【技术实现步骤摘要】
基于深度神经网络的岸滨地区海雾能见度预报方法
[0001]本专利技术涉及一种基于深度神经网络的岸滨地区海雾能见度预报方法,属于气象
技术介绍
[0002]海雾是重要的海洋气象灾害之一。海雾是受海洋的影响,发生在海上、岛屿或沿海地区使大气水平能见度小于1 km的天气现象。海雾发生时,海上或岸滨地区水平能见度降低,严重影响海上及岸滨地区交通运输、军事活动、渔业生产及农业生产活动,也是引发海上及岸滨地区多种事故的重要原因。我国近海沿岸多海雾区,在航运、渔业、生产等海上活动日益频繁的今天,海雾能见度的预报尤为重要。
[0003]目前,对于海雾能见度预报的主要方法有天气图诊断分析、数值模式和统计模型。天气图诊断分析无法提供定时定量的能见度预报产品。数值模式中,虽然能见度可以使用参数化方案进行计算,但因为对液态水含量、雾滴数浓度、粒径等重要微物理参数的预报能力有限,雾等低能见度事件的定量预测仍然是一个难题。统计模型中,线性回归、逐步回归等传统回归模型,可以直观展示预报量和预报因子的关系,但在解决复杂非线性变化上有局限性。
[0004]作为统计模型中的一种,以深度神经网络(Deep Neural Networks, DNN)为代表的深度学习方法,随着计算机硬件及GPU运算发展迅速成长。这是一种模仿人脑神经网络来解释、分析数据方法,利用复杂结构和多重非线性变换对数据进行高层次抽象,能够处理各种复杂非线性问题,已应用在生物、医学、遥感等多个领域。
技术实现思路
[0005]本专利技术的目的是提 ...
【技术保护点】
【技术特征摘要】
1.基于深度神经网络的岸滨地区海雾能见度预报方法,其特征在于该方法包括以下步骤:1)建立预报因子与能见度样本集、2建立并筛选能见度预报DNN模型、3)预报海雾能见度;所述1)建立预报因子与能见度样本集,包括以下步骤:步骤1.1:选择需要进行预报的岸滨区域,获取此地理范围内气象观测站数据并从中提取能见度数据,以能见度数值<0.5、0.5
‑
1、1
‑
2、2
‑
4、>4km为标准划分成5级,作为能见度标签集;步骤1.2:获取以上地理范围内再分析数据,对该再分析数据的每格点提取多个相关的气象要素,其中地面气象要素包括:地表以上10m处风(m/s),地表以上2 m处温度(K),地表以上2m处露点温度(K),地表以上2m处温度露点差(K),低云量,以及地表温度(K);高空气象要素包括:925hPa等压面上的相对湿度(%), 850hPa等压面上的温度(K);并计算FSI指数:FSI=2 * |T
s
‑
T
d
|+2 * |T
s
‑
T
850
|+ W
10 ,其中T
s
为地表温度(K),T
d
为地表以上2m露点温度(K),T
850
为850hPa等压面上的温度(K),W
10
为地表以上10m处的风(m/s);步骤1.3:建立预报因子数据集,每格点上预报因子包括:地表以上10m处风(m/s),地表以上2 m处温度(K),地表以上2m处露点温度(K),地表以上2m处温度露点差(K),925hPa等压面上的相对湿度(%),低云量,以及FSI指数;步骤1.4:统计以上地理范围内的再分析数据格点与气象观测站点位置,每选定一个格点,计算每个气象观测站与该格点的水平距离,将水平距离小于经纬度0.3
o
的站点的能见度等级作为该格点的标签,将该标签与该格点上的相同时次预报因子数据建立一个样本;若存在多个水平距离小于0.3
o
的站点,则选择水平距离最小的一个站点的能见度等级作为该格点的标签,并将该标签与该格点上相同时次的预报因子数据建立一个样本;若不存在水平距离小于 0.3
o
的站点,则该格点不列入样本范围;步骤1.5:对上述每个样本中的预报因子进行归一化;将归一化之后的预报因子及其标签作为预报因子与能见度样本集;所述2)建立并筛选能见度预报DNN模型,包括以下步骤:将上述预报因子与能见度数据样本集,按照4:1随机分为训练集、测试集;通过训练集和测试集,通过训练得到多个深度神经网络模型,即能见度预报DNN模型,输入端为各项预报因子,输出端为能见度等级,建立预报因子与能见度之间的非线性复杂关系;评估该模型效果的损失计算,是计算当前输出的能见度等级与输出端能见...
【专利技术属性】
技术研发人员:时晓曚,刘树霄,
申请(专利权)人:青岛市气象局气象探测保障中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。