周笑天，張豐，杜震洪*，劉仁義

（1.浙江大學(xué)浙江省資源與環(huán)境信息系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，浙江杭州310028； 2.浙江大學(xué) 地理信息科學(xué)研究所，浙江 杭州310027）

臺(tái)風(fēng)是一種氣象災(zāi)害，每年約有20 個(gè)臺(tái)風(fēng)直接或間接地影響、威脅我國(guó)人民的生命財(cái)產(chǎn)安全。臺(tái)風(fēng)破壞力大，為有效控制臺(tái)風(fēng)產(chǎn)生的危害，臺(tái)風(fēng)路徑預(yù)報(bào)成為當(dāng)下迫在眉睫的研究熱點(diǎn)之一。近年來(lái)，隨著氣象學(xué)和計(jì)算機(jī)軟硬件條件的發(fā)展，臺(tái)風(fēng)路徑預(yù)報(bào)研究漸趨成熟，同時(shí)對(duì)預(yù)報(bào)精度的要求也大幅度提高。

臺(tái)風(fēng)路徑預(yù)測(cè)研究的模型和方法大致可以分為以下4 類：(1)氣象學(xué)模型。XU 等[1]提出，使用超低仰角雷達(dá)數(shù)據(jù)有助于預(yù)測(cè)臺(tái)風(fēng)發(fā)展，完善預(yù)警系統(tǒng)和臨近預(yù)報(bào)；俞兆文等[2]采用WRF-ARW 和WRFDA 的3.8 版本進(jìn)行了云雨條件下AMSR 2 衛(wèi)星微波成像資料的同化試驗(yàn)。(2)統(tǒng)計(jì)學(xué)模型。袁杰穎等[3]在現(xiàn)有集合預(yù)報(bào)方法的基礎(chǔ)上，基于預(yù)估偏差的思想設(shè)計(jì)了一種新的優(yōu)化方案，以進(jìn)一步提高臺(tái)風(fēng)路徑預(yù)報(bào)的精度和穩(wěn)定性；WANG[4]利用熱帶氣旋路徑數(shù)值模式GRAPES-TCM 對(duì)臺(tái)風(fēng)路徑進(jìn)行了綜合預(yù)測(cè)實(shí)驗(yàn)，并設(shè)計(jì)了3 種集成方案；HUO 等[5]采用正交的CNOPs 方法，具有更大的水平分布，能更好地描述預(yù)測(cè)的不確定性。(3)動(dòng)力學(xué)模型。陳子通等[6]探討耦合方案對(duì)預(yù)報(bào)精度的影響，實(shí)現(xiàn)動(dòng)力過(guò)程與物理過(guò)程耦合；黃文鋒等[7]根據(jù)熱帶氣旋運(yùn)動(dòng)的最新軌跡，提出了一種動(dòng)態(tài)預(yù)測(cè)模型的初始風(fēng)場(chǎng)調(diào)整方法；CHUN 等[8]進(jìn)行了AMSR2同化，提供了更好的臺(tái)風(fēng)結(jié)構(gòu)，顯著提高了中心海平面氣壓、最大風(fēng)速和臺(tái)風(fēng)路徑預(yù)報(bào)。(4)神經(jīng)網(wǎng)絡(luò)模型。王向陽(yáng)等[9]選取了目前國(guó)內(nèi)外最具代表性的3種西北太平洋熱帶氣旋路徑預(yù)報(bào)方法對(duì)熱帶氣旋路徑預(yù)報(bào)進(jìn)行集成，從而提高了熱帶氣旋路徑預(yù)報(bào)的準(zhǔn)確率；黃小燕等[10]以南海海域的臺(tái)風(fēng)樣本為基礎(chǔ)，采用主成分分析的特征提取與逐步回歸計(jì)算相結(jié)合的預(yù)報(bào)因子信息數(shù)據(jù)挖掘技術(shù)，以提高預(yù)報(bào)模型泛化能力；邵利民等[11]利用前饋型BP 神經(jīng)網(wǎng)絡(luò)模型，對(duì)發(fā)生于中國(guó)沿海的熱帶氣旋的移動(dòng)路徑進(jìn)行了預(yù)報(bào)應(yīng)用研究。

綜上所述，在這幾類臺(tái)風(fēng)路徑預(yù)測(cè)模型中，氣象學(xué)模型最為傳統(tǒng)也最為精確，能將天氣圖、衛(wèi)星資料等數(shù)據(jù)轉(zhuǎn)換為臺(tái)風(fēng)內(nèi)部分布的各層數(shù)據(jù)，預(yù)報(bào)員利用軟件處理分析，提取所需臺(tái)風(fēng)的實(shí)時(shí)特征，但其本身缺乏長(zhǎng)時(shí)間序列下對(duì)于臺(tái)風(fēng)運(yùn)行規(guī)律和動(dòng)向的預(yù)報(bào)能力；統(tǒng)計(jì)學(xué)模型的出現(xiàn)很好地解決了這一問(wèn)題，顧及大氣物理量參數(shù)的相關(guān)性，根據(jù)臺(tái)風(fēng)初始擾動(dòng)的可能性，納入大量樣本進(jìn)行統(tǒng)計(jì)，給出了臺(tái)風(fēng)運(yùn)行路徑的合理推薦集；動(dòng)力學(xué)模型，綜合考慮環(huán)境氣流、地貌分布、下墊面因素，利用臺(tái)風(fēng)移動(dòng)規(guī)律的函數(shù)，應(yīng)用數(shù)值模式的分析結(jié)果，推算臺(tái)風(fēng)的移動(dòng)路徑；神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型是當(dāng)下的研究熱點(diǎn)，該模型以大量歷史臺(tái)風(fēng)數(shù)據(jù)作為實(shí)驗(yàn)基礎(chǔ)，在反復(fù)訓(xùn)練下自動(dòng)調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)間的權(quán)重因子，從而達(dá)到預(yù)報(bào)給定臺(tái)風(fēng)路徑信息的目的，具有自適應(yīng)性強(qiáng)、容錯(cuò)性高等優(yōu)點(diǎn)。

本文在前人研究基礎(chǔ)上，將集合預(yù)報(bào)思想與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，設(shè)計(jì)并實(shí)現(xiàn)了基于集合預(yù)報(bào)思想的統(tǒng)計(jì)學(xué)模型和基于BP 算法的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型，改進(jìn)了單集合預(yù)報(bào)的固定性，降低了單神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的隨機(jī)性，構(gòu)建了一個(gè)高可用、細(xì)粒度并且符合臺(tái)風(fēng)預(yù)報(bào)時(shí)效性需求的基于混合模式集合的臺(tái)風(fēng)路徑神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，充分發(fā)揮了時(shí)序?qū)哟蝺?yōu)勢(shì)和偏差調(diào)節(jié)能動(dòng)性，突破了傳統(tǒng)集合預(yù)報(bào)的線性相關(guān)局限，為臺(tái)風(fēng)路徑預(yù)報(bào)研究開(kāi)拓了嶄新思路，為氣象災(zāi)害預(yù)警工作提供了決策支持。

1 混合模式集合預(yù)報(bào)下的臺(tái)風(fēng)路徑神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

1.1 臺(tái)風(fēng)混合模式集合預(yù)報(bào)思想

作為動(dòng)力隨機(jī)預(yù)測(cè)技術(shù)的新一代產(chǎn)物，集合預(yù)報(bào)曾被用于緯度天氣預(yù)報(bào)系統(tǒng)，現(xiàn)今其體量發(fā)生了巨大變化，并被擴(kuò)展到季節(jié)和氣候預(yù)測(cè)。目前應(yīng)用的熱點(diǎn)之一是短期集合預(yù)報(bào)，包括對(duì)熱帶氣旋預(yù)報(bào)的研究。因其預(yù)測(cè)時(shí)間短，短期集合預(yù)報(bào)比中期預(yù)測(cè)更復(fù)雜，由于預(yù)測(cè)方法中初始性擾動(dòng)場(chǎng)受的影響比中期預(yù)測(cè)的大，因此，選擇好的方法尤為重要，其關(guān)鍵在于方法的離散速度和初始數(shù)組的離散次數(shù)[12]。關(guān)于預(yù)測(cè)的空間規(guī)模，除了使用全球大氣模型來(lái)預(yù)測(cè)大規(guī)模氣象環(huán)境之外，在中尺度預(yù)報(bào)領(lǐng)域也引入了集合預(yù)報(bào)法。結(jié)果表明，該方法具有明顯的優(yōu)勢(shì)，尤其在極端氣象現(xiàn)象預(yù)測(cè)上優(yōu)勢(shì)更顯著。

EPSTEIN[13]提出的動(dòng)力隨機(jī)預(yù)報(bào)和LEITH[14]提出的“蒙特卡羅”預(yù)報(bào)是經(jīng)典集合預(yù)報(bào)思想的基礎(chǔ)?！懊商乜_”預(yù)報(bào)在業(yè)務(wù)應(yīng)用上，需要大量高性能計(jì)算機(jī)集群共同計(jì)算，一度陷入瓶頸。近年來(lái)，隨著計(jì)算機(jī)軟硬件水平的突飛猛進(jìn)，歐美等發(fā)達(dá)國(guó)家氣象界高度重視集合預(yù)報(bào)，隨后，我國(guó)國(guó)家氣象中心也開(kāi)始集合預(yù)報(bào)嘗試。從科學(xué)角度看，集合預(yù)報(bào)不僅是一種觀點(diǎn)，更是一種革新。

集合預(yù)報(bào)是一種為了體現(xiàn)初值不確定性并將擾動(dòng)的隨機(jī)性系列化的方法。原先其定義主要在于初值集合，體現(xiàn)在1992 年左右ECMWF[15]和NCEP[16]的預(yù)報(bào)工作中；而后考慮了模式的不確定性[17]，將不同模式的多樣化以集合的方式表達(dá)，形成了后來(lái)的集合預(yù)報(bào)發(fā)展產(chǎn)物，也就是混合模式集合預(yù)報(bào)。

KRISHNAMURTI 等[18]基 于AMIP 提 出 了 混合模式集合的預(yù)報(bào)創(chuàng)意，改善了氣象和季節(jié)規(guī)模的預(yù)測(cè)，并將其擴(kuò)展到颶風(fēng)預(yù)報(bào)領(lǐng)域。因超級(jí)集合均方根誤差與典型的模型分析較接近，在預(yù)測(cè)期效果中顯示了其優(yōu)勢(shì)。結(jié)果表明，通過(guò)混合模式集合預(yù)報(bào)獲得的信息，在概率和決定性上均比單模型集合預(yù)報(bào)的誤差小。通過(guò)比較選擇的集合預(yù)報(bào)優(yōu)化方法，一般稱為PoorMan 法[19]。本質(zhì)上，PoorMan 集合預(yù)報(bào)技術(shù)屬于多分析多模型集合預(yù)報(bào)，從一些大型集合預(yù)報(bào)中心采集，并進(jìn)行決定性預(yù)測(cè)，較普通集合預(yù)報(bào)的開(kāi)發(fā)與維護(hù)更簡(jiǎn)單。基于PoorMan 法，文獻(xiàn)[20]提出了超級(jí)集合預(yù)報(bào)思想，通過(guò)多個(gè)模型的預(yù)報(bào)結(jié)果，根據(jù)模型的先前性能修正預(yù)報(bào)結(jié)果，獲得最佳的決定性預(yù)報(bào)。與其他的集合預(yù)報(bào)方法不同，超級(jí)集合預(yù)報(bào)只提供決定性預(yù)報(bào)，根據(jù)此方法獲得的決定性預(yù)報(bào)效果，比一般集合預(yù)報(bào)方法的效果更明顯。集合預(yù)報(bào)思想的更新推進(jìn)和廣泛使用，將使數(shù)值預(yù)報(bào)在概念、技術(shù)、實(shí)踐方面發(fā)生巨大轉(zhuǎn)折。

1.2 基于BP 算法的神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是一種依賴神經(jīng)單元逐級(jí)互聯(lián)，并具有自我調(diào)節(jié)、自我適應(yīng)能力的網(wǎng)絡(luò)，能夠模擬動(dòng)物對(duì)外界情況變化的真實(shí)反應(yīng)傳遞。隨著神經(jīng)網(wǎng)絡(luò)研究的進(jìn)一步發(fā)展和更新，其已成為一門(mén)多元化、交叉性的前沿學(xué)科。神經(jīng)網(wǎng)絡(luò)模型是基于神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的，在大數(shù)據(jù)環(huán)境下具有一定的預(yù)測(cè)能力[21]。

多層網(wǎng)絡(luò)的訓(xùn)練效果雖然顯著優(yōu)于單層感知機(jī)，但需要的訓(xùn)練學(xué)習(xí)算法更為復(fù)雜。誤差反向傳播（Back-Propagation，簡(jiǎn)稱BP）算法是當(dāng)前最具代表性的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[22]。

BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of BP neural network

激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中重要的一環(huán)，將非線性特征引入網(wǎng)絡(luò)，并將輸入信號(hào)轉(zhuǎn)換為輸出信號(hào)。良好的激活函數(shù)能加快訓(xùn)練速度，提升訓(xùn)練效果。為解決梯度消失問(wèn)題，有效提升效率，本文采用ReLU函數(shù)，該函數(shù)的非線性能力較強(qiáng)，稀疏性良好，與生物神經(jīng)元中的少量信號(hào)選擇性響應(yīng)特征相符[23]。其數(shù)學(xué)表達(dá)式和一階導(dǎo)數(shù)如下：

可見(jiàn)，對(duì)于小于零的輸入，神經(jīng)元在負(fù)方向上均為0，有利于減少參數(shù)間的相互依存關(guān)系，降低過(guò)擬合的發(fā)生概率；對(duì)于大于等于0 的輸入，可大幅減少計(jì)算量，提高網(wǎng)絡(luò)的訓(xùn)練速度。

在常規(guī)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，只是歸一化處理了輸入層數(shù)據(jù)，沒(méi)有在隱含層中進(jìn)行歸一化處理。輸入數(shù)據(jù)在經(jīng)過(guò)σ(WX+b)矩陣計(jì)算以及激活函數(shù)處理后，隨著神經(jīng)網(wǎng)絡(luò)的多重計(jì)算，數(shù)據(jù)分布的差異性會(huì)越來(lái)越大，模型訓(xùn)練得到的參數(shù)泛化性能會(huì)被削弱，同時(shí)會(huì)降低實(shí)驗(yàn)效率，因此，需要在網(wǎng)絡(luò)中進(jìn)行歸一化處理。

批 歸 一 化（batch normalization（BN））算 法 由IOFFE 等[24]提出，可改善神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，具體表現(xiàn)為：加快收斂速率，提高訓(xùn)練效率；省去了一些正則化處理過(guò)程，避免了因?qū)W習(xí)率設(shè)置過(guò)小發(fā)生訓(xùn)練欠擬合情況；保持網(wǎng)絡(luò)的穩(wěn)定性，提高模型訓(xùn)練精度。

針對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的過(guò)擬合問(wèn)題，Dropout技術(shù)是一種簡(jiǎn)單高效的訓(xùn)練策略，有助于提高網(wǎng)絡(luò)的泛化能力[25]。其原理為：以p 的概率隨機(jī)Dropout神經(jīng)元，將其值置為0，其他神經(jīng)元以1－p 的概率被保留，降低了神經(jīng)元之間的相互依賴性，使網(wǎng)絡(luò)中各神經(jīng)元相互促進(jìn)又相互制衡。示意圖如圖2 所示。

圖2 Dropout 示意圖Fig.2 Schematic of Dropout

本文以“臺(tái)風(fēng)路徑集合預(yù)報(bào)優(yōu)化”核心問(wèn)題為導(dǎo)向，深入研究了臺(tái)風(fēng)混合模式集合預(yù)報(bào)思想和基于BP 算法的神經(jīng)網(wǎng)絡(luò)模型；在此基礎(chǔ)上，提出了神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練算法；更進(jìn)一步，以臺(tái)風(fēng)路徑預(yù)報(bào)的實(shí)際業(yè)務(wù)需求為背景，構(gòu)建了臺(tái)風(fēng)路徑集合預(yù)報(bào)傾向優(yōu)化模型，如圖3 所示。

圖3 集合預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)方法Fig.3 Ensemble prediction neural network method

1.3 臺(tái)風(fēng)路徑集合預(yù)報(bào)傾向優(yōu)化模型

基于臺(tái)風(fēng)全球集合預(yù)報(bào)系統(tǒng)預(yù)報(bào)數(shù)據(jù)以及從中央氣象臺(tái)網(wǎng)站采集的臺(tái)風(fēng)實(shí)況數(shù)據(jù)，運(yùn)用批歸一化方法和Dropout 技術(shù)，訓(xùn)練臺(tái)風(fēng)路徑集合預(yù)報(bào)傾向優(yōu)化模型（typhoon ensemble-prediction tendency（TEPT））。

基于不同站點(diǎn)集合預(yù)報(bào)結(jié)果數(shù)據(jù)集中的歷史預(yù)報(bào)，本模型側(cè)重考慮各站點(diǎn)的預(yù)報(bào)好壞情況，設(shè)置了傾向度θ(0 ＜θ ＜1)。網(wǎng)絡(luò)訓(xùn)練的輸出并不是直接推算臺(tái)風(fēng)路徑的經(jīng)緯度，而是推算各個(gè)站點(diǎn)的傾向度，表征各站點(diǎn)的預(yù)報(bào)精度。對(duì)于n 個(gè)站點(diǎn)，有由于過(guò)少的網(wǎng)絡(luò)層數(shù)會(huì)導(dǎo)致非線性能力偏弱，過(guò)多的網(wǎng)絡(luò)層數(shù)需要更加龐大的數(shù)據(jù)量，因此，最終選定的臺(tái)風(fēng)路徑集合預(yù)報(bào)傾向神經(jīng)網(wǎng)絡(luò)為4 層，包括1 個(gè)輸入層、2 個(gè)隱含層和1 個(gè)輸出層。輸入層包括前3 時(shí)次預(yù)報(bào)數(shù)據(jù)和預(yù)報(bào)時(shí)次的集合預(yù)報(bào)數(shù)據(jù)，輸出層為各站點(diǎn)預(yù)報(bào)傾向，使用傾向集合預(yù)報(bào)誤差來(lái)表征loss。神經(jīng)網(wǎng)絡(luò)之間用全連接網(wǎng)絡(luò)相連，激活函數(shù)選用提高線性分割度的ReLU，將原始數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，使用批歸一化方法和Dropout 技術(shù)增強(qiáng)模型的計(jì)算能力和表達(dá)能力。該網(wǎng)絡(luò)的核心訓(xùn)練參數(shù)如表1 所示，實(shí)驗(yàn)思路如圖4 所示。

圖4 集合預(yù)報(bào)傾向優(yōu)化模型實(shí)驗(yàn)思路Fig.4 Experimental tack of ensemble prediction tendency optimization model

表1 TEPT 網(wǎng)絡(luò)核心訓(xùn)練參數(shù)Table 1 Network training parameters of TEPT

1.4 評(píng)價(jià)指標(biāo)

路徑誤差為兩點(diǎn)之間的距離，即在已知兩個(gè)點(diǎn)的經(jīng)緯度情況下，求它們之間的距離。不妨將地球視作一個(gè)標(biāo)準(zhǔn)的球體，令其半徑等于地球的平均半徑R，以0 度經(jīng)線為基準(zhǔn)，忽略地形帶來(lái)的誤差，就可以計(jì)算出兩點(diǎn)之間的地表距離。假設(shè)兩點(diǎn)的經(jīng)度分別為lng1 和lng2，兩點(diǎn)的緯度分別為lat1 和lat2，東經(jīng)為正，北緯為負(fù)，由三角函數(shù)，可以得兩點(diǎn)間的距離D：

集合預(yù)報(bào)產(chǎn)品需要一套定量的誤差檢驗(yàn)體系[26]，對(duì)于決定性的均值預(yù)報(bào)，可用平均誤差和平均絕對(duì)誤差來(lái)衡量，其表達(dá)式分別為：

2 實(shí)例驗(yàn)證與結(jié)果分析

2.1 研究區(qū)概況

選擇西北太平洋和南海作為主要研究區(qū)域，經(jīng)緯度分別為80°E～180°E，0°N～60°N，基本覆蓋了西北太平洋和南?；顒?dòng)臺(tái)風(fēng)的大部分區(qū)域，具有良好的代表性。

受西太平洋副熱帶高壓、東風(fēng)氣流和季風(fēng)槽的影響，在該區(qū)域的臺(tái)風(fēng)生成后大部分會(huì)向中國(guó)、日本、韓國(guó)、越南等國(guó)家行進(jìn)，造成巨大的經(jīng)濟(jì)損失和人員傷亡。在我國(guó)登陸的臺(tái)風(fēng)會(huì)給我國(guó)帶來(lái)嚴(yán)重的雨情災(zāi)害，災(zāi)情主要表現(xiàn)為大范圍的降水和高強(qiáng)度的暴雨，影響范圍覆蓋20 多個(gè)省份[27]。另外臺(tái)風(fēng)造成的洪水使得眾多中小河流水位超過(guò)警戒線，給當(dāng)?shù)厝嗣裆睢⑸a(chǎn)帶來(lái)極大困難。

因此，研究西太平洋和南海區(qū)域的臺(tái)風(fēng)不僅為該區(qū)域氣象學(xué)研究打開(kāi)了通道，而且能為受臺(tái)風(fēng)影響國(guó)家的防臺(tái)、抗臺(tái)工作提供知識(shí)服務(wù)和決策支持。

2.2 數(shù)據(jù)預(yù)處理

文中用到的臺(tái)風(fēng)數(shù)據(jù)來(lái)源于全球兩大集合預(yù)報(bào)系統(tǒng)ECMWF 和NCEP 的臺(tái)風(fēng)模式預(yù)報(bào)數(shù)據(jù)和中央氣象臺(tái)網(wǎng)站提供的2016—2018 年3 a 的臺(tái)風(fēng)數(shù)據(jù)，總數(shù)據(jù)達(dá)185 萬(wàn)行。ECMWF 模式數(shù)據(jù)一天2報(bào)，每報(bào)50 個(gè)站點(diǎn)；NCEP 的GEFS 模式數(shù)據(jù)一天4報(bào)，每報(bào)20 個(gè)站點(diǎn)；中央氣象臺(tái)實(shí)況和預(yù)報(bào)數(shù)據(jù)（CMA）更新頻率不定，采集頻率最短為每小時(shí)1 次。

臺(tái)風(fēng)數(shù)據(jù)中存在部分無(wú)用記錄或空缺記錄，實(shí)驗(yàn)前需進(jìn)行處理：

（1）經(jīng)度或緯度數(shù)據(jù)為0 的記錄，數(shù)據(jù)本身有誤，需刪除。

（2）風(fēng)圈半徑可能存在3 種大小不同的數(shù)值，本文只取最小風(fēng)圈半徑所對(duì)應(yīng)的數(shù)據(jù)記錄。

（3）預(yù)報(bào)數(shù)據(jù)中存在跨180°經(jīng)線的臺(tái)風(fēng)，計(jì)算前可將這些經(jīng)度lng 轉(zhuǎn)化為（360－lng），輸出時(shí)返回正常值。

（4）在神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，需預(yù)先進(jìn)行數(shù)據(jù)插值（空缺時(shí)間點(diǎn)上的經(jīng)緯度需補(bǔ)全）和歸一化處理，以提高訓(xùn)練效率，提升優(yōu)化效果。

另外，在神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練前，將Oracle 中的數(shù)據(jù)按照“年份-臺(tái)風(fēng)標(biāo)號(hào)-起報(bào)時(shí)間”整理成csv 文件集，以方便數(shù)據(jù)匹配，提高訓(xùn)練效率。

臺(tái)風(fēng)數(shù)據(jù)總記錄達(dá)185 萬(wàn)行，去除無(wú)效數(shù)據(jù)后有141 萬(wàn)行。本研究中使用的臺(tái)風(fēng)數(shù)據(jù)涉及5 個(gè)表，分別為T(mén)YPH_INFO 表、TYPH_MONITOR_WEB表、TYPH_FORCAST_WEB 表、TYPH_MODEL表和TEPO 表。TYPH_INFO 表記錄了臺(tái)風(fēng)的基本信息，包括臺(tái)風(fēng)模型與實(shí)況的對(duì)應(yīng)關(guān)系以及臺(tái)風(fēng)的中英文名稱；TYPH_MONITOR_WEB 表記錄了臺(tái)風(fēng)實(shí)況數(shù)據(jù)的具體信息，包括臺(tái)風(fēng)實(shí)況編號(hào)、點(diǎn)時(shí)間、緯度、經(jīng)度等；TYPH_FORCAST_WEB 表記錄了中央氣象臺(tái)預(yù)報(bào)的臺(tái)風(fēng)數(shù)據(jù)信息，包括臺(tái)風(fēng)實(shí)況編號(hào)、預(yù)報(bào)臺(tái)、起報(bào)時(shí)間、預(yù)報(bào)時(shí)次等；TYPH_MODEL 表記錄了兩大全球集合預(yù)報(bào)系統(tǒng)ECMWF 和NCEP 的臺(tái)風(fēng)集合預(yù)報(bào)數(shù)據(jù)，包括臺(tái)風(fēng)模型編號(hào)、起報(bào)時(shí)間、預(yù)報(bào)時(shí)次等；TEPO 表記錄了集合預(yù)報(bào)多模協(xié)同優(yōu)化預(yù)報(bào)數(shù)據(jù)結(jié)果，包括位置、臺(tái)風(fēng)模型編號(hào)、起報(bào)時(shí)間、預(yù)報(bào)時(shí)次等。

2.3 結(jié)果分析

圖5 列出了訓(xùn)練集（橙線）和驗(yàn)證集（藍(lán)線）的收斂過(guò)程。用2018 年臺(tái)風(fēng)數(shù)據(jù)做檢驗(yàn)，表2 列出了臺(tái)風(fēng)路徑集合預(yù)報(bào)傾向法TEPT（typhoon ensembleprediction tendency）與全球集合預(yù)報(bào)系統(tǒng)ECMWF和NCEP（NCEP 提供的GEFS 數(shù)據(jù)）以及中央氣象臺(tái)CMA 的誤差對(duì)比情況（路徑誤差單位為km）。

圖5 訓(xùn)練集和驗(yàn)證集的收斂過(guò)程Fig.5 Convergence process of training set and verification set

取TEPT 的平均預(yù)報(bào)結(jié)果，繪制2018 年臺(tái)風(fēng)數(shù)據(jù)檢驗(yàn)圖，分別用淺綠、黃、綠、紅標(biāo)記ECMWF、GEFS、CMA 和TEPT 預(yù) 報(bào) 結(jié) 果，如 圖6 所 示?？梢?jiàn)，在 預(yù) 報(bào) 時(shí) 次60 h 內(nèi)，TEPT 比GEFS 和CMA 的精度稍好；而在預(yù)報(bào)時(shí)次36 h 內(nèi)，TEPT 的預(yù)報(bào)精度有明顯提高，較其他預(yù)報(bào)精度高。在60 h 以外的預(yù)報(bào)時(shí)次范圍，總體表現(xiàn)略差。

表2 TEPT 全體誤差對(duì)比情況Table 2 All comparisons of TEPT errors

模型的預(yù)報(bào)誤差均隨預(yù)報(bào)時(shí)次的增加而增加。在大多數(shù)時(shí)次上，TEPT 的預(yù)報(bào)效果波動(dòng)較大，因此對(duì)于TEPT 的預(yù)報(bào)，可采用集合預(yù)報(bào)的延伸思想，將其預(yù)報(bào)結(jié)果以集合的形式呈現(xiàn)，包絡(luò)面會(huì)更加貼近實(shí)況臺(tái)風(fēng)的走向，從而大致估計(jì)臺(tái)風(fēng)路徑波動(dòng)范圍。

圖6 2018 年TEPT 對(duì)比檢驗(yàn)結(jié)果圖Fig.6 Contrast test result diagram

3 結(jié) 語(yǔ)

集合預(yù)報(bào)充分體現(xiàn)了其優(yōu)越性，擺脫了傳統(tǒng)混合模式預(yù)報(bào)解算中的固有限制，充分發(fā)揮了時(shí)序?qū)哟蝺?yōu)勢(shì)和偏差調(diào)節(jié)能動(dòng)性，創(chuàng)新了臺(tái)風(fēng)路徑預(yù)報(bào)的優(yōu)化思路，促進(jìn)了海洋氣象研究和臺(tái)風(fēng)預(yù)報(bào)業(yè)務(wù)的發(fā)展。另外，本文融合混合模式集合預(yù)報(bào)思想和神經(jīng)網(wǎng)絡(luò)模型方法，探索了多元可擴(kuò)融合模型，建立了集合預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)優(yōu)化模型，同時(shí)解決了單集合預(yù)報(bào)的固化性和單神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的隨機(jī)性問(wèn)題，突破了傳統(tǒng)預(yù)報(bào)的線性相關(guān)局限。

受訓(xùn)練數(shù)據(jù)量和網(wǎng)絡(luò)選型的限制，預(yù)測(cè)的準(zhǔn)確度和穩(wěn)定性有待增強(qiáng)。后續(xù)研究可考慮數(shù)據(jù)分片集成方法和其他不同結(jié)構(gòu)的學(xué)習(xí)器，以提高模型的迭代預(yù)測(cè)能力，增強(qiáng)預(yù)測(cè)方法的健壯性。