馬艷梅

(淮南職業(yè)技術學院智能與電氣工程學院，安徽 淮南232001)

復雜氣象包括風切變、雷暴、顛簸、溫度驟變、積冰、霧、云、雨以及風沙等惡劣天氣，其對農業(yè)、工業(yè)、交通以及人們的日常生活與生命安全等均會產生重要影響[1]。因此，監(jiān)測復雜氣象，對其實施風險預警具有重要意義。由于復雜氣象的形成、發(fā)展和時空分布與地形地貌、生態(tài)景觀及人文環(huán)境等存在緊密聯(lián)系，因此時間與空間信息對復雜氣象的風險預警具有關鍵意義[2]。尤其是在全球氣候變化的影響下，自然環(huán)境及人類行為對復雜氣象形成與發(fā)展的影響越來越顯著。

文獻[3]提出基于信息分類的復雜氣象風險預警模型。利用ArcGIS平臺將研究區(qū)劃分為同等大小的柵格單元，使用信息量法選取9個影響因素進行地質環(huán)境敏感性評價，基于信息量法的地質環(huán)境敏感性分區(qū)客觀合理，結合有效降雨量構建地質災害氣象風險預警模型。該模型對單一的復雜氣象風險預警準確性較好，但針對復雜氣象的動態(tài)變化，無法很好地實現(xiàn)復雜氣象風險預警；文獻[4]提出基于仿歸一化植被指數法的復雜氣象風險預警模型，分析內蒙古典型草原歸一化植被指數的變化，探討不同氣候對歸一化植被指數的影響，構建歸一化植被指數及氣象因子的回歸分析模型。該模型對復雜氣象風險預警的精度較好，但預警過程耗時較長，效率較差。

3S(RS、GIS、GPS)(remote sensing system、Geographic Information System、Globle Positioning System)技術逐漸成為從時間與空間上跟蹤監(jiān)測復雜氣象形成與發(fā)展的主要方法，特別是在復雜氣象動態(tài)研究方面，空間大數據將其多源、多時相、多尺度的特性發(fā)揮的更加淋漓盡致[5]。利用無線傳感網絡實現(xiàn)時空大數據的傳輸，利用時空大數據構建復雜氣象風險預警模型，改變以往基于信息分類的復雜氣象風險預警模型單一的預警方式，實現(xiàn)快速、實時、動態(tài)監(jiān)測預警的目的[6]，有效提升復雜氣象風險預警效果。

1 復雜氣象風險預警模型

1.1 復雜氣象時空數據信息抽取

1.1.1 基于無線傳感網絡的復雜氣象時空數據傳輸

基于時空大數據及無線傳感網絡的復雜氣象風險預警是對時間、空間信息和復雜氣象信息的多維搜索，檢索并分析這些同空間位置相關聯(lián)的復雜氣象信息是基于時空大數據預警復雜氣象風險的關鍵。基于無線傳感網絡[7]，對復雜氣象時空數據進行傳輸，能夠保證時空大數據的穩(wěn)定、安全傳輸，為構建時空大數據模型、實現(xiàn)復雜氣象時空數據信息抽取奠定基礎。

1.1.2 面向復雜氣象的時空大數據模型

以利用類與對象構建系統(tǒng)為基本理念，面向對象的時空大數據模型具有不受關系模型標準模式約束的優(yōu)勢，通過接收、泛化與組成的處理過程能夠實現(xiàn)時空大數據擴展建模[8－9]。根據建模目的選取不同建模方法，模型結構如圖1所示。

圖1 面向對象時空大數據模型

面向復雜氣象的時空大數據模型能夠記錄復雜氣象的插入和波動情況，通過一個復雜氣象因子即可反映出該復雜氣象全部波動歷史，針對時間的記錄效果更加顯著。

1.1.3 復雜氣象信息定向抽取

在面向復雜氣象的時空大數據模型中，采用序列標注法和條件隨機場模型，定向抽取所需復雜氣象信息。

采用條件隨機場模型，在復雜氣象時空大數據模型中標注所需復雜氣象序列信息，用L＝(V，D)描述一幅圖像，V，D分別表示圖像的分辨率，且Z＝(Zv)，由于v∈V，因此Z可表示圖L的頂點。若復雜氣象定向抽取條件為C，那么條件隨機場(C，Z)符合:

式中:w、v均為圖L的頂點，w~v為w與v的相鄰節(jié)點。

若c＝{c1，c2，…，cn}和z＝{z1，z2，…，zn}分別為觀察序列和有限狀態(tài)集合，根據條件隨機場模型理論，得到:

基于特征轉移函數與狀態(tài)特征函數，條件隨機場模型將特征函數設定成fj(zi－1，zi，c，i)，結合對應的標注結果得到:

通過條件隨機場模型標注復雜氣象時空大數據模型中所需復雜氣象信息序列時，利用條件隨機場模型編號文本語料分詞后的各詞標記類型[10－12]。明確面向復雜氣象的時空大數據模型中所需復雜氣象信息觀測序列利用轉移特征函數與狀態(tài)特征函數計算模型中所需復雜氣象信息特征函數，確定所需復雜氣象信息觀測值的實際特征，以此作為復雜氣象風險預警模型中預警等級預警限值。

1.2 復雜氣象風險預警模型

采用多級模糊綜合預警法可以定量化邊界模糊，定量分析較困難的復雜氣象因子，但無法高質量的預警不同強度、不同權重的復雜氣象條件[13－14]，為解決這一問題，需依照預警等級將不同復雜氣象的時空數據分類后，再實施綜合預警。

1.2.1 構建預警空間

用G和U分別表示預警集和因子集，其中不同復雜氣象因子表示為u1，u2，…un。劃分復雜氣象預警等級由重到輕分為A、B、C和D級，分別表示特重級別、嚴重級別、較重級別和一般級別。復雜氣象因子不同等級對應的限值如表1所示。其中，未標注單位的數據為已轉變?yōu)閇0，1]的風險指數，除雨、雪、霧和風沙數據中描述的是能見距離型復雜氣象外，其余均為損傷型復雜氣象，限值由復雜氣象因子觀測值的實際特征確定。

表1 復雜氣象因子預警等級

1.2.2 計算隸屬度函數

復雜氣象預警等級需針對不同復雜氣象因子實測值實施單因子預警。

若hi和yij分別表示第i種復雜氣象因子實測值和第i種復雜氣象因子第j級限值，那么:

式中:E為復雜氣象總風險。

基于E值，采用隸屬法確定復雜氣象綜合預警等級，根據綜合預警等級進行復雜氣象風險預警[15]。

2 實證分析

2.1 模型應用

在面向復雜氣象的時空大數據模型中，抽取一次復雜氣象實測值作為實證分析數據，數據來源中國氣象數據網[16]，復雜氣象實測值數據如表2所示。

表2 復雜氣象實測值數據

①預警空間

依照不同復雜氣象因子的實測值與所屬預警等級，劃分復雜氣象因子U＝{u1，u2，…u13}為損傷性復雜氣象因子集和能見度性復雜氣象因子集，分別用U1和U2表示。

2018年戲曲百戲（昆山）盛典于10月29日拉開帷幕，并一直持續(xù)到12月7日。全國共有120個戲曲劇種、122家單位的155個劇目參演。由福建省文化廳組織選送的梨園戲、莆仙戲、高甲戲、打城戲、竹馬戲5個本土劇種的1部傳統(tǒng)經典大戲和6折代表性經典折子戲入選此次全國性戲曲展演，分別是福建省梨園戲傳承中心梨園戲《呂蒙正》、莆仙戲劇院莆仙戲《殺狗記·迎春牽狗》、仙游縣鯉聲藝術傳承保護中心莆仙戲《敬德畫像》、廈門市金蓮陞高甲劇團高甲戲《審陳三·探牢》、晉江市高甲柯派表演藝術中心高甲戲《騎驢探親》、泉州打城戲傳承中心打城戲《目連救母·代母繞枷》、漳浦縣竹馬戲（薌?。﹤鞒斜Ｗo中心竹馬戲《唐二別妻》。

其中U1＝{U′11，U′12，U′13，U′14}，分別表示微度、中度、重度和災難復雜氣象因子集。

②計算不同因子隸屬度及一級權重

依照隸屬度函數與權重劃分模型計算不同復雜氣象因子的隸屬度與權重預警值，結果如表3、表4所示。

表3 微度復雜氣象因子集隸屬度與權重預警值

表4 中度復雜氣象因子集隸屬度與權重預警值

③綜合預警

依照式(16)計算一級預警權值矩陣，得到:

依照式(17)計算U1與U2的預警分值:

依照式(18)計算復雜氣象總風險值，得到:E＝3.13，歸屬于預警等級B，為較重復雜氣象風險，與實際情況一致。實證分析結果表明本文模型能夠準確預警復雜氣象預警等級。

2.2 數據精度對比

實驗為測試本文所設計模型中所使用的時空大數據的精度，分別采用本文模型、基于信息分類的復雜氣象風險預警模型[3]和基于仿歸一化植被指數法的復雜氣象風險預警模型[4]進行信息抽取實驗。

對比三個模型抽取到復雜氣象信息中的噪聲含量，結果如圖2所示。

圖2 不同模型提取信息中的噪聲

分析圖2可得，信息中包含的噪聲將導致信息丟失，提升誤碼率，對信息的準確安全產生威脅。本文模型抽取得到的復雜氣象信息中包含的噪聲，顯著低于其他兩個模型抽取得到的復雜氣象信息中的噪聲含量。其中基于信息分類的模型抽取的復雜氣象信息中噪聲含量波動較大且噪聲明顯偏高，而基于仿歸一化植被指數法的模型前20 s抽取的復雜氣象信息中噪聲含量較小，但20 s之后抽取的信息中噪聲大幅提升，相比之下本文模型抽取的復雜氣象信息中噪聲含量波動較平緩。實驗結果表明本文模型可以抽取完整、準確的復雜氣象信息，提升復雜氣象風險預警的精度。

3 結論

復雜氣象對人類社會的影響較為嚴重，對其風險實施預警具有重要意義。

①本文構建基于時空大數據及無線傳感網絡的復雜氣象風險預警模型，在面向復雜氣象的時空大數據模型中抽取復雜氣象信息作為復雜氣象風險預警模型中預警等級預警限值；

②通過構建預警空間、計算隸屬度函數、確定權重與綜合預警等過程預警確定復雜氣象綜合預警等級，根據綜合預警等級進行復雜氣象風險預警；

③實證分析結果表明本文模型能夠提高預警等級的準確性。