海洋氣象高分辨率實(shí)時(shí)和歷史觀測(cè)數(shù)據(jù)與人工智能相結(jié)合是海洋氣象預(yù)測(cè)預(yù)警和應(yīng)急反應(yīng)系統(tǒng)的一個(gè)發(fā)展方向和研究切入點(diǎn)[23,26-27,46-48]。未來的海上安全保障服務(wù)系統(tǒng),應(yīng)該能夠快速地應(yīng)對(duì)解決各類海洋工程、航海保障、海上重大活動(dòng)和突發(fā)事件應(yīng)急等海洋氣象短時(shí)環(huán)境保障工作的關(guān)鍵問題,以提高安全保障服務(wù)工作效率和成功率,最大限度地挽救人身及財(cái)產(chǎn)安全,為海洋防災(zāi)減災(zāi)提供業(yè)務(wù)支撐。

        2 資料和方法

        2.1 資料

        完整且高質(zhì)量的代表臺(tái)站參考序列對(duì)于構(gòu)建預(yù)報(bào)效果良好和魯棒性強(qiáng)的深度學(xué)習(xí)模型至關(guān)重要,本文選取的5 個(gè)代表臺(tái)站經(jīng)過了站網(wǎng)密度、水文氣象背景、地形條件、海拔高度、離岸距離、資料質(zhì)量、時(shí)間序列長(zhǎng)度、觀測(cè)要素種類、儀器變更、臺(tái)站遷移和觀測(cè)方式等多方面的選取標(biāo)準(zhǔn)進(jìn)行了綜合考慮和篩選。

        本文所用的資料包括:(1)中國(guó)近海5 個(gè)臺(tái)站氣象資料來自于世界氣象組織(World Meteorological Organization, WMO)[49],臺(tái)站位置和基本信息見圖1 和表1。觀測(cè)要素包括時(shí)間(time),總云量(cn),風(fēng)向(dir),風(fēng)速(spd),海平面氣壓(oslp),3 小時(shí)變壓(p3),過去天氣1(wea1),過去天氣2(wea2),6 小時(shí)降水(pre),低云狀(ccl),低云量(cnl),低云高(clh),露點(diǎn)(dew),能見度(vis),現(xiàn)在天氣(wea),溫度(tem),中云狀(ccm),高云狀(cch)。同時(shí)利用對(duì)數(shù)風(fēng)廓線公式把臺(tái)站資料訂正到海上10 m 高度[50]。(2)歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium-Range Weather Forecasts, ECMWF)提供的6 h 再分析數(shù)據(jù)ERA-Interim,空間分辨率0.125°×0.125°,包括10 m 徑向風(fēng)(10V),緯向風(fēng)(10U),風(fēng)速(10W),海平面氣壓(SLP),海溫(SST),2 m 氣溫(T2M)和氣壓(P)7 個(gè)要素[51-52]。利用雙線性插值獲取了對(duì)應(yīng)臺(tái)站的時(shí)間序列。以上資料時(shí)間范圍為2004 年3 月11 日至2017年12 年31 日,6 h 間隔。(3)2017 年熱帶氣旋最佳路徑資料取自中國(guó)氣象局熱帶氣旋資料中心“CMA 最佳路徑數(shù)據(jù)集”[53]。

        氣象臺(tái)站資料經(jīng)過了國(guó)家海洋信息中心嚴(yán)格質(zhì)量控制[54-55],包括范圍檢驗(yàn)、非法碼檢驗(yàn)、一致性檢驗(yàn)以及人機(jī)交互檢驗(yàn)等,經(jīng)過質(zhì)控形成可靠數(shù)據(jù)集。同時(shí)針對(duì)臺(tái)站不同觀測(cè)場(chǎng)海拔高度,本文利用指數(shù)風(fēng)廓線公式將風(fēng)速資料統(tǒng)一換算成海面10 m 風(fēng)速[50]。根據(jù)深度學(xué)習(xí)模型配置特點(diǎn),把質(zhì)控后的數(shù)據(jù)集根據(jù)時(shí)間分成了訓(xùn)練集(2004 年3 月11 日08 時(shí)至2015 年12 月31 日20 時(shí))、測(cè)試集(2016 年1 月1 日08 時(shí)至2016 年12 月31 日20 時(shí))和驗(yàn)證集(2017 年1 月1 日08 時(shí)至2017 年12 月31 日20 時(shí))3 部分。

        圖 1 氣象觀測(cè)臺(tái)站分布(藍(lán)點(diǎn))與WRF 模式嵌套區(qū)域Fig. 1 Locations of meteorological observation stations (blue points) and nested domain of WRF model

        表 1 中國(guó)近海5 個(gè)氣象臺(tái)站基本信息Table 1 Basic information of the five meteorological stations in China offshore

        2.2 數(shù)據(jù)預(yù)處理

        數(shù)據(jù)是深度神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的核心基礎(chǔ),傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)在處理未加工過的數(shù)據(jù)時(shí),體現(xiàn)出來的能力是有限的。本文對(duì)質(zhì)控后的海洋氣象數(shù)據(jù)集進(jìn)行了重新審查和校驗(yàn),檢查了數(shù)據(jù)一致性,刪除了重復(fù)信息和缺省值。對(duì)本文所用數(shù)據(jù)集中所有變量缺省值統(tǒng)計(jì)發(fā)現(xiàn),高云狀、低云高、總云量和低云狀這4 個(gè)變量缺省值大于15%且數(shù)據(jù)質(zhì)量一般,故在數(shù)據(jù)集中刪除。本文最終數(shù)據(jù)集變量包括14 個(gè)臺(tái)站歷史觀測(cè)變量(時(shí)間,風(fēng)向,風(fēng)速,海平面氣壓,3 h 變壓,過去天氣1,過去天氣2,6 h 降水,低云量,露點(diǎn),能見度,現(xiàn)在天氣,溫度,中云狀)和7 個(gè)再分析資料變量(徑向風(fēng),緯向風(fēng),風(fēng)速,海平面氣壓,海溫,2 m 氣溫和氣壓)。

        本文根據(jù)海洋環(huán)境預(yù)報(bào)特點(diǎn)構(gòu)造訓(xùn)練集,并在訓(xùn)練集數(shù)據(jù)上進(jìn)行資料預(yù)處理操作。預(yù)處理方法是對(duì)數(shù)據(jù)的每個(gè)特征都進(jìn)行零中心化,然后將其數(shù)值范圍都?xì)w一化到[0,1]范圍之內(nèi)。本文資料預(yù)處理操作都只能在訓(xùn)練集數(shù)據(jù)上進(jìn)行計(jì)算,算法訓(xùn)練完畢后再應(yīng)用到驗(yàn)證集和測(cè)試集上(圖2)。本文利用2004-2015年近12 年的數(shù)據(jù)樣本來訓(xùn)練網(wǎng)絡(luò),然后分別用2016年和2017 年數(shù)據(jù)樣本進(jìn)行測(cè)試和驗(yàn)證,測(cè)試深度學(xué)習(xí)模型是否能抓住風(fēng)速預(yù)報(bào)的特征,應(yīng)用于風(fēng)速預(yù)報(bào)。

        以西沙站為例,經(jīng)過質(zhì)量控制和預(yù)處理后的訓(xùn)練集相關(guān)性熱力圖統(tǒng)計(jì)發(fā)現(xiàn),與目標(biāo)變量觀測(cè)風(fēng)速相關(guān)最高的9 個(gè)變量,ERA-interim 再分析風(fēng)速和臺(tái)站觀測(cè)風(fēng)速相關(guān)最高,達(dá)0.67,其余要素相關(guān)均低于0.3,且5 個(gè)臺(tái)站之間相關(guān)變量差異較大(圖3)。說明風(fēng)速變化的影響因子多為弱相關(guān)關(guān)系,因此數(shù)值動(dòng)力模式和深度學(xué)習(xí)模型在風(fēng)速預(yù)報(bào)時(shí)需要考慮多種要素綜合作用。

        3 模式設(shè)置

        3.1 LSTM 模式

        LSTM 是由Hochreiter 和Schmiduber 提出的一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò),能學(xué)習(xí)長(zhǎng)期依賴性,適合用于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的事件,LSTM 網(wǎng)絡(luò)或者相關(guān)的門控單元同樣用于編碼和解碼網(wǎng)絡(luò),目前廣泛應(yīng)用在語(yǔ)言識(shí)別、機(jī)器翻譯和文本預(yù)測(cè)中[18,21]。LSTM 的記憶單元包含3 個(gè)門收集控制信息,分別是輸入門輸出門和遺忘門門控循環(huán)單元可以通過保護(hù)單元不受其他單元的信息影響,從而緩解沖突性更新問題。標(biāo)準(zhǔn)LSTM 公式如下式所示,

        圖 2 預(yù)處理后測(cè)試集主要變量序列分布Fig. 2 Time series of main variable of the test set after preprocessing

        圖 3 西沙站與觀測(cè)風(fēng)速相關(guān)性最高的9 個(gè)變量熱力圖Fig. 3 The heat map of highest correlation between 9 variables and observed wind speed at Xisha Station

        本文構(gòu)建的深度學(xué)習(xí)預(yù)報(bào)模型包含4 個(gè)LSTM層,4 個(gè)丟棄層(dropout)和3 個(gè)全連接層(dense),其中輸入層是00 時(shí)(t-3),06 時(shí)(t-2),12 時(shí)(t-1)和18 時(shí)(t)4 個(gè)時(shí)刻的結(jié)果,輸出層是未來6 h(t+1)風(fēng)速結(jié)果(圖4)。為了更好的體現(xiàn)模型預(yù)報(bào)特點(diǎn)和對(duì)比分析,本文根據(jù)輸入變量不同,分別構(gòu)建了以臺(tái)站觀測(cè)14 個(gè)變量為模型輸入的OBS-LSTM 模型(公式(6))和臺(tái)站觀測(cè)、ERA-Interim 再分析數(shù)據(jù)共21 個(gè)變量為輸入的ALL_LSTM 模型(公式(7)),運(yùn)算平臺(tái)為大連海洋大學(xué)GPU 圖形工作站。

        圖 4 ALL_LSTM 預(yù)報(bào)模型結(jié)構(gòu)圖Fig. 4 ALL_LSTM prediction model structure diagram

        表 2 WRF 模式設(shè)置Table 2 Specification of the WRF model

        式中,(hOBS_LSTM)t和(hALL_LSTM)t分別代表OBS-LSTM 模型和ALL-LSTM 模型t時(shí)刻的預(yù)報(bào)結(jié)果;f代表模型函數(shù);(xobs)t和(xera)t分別代表臺(tái)站觀測(cè)和ECMWF 再分析資料t時(shí)刻的變量值。

        本文針對(duì)每個(gè)臺(tái)站的LSTM 風(fēng)速預(yù)報(bào)模型特點(diǎn),分別進(jìn)行調(diào)參來得到最好的性能,模型損失函數(shù)采用均方根誤差進(jìn)行梯度下降迭代訓(xùn)練,優(yōu)化器選擇Nadam。采用Dropout 正則技術(shù),在訓(xùn)練中每次更新參數(shù)按照一定概率隨機(jī)斷開輸入神經(jīng)元,防止過擬合,增強(qiáng)魯棒性。采用小批次梯度下降方法按批來更新參數(shù),即減少隨機(jī)性又節(jié)省計(jì)算量。采用了L2 正則化使網(wǎng)絡(luò)更傾向于使用所有輸入特征,而不是嚴(yán)重依賴輸入特征中某些小部分特征,控制神經(jīng)網(wǎng)絡(luò)過擬合現(xiàn)象。由測(cè)試結(jié)果發(fā)現(xiàn),網(wǎng)絡(luò)高低層參數(shù)數(shù)量的分布情況很大程度上影響網(wǎng)絡(luò)的整體性能,低Dropout 值和高batch_size 值有助于降低本文構(gòu)建的LSTM 模型風(fēng)速誤差;同時(shí)相比于OBS_LSTM 模型,增加了再分析數(shù)據(jù)的ALL_LSTM 模型在試驗(yàn)過程中顯示較強(qiáng)的魯棒性,而OBS_LSTM 模型易出現(xiàn)過擬合現(xiàn)象。

        3.2 WRF 模式風(fēng)場(chǎng)業(yè)務(wù)化預(yù)報(bào)系統(tǒng)驗(yàn)證數(shù)據(jù)

        本文以中國(guó)近海為研究海域(圖1),構(gòu)建了WRF模式三重嵌套3 個(gè)加密區(qū)的風(fēng)場(chǎng)業(yè)務(wù)化預(yù)報(bào)系統(tǒng)[56],其中模式范圍和參數(shù)化方案選取如表2 所示[57]。同時(shí)本文采用高山紅等[58]提出的循環(huán)3DVAR 數(shù)據(jù)同化方案,它能充分有效地將各種資料信息同化到模式初始場(chǎng)中,為模式提供更高質(zhì)量的初值,達(dá)到明顯改進(jìn)數(shù)值預(yù)報(bào)質(zhì)量的目的。利用2017 年11 月1 日赤灣和深圳兩個(gè)海洋站的觀測(cè)資料驗(yàn)證對(duì)比發(fā)現(xiàn)(圖略),本文的WRF 模式風(fēng)場(chǎng)業(yè)務(wù)化預(yù)報(bào)系統(tǒng)48 h 預(yù)報(bào)結(jié)果與海洋站觀測(cè)風(fēng)速變化趨勢(shì)和強(qiáng)度都十分接近,其中24 h 預(yù)報(bào)結(jié)果顯示,赤灣站的平均風(fēng)速均方根誤差為1.94 m/s,風(fēng)向偏差為34°,深圳站的平均風(fēng)速均方根誤差為1.46 m/s,風(fēng)向偏差為28°[59],說明現(xiàn)有的業(yè)務(wù)化風(fēng)場(chǎng)預(yù)報(bào)數(shù)值模擬系統(tǒng)具有比較高的準(zhǔn)確率,但仍有提升空間。

        4 模型性能分析

        本文采用均方根誤差(Root Mean Square Error,RMSE),絕對(duì)誤差(Mean Absolute Error,MAE)和相關(guān)系數(shù)(Correlation Coefficients,CC)3 種誤差統(tǒng)計(jì)方法來對(duì)模型性能進(jìn)行評(píng)估,

        式中,N表示統(tǒng)計(jì)對(duì)象總體數(shù)目表示模式第i個(gè)輸出變量表示第i個(gè)觀測(cè)輸出變量X。衡量風(fēng)速預(yù)報(bào)性能時(shí),RMSE 和MAE 值越低,表示模型預(yù)測(cè)的風(fēng)速精度越高;CC 數(shù)值范圍在[0,1],CC 值越接近于1,表示模型預(yù)測(cè)的風(fēng)速精度越高。

        4.1 誤差分析

        中國(guó)近海風(fēng)場(chǎng)受季風(fēng)和臺(tái)風(fēng)影響較大,本文的測(cè)試數(shù)據(jù)集(2016 年)和驗(yàn)證數(shù)據(jù)集(2017 年)包含了中國(guó)近海全年風(fēng)場(chǎng)特征,可以很好地體現(xiàn)季風(fēng)期及其轉(zhuǎn)換期和臺(tái)風(fēng)期間(2016 年和2017 年分別有6 個(gè)和8 個(gè)臺(tái)風(fēng)影響本文研究區(qū)域)風(fēng)場(chǎng)特點(diǎn)。根據(jù)驗(yàn)證集風(fēng)速誤差統(tǒng)計(jì)分析結(jié)果發(fā)現(xiàn)(表3),ALL_LSTM 模型、OBS_LSTM 模型和WRF 模式中國(guó)近海5 個(gè)臺(tái)站6 h 風(fēng)速預(yù)報(bào)平均RMSE 分別為1.19 m/s、1.24 m/s 和2.03 m/s,MAE 分別為0.91 m/s、0.96 m/s 和1.60 m/s,CC 分別為0.61、0.56 和0.55。相比于WRF 模式預(yù)報(bào)結(jié)果,ALL_LSTM 模型和OBS_LSTM 模型RMSE 分別平均降低了41.3%和38.8%,MAE 降低了43.0%和40.0%,相關(guān)性提高了11.6%和1.8%。進(jìn)一步對(duì)ALL_LSTM 和OBS_LSTM 模型風(fēng)速預(yù)報(bào)結(jié)果對(duì)比發(fā)現(xiàn),ALL_LSTM 模型在RMSE、MAE 和CC 誤差統(tǒng)計(jì)均優(yōu)于OBS_LSTM 模型,說明再分析數(shù)據(jù)和WRF 模式同化數(shù)據(jù)的增加對(duì)于風(fēng)速預(yù)報(bào)精度有一定的提高。根據(jù)5 個(gè)臺(tái)站的預(yù)報(bào)誤差統(tǒng)計(jì)發(fā)現(xiàn),WRF 模式在大連和呂泗站的風(fēng)速預(yù)報(bào)結(jié)果較好,相關(guān)系數(shù)在0.7 以上,但風(fēng)速絕對(duì)誤差偏高。兩種LSTM 模型在西沙站的風(fēng)速預(yù)報(bào)結(jié)果與實(shí)測(cè)最為接近,而在青島站的風(fēng)速預(yù)報(bào)有待提高。

        表 3 驗(yàn)證集風(fēng)速誤差統(tǒng)計(jì)Table 3 Compare the performance of 6 h wind speed on validation sets

        4.2 大風(fēng)分析

        災(zāi)害性大風(fēng)過程是海洋氣象預(yù)報(bào)關(guān)注的重點(diǎn),下面從高影響天氣產(chǎn)生的大風(fēng)過程來分析模式預(yù)報(bào)效果。圖7 為3 個(gè)模型在驗(yàn)證數(shù)據(jù)集上日平均風(fēng)速預(yù)報(bào)結(jié)果與臺(tái)站觀測(cè)數(shù)據(jù)時(shí)間序列對(duì)比,總體結(jié)果顯示LSTM 深度神經(jīng)網(wǎng)絡(luò)在風(fēng)速預(yù)報(bào)上有很好的性能,能夠模擬出風(fēng)速的日變化趨勢(shì)。下面根據(jù)5 個(gè)臺(tái)站的地形和氣候不同特點(diǎn),分別描述在大風(fēng)情景下的模擬效果。

        大連和青島地形復(fù)雜,主要為大陸性季風(fēng)氣候和溫帶季風(fēng)氣候,又有顯著的海洋氣候特點(diǎn),冬季主要為寒潮大風(fēng)過程。數(shù)值預(yù)報(bào)受地形和局地小尺度天氣過程影響,風(fēng)速預(yù)報(bào)難度較大[60]。根據(jù)大連和青島站1 月、2 月和3 月的風(fēng)速時(shí)間序列發(fā)現(xiàn)(圖5a,圖5b),這兩個(gè)站分別在不同時(shí)刻存在風(fēng)速突然增大的過程,如大連站第27 和45 時(shí)刻(圖5a),青島站第17、24、26、和45 時(shí)刻等(圖5b)。WRF 模式在這兩個(gè)站的預(yù)報(bào)風(fēng)速整體偏大,其中大連站預(yù)報(bào)風(fēng)速變化趨勢(shì)和觀測(cè)基本一致,而在青島站風(fēng)速預(yù)報(bào)結(jié)果存在一定的時(shí)間上滯后現(xiàn)象,即模式初始調(diào)整過程[61]。相比于WRF數(shù)值模式,本文構(gòu)建的兩種LSTM 模型除在部分大風(fēng)過程中風(fēng)速預(yù)報(bào)結(jié)果偏小外(如青島站第37 時(shí)刻),和實(shí)際觀測(cè)結(jié)果更為接近,且不存在初始調(diào)整現(xiàn)象。在大風(fēng)預(yù)報(bào)上ALL_LSTM 模型結(jié)果優(yōu)于OBS_LSTM模型結(jié)果。

        圖 5 ALL_LSTM,OBS_LSTM 和WRF 模式日平均風(fēng)速預(yù)報(bào)結(jié)果與臺(tái)站觀測(cè)資料對(duì)比Fig. 5 Comparison of daily mean wind speed forecast results of ALL_LSTM, OBS_LSTM and WRF models with observational data

        呂泗、汕頭和西沙站以沖積平原或礁坪沙堤為主,受地形影響較小,屬海洋性季風(fēng)氣候,在夏季和秋季受熱帶氣旋影響頻繁。2017 年共有22 個(gè)臺(tái)風(fēng)影響中國(guó)近海,影響范圍主要集中在南海和東海東部。2017 年呂泗站沒有受臺(tái)風(fēng)直接影響,根據(jù)呂泗站7 月、8 月和9 月預(yù)報(bào)風(fēng)速時(shí)間序列顯示(圖5c),3 種模型的預(yù)報(bào)結(jié)果和觀測(cè)都比較接近,ALL_LSTM 模型結(jié)果誤差最小。WRF 模式在第31 和75 時(shí)刻的大風(fēng)預(yù)報(bào)過程存在風(fēng)速偏大的情況,而本文構(gòu)建的兩種LSTM 模型風(fēng)速和觀測(cè)更為接近。汕頭和西沙站受臺(tái)風(fēng)影響較大,其中2017 年先后有1702 號(hào)強(qiáng)熱帶風(fēng)暴“苗柏”(MERBOK)、1707 號(hào)熱帶風(fēng)暴“洛克”(ROKE)、1709 號(hào)臺(tái)風(fēng)“納沙”(NESAT)、1713 號(hào)超強(qiáng)臺(tái)風(fēng)“天鴿”(HATO)、1716 號(hào)強(qiáng)熱帶風(fēng)暴“瑪娃”(MAWAR)和1717 號(hào)熱帶風(fēng)暴“古超”(GUCHOL)6 個(gè)臺(tái)風(fēng)對(duì)汕頭附近海域產(chǎn)生影響(圖1)。根據(jù)汕頭站6 月、7 月和8 月觀測(cè)資料結(jié)果顯示(圖5d),本站整體風(fēng)速偏小,熱帶氣旋影響不明顯。西沙站2017年先后受1704 號(hào)強(qiáng)熱帶風(fēng)暴“塔拉斯”(TALAS)、1719 號(hào)強(qiáng)臺(tái)風(fēng)“杜蘇芮”(DOKSURI)和1724 號(hào)強(qiáng)熱帶風(fēng)暴“??保℉AIKUI)3 個(gè)臺(tái)風(fēng)直接影響(圖1),7 月、8 月和9 月風(fēng)速時(shí)間序列顯示(圖5e),兩種LSTM 模型在本站的預(yù)報(bào)結(jié)果和觀測(cè)基本一致,在“塔拉斯”(第18 時(shí)刻)和“杜蘇芮”(第75 時(shí)刻)這兩次臺(tái)風(fēng)過程中,本文構(gòu)建的LSTM 風(fēng)速模型明顯優(yōu)于WRF 模式風(fēng)速預(yù)報(bào)結(jié)果。

        5 結(jié)論和討論

        本文基于中國(guó)近海氣象臺(tái)站歷史觀測(cè)資料和ERAInterim 再分析數(shù)據(jù)等,構(gòu)建了兩個(gè)LSTM 深度學(xué)習(xí)模型來進(jìn)行短時(shí)風(fēng)速預(yù)測(cè)。與WRF 模式6 h 風(fēng)速預(yù)報(bào)結(jié)果誤差統(tǒng)計(jì)和時(shí)序序列對(duì)比分析,得到如下結(jié)論。

        (1)本文構(gòu)建的LSTM 深度學(xué)習(xí)風(fēng)速預(yù)報(bào)模型,相比于WRF 模式預(yù)報(bào)結(jié)果,RMSE 誤差分別降低了41.3%和38.8%,MAE 平均降低了43.0%和40.0%。

        (2)通過對(duì)風(fēng)速和大風(fēng)過程的分析發(fā)現(xiàn),本文構(gòu)建的LSTM 模型成功學(xué)習(xí)了不同方向風(fēng)速預(yù)報(bào)特點(diǎn),對(duì)于不同方向風(fēng)速預(yù)報(bào)誤差結(jié)果相近,具有一定的抗干擾能力,可以忽略掉部分相關(guān)性和質(zhì)量差的變量,同時(shí)能夠抓住地形、短時(shí)大風(fēng)和臺(tái)風(fēng)等敏感信息,對(duì)于臺(tái)風(fēng)過程和大風(fēng)預(yù)報(bào)結(jié)果明顯優(yōu)于WRF 模式,降低了地形等因素對(duì)數(shù)值預(yù)報(bào)結(jié)果的誤差[62]。

        (3)兩種LSTM 模型對(duì)比發(fā)現(xiàn),ALL_LSTM 模型風(fēng)速預(yù)報(bào)誤差最小,并且對(duì)調(diào)參要求低,相比OBS_LSTM模型具有更強(qiáng)的魯棒性;OBS_LSTM 風(fēng)速模型基于歷史觀測(cè)資料,未來可用于小區(qū)域快速預(yù)報(bào),由于預(yù)報(bào)范圍不同,此方法可以作為數(shù)值動(dòng)力模式預(yù)報(bào)的補(bǔ)充。

        物理參數(shù)化方案內(nèi)在的不確定性制約著數(shù)值天氣預(yù)報(bào)技術(shù)的發(fā)展[38],目前海洋氣象動(dòng)力數(shù)值模型參數(shù)化方案一般針對(duì)特定過程和要素預(yù)報(bào)效果良好,但在實(shí)際預(yù)報(bào)中通用方案在某些情況可能會(huì)存在較大的預(yù)報(bào)誤差,比如針對(duì)臺(tái)風(fēng)的模擬參數(shù)不適用于寒潮大風(fēng)的預(yù)報(bào)過程。同時(shí)隨著新的衛(wèi)星和觀測(cè)儀器發(fā)展,生物、化學(xué)、生態(tài)等資料的增多,更多更先進(jìn)的觀測(cè)數(shù)據(jù)對(duì)海洋氣象數(shù)值預(yù)報(bào)和同化算法提出了更高的計(jì)算處理需求[36,38]。另一方面,深度學(xué)習(xí)是一種特征學(xué)習(xí)方法,擅長(zhǎng)發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu),通過把原始數(shù)據(jù)通過一些簡(jiǎn)單的但是非線性的模型轉(zhuǎn)變成為更高層次的,更加抽象的表達(dá)[14]。通過足夠多的轉(zhuǎn)換的組合,非常復(fù)雜的函數(shù)也可以被學(xué)習(xí)[14,62]。深度學(xué)習(xí)正在取得重大進(jìn)展,解決了人工智能界多年仍沒有進(jìn)展的問題[10-11]。因此本文下一步將深度學(xué)習(xí)與海洋氣象動(dòng)力學(xué)相結(jié)合,將概率統(tǒng)計(jì)方法正確地運(yùn)用到海洋預(yù)報(bào)這個(gè)具體領(lǐng)域中去,使深度學(xué)習(xí)具有豐富的海洋氣象意義、物理內(nèi)容和堅(jiān)實(shí)的理論基礎(chǔ),提高海洋氣象預(yù)報(bào)的準(zhǔn)確度,還有待更廣泛的研究。

        猜你喜歡
        臺(tái)站風(fēng)速觀測(cè)
        觀測(cè)到恒星死亡瞬間
        軍事文摘(2023年18期)2023-11-03 09:45:42
        中國(guó)科學(xué)院野外臺(tái)站檔案工作回顧
        氣象基層臺(tái)站建設(shè)
        西藏科技(2021年12期)2022-01-17 08:46:38
        基于Kmeans-VMD-LSTM的短期風(fēng)速預(yù)測(cè)
        基于最優(yōu)TS評(píng)分和頻率匹配的江蘇近海風(fēng)速訂正
        天測(cè)與測(cè)地VLBI 測(cè)地站周圍地形觀測(cè)遮掩的討論
        可觀測(cè)宇宙
        太空探索(2016年7期)2016-07-10 12:10:15
        基于GARCH的短時(shí)風(fēng)速預(yù)測(cè)方法
        基層臺(tái)站綜合觀測(cè)業(yè)務(wù)管理之我見
        西藏科技(2015年6期)2015-09-26 12:12:13
        高分辨率對(duì)地觀測(cè)系統(tǒng)
        太空探索(2015年8期)2015-07-18 11:04:44
        激情综合五月| 久久久久无码中文字幕| 国产又湿又爽又猛的视频| 日日噜噜夜夜狠狠久久丁香五月 | 无码在线观看123| 中文字幕视频一区懂色| 少妇无码太爽了在线播放| 亚洲欧美一区二区三区| 亚洲欧美国产日产综合不卡| 偷窥偷拍一区二区三区| 亚洲av日韩精品久久久久久a| 使劲快高潮了国语对白在线| 成人在线免费视频亚洲| 亚洲av本道一本二本三区 | 中文字幕高清不卡视频二区| 精品无码国产自产拍在线观看| 同性男男黄g片免费网站| jiZZ国产在线女人水多| 国产成人大片在线播放| 国产精品欧美一区二区三区不卡| 免费在线视频一区| av在线不卡一区二区三区| 久久国产劲爆∧v内射| 亚洲av无码日韩精品影片| 狠狠综合亚洲综合亚色| 亚洲天堂久久午夜福利| 又黄又硬又湿又刺激视频免费| 亚洲最大在线精品| 国产高清不卡二区三区在线观看| 少妇伦子伦情品无吗| 久久综合给合久久狠狠狠97色69| 中文熟女av一区二区| 亚洲色图在线免费观看视频| 玩弄放荡人妻少妇系列| www.五月激情| 国产av一卡二卡日韩av| 国产女人高潮叫床视频| 精品国产三级a| 国产老熟女伦老熟妇露脸 | 丝袜人妻无码中文字幕综合网| 日韩人妻中文字幕专区|