首页 | 网络新闻 | 心情展示 | 发布教程 | 站内消息 | 加入收藏
当前位置:主页 > 网络新闻 > 浙江省汛期降水量场的时空分布与神经网络模型分析

浙江省汛期降水量场的时空分布与神经网络模型分析

作者:admin
  —:02163.第期赵利刚.浙江省汛期降水量场的时空分布与神经网络模型分析27络模型方法是在气象中应用比较广泛的统计方法[5,因为与其他的线性统计方法比较起来,优点较大。它具有人类的联想思维功能,是-种基于神经计算机的智能信息处理系统。它具有形象思维和灵感.也有推理意识诸多功能[5。用在气象上最多的人工神经网络中的网络。但是由于网络的不稳定性以及会陷入局部极小值的缺陷3'引.本文选用的径向基函数网络.(简称),与相比,的特点在隐层节点的激励方式上。
  隐层到输出层是线性回归形式[6。本文想利用具有在浓缩后的气象要素场为基础.利用非线性手段分析和预测浙江省汛期降水场。
  旨在寻求汛期降水预测的新途径。
  1所用资料(1)北太平洋冬季(12、1、2月)海温的286个格点。资料,其中12月份。年)2月份。年。年1月份北半球500高度的576个格点。资料。以上资料来自浙江大学理学院大气科学专业。(3)浙江省12个代表站的40年汛期4—9月份降水量资料。年)。
  资料取自台州市气象局统计。2降水场的分析2.1汛期降水场的空间分布特征首先运用浙江省的降水量场资料,计算了各站逐年的相应距平值.构成矩阵,下表给出特征向量的方差贡献和累计方差贡献:从表可以看出.前6个特征向量的方差之和为85.34%。第-特征向量就占了46.23%,表征收敛较好,图-2是第、2、3个特征向量的分布图。 本文来自织梦
  图1浙江省(4-9)降水分析。第-特征向量(横向坐标:经度;纵向坐标:纬度。特征向量分布的“正负”,不仅反映了降水量(距平)多寡的空间分布,而且反映了时间变化的同步性(正值区)和反相性(负值区)。图中,整个图内均为正值区。说明全省降水变化几乎是同步的.反映空间分布南多北少,特别以浙江南部温州、台州为降水正中心,浙西南相对也较多。这是由于4月起降水中心由西南向东北方向移动.而7。9月份东南沿海受台风、东风带系统影响所致.而浙北湖州。嘉兴为相对雨量少的地区,为负值区.因为所用资料站点较少,导致图中西南地区误差较大。
  从图2左图可以同样可以看出南多北少。沿海多,浙西北少,浙西南多,浙中少的特点,但是右图显示温州。
  台州。宁波等沿海地区雨量偏少,而中西部地区多雨这反映了少数年份存在中部多,而东部少的降雨量特点,两者呈反相位变化,且类似马鞍形的同步和反相位变化。模态裹1降水量场的方差贡献以及累计方差贡献科技通报第26卷图2左图为第二特征向量,右图为第三特征向量(横向坐标:经度;纵向坐标:纬度。图3汛期降水总量的第-主分分析的时间序列横坐标:年份;横坐标:第-主分量时间系数).37地8(-:;-:)与2模态与浙江汛期降水最主要分布型式有很好的对应关系,因此,浙南沿海,浙西南降水较多,浙北降水相对较少是浙江省夏季降水的主要分布特征,和实况也较为相符。2.2汛期降水总量的时间分布特征由于选取的资料在时间上存在连续性,因此通过分析可以体现降水场的比较明显的年际变化特征。

dedecms.com


  从图3,我们可以看出,所提取的第-主分量可以体现出年变化特征,同时也反映出年际变化的特征,50年代后期到60年代中期总在为负值的附近徘徊,而从从70年代起。的震荡不是很大,但是逐渐转为正值,而从80年代开始的值已经多为正值了,到90年代初期达到正的最大值,我们再仔细分析这个时间序列.有些转折点的顶部较平缓。这说明有些年份的汛期降水量不是特别显著,可能因为这-主分量类型的解释方差不够大.而时间序列仅仅时反映了这种主分量的时间型的演变过程。并且.因为影响浙江省汛期降水场的因子很多。
  这些因子可能相互制约,造成了这-主分量型的在某些年份的汛期变化部显著。
  图4网络模型.4表2预报因子和预报量的前10个主分量解释方差2主分量序号预报因子(1月高度场)预报因子(12月海温场)预报因子(1月海温场)预报因子(2月海温场)降水量预报。图5对降水场的主分时间系数逼近误差圈(1--4)(其中,黑色虚线代表输出层,黑色实线代表输入层。图片按顺时针方向从左上开始依次是。依次取。横坐标为年份。
  纵坐标为时间系数。:宽度因子。:隐层神经元个数。印:.:3神经网络模型介绍径向基函数网络是-类典型的前向神经网络,其拓扑结构如图5所示。假定网络有Ⅳ个隐单元(不包含阈值单元),个输出单元(Ⅳ和肘分别对应图5中的和),),则网络能够实现如下输人输出映射关系:胤,+∑畔.咖(石,锄。科技通报第26卷扛,2肘其中:戈为输入向量。为第个输出单元对应菇的输出值,¨为第个输出单元的输出阈值,哟,;为第个隐单元到第个输出单元的权重,0为欧氏范数,①为径向基函数,为第,个隐单元的的中心,毋为规划因子。径向基函数通常选取函数:中=(-2)。网络是-种典型的局部逼近神经网络,即对输入空间的某个局部区域.只有少数几个权值影响网络的输入。而全局逼近神经网络对于每对输人输出数据时,网络的每-个权值都需要调整,从而导致全局逼近网络学习速度很慢。但是可以克服这个问题。
织梦好,好织梦

  具有学习速度较快的优点。
  4人工神经网络模型的建造中的资料处理自然正交函数的优点在于它能经常能用相对少的函数及起所联系的时间权重来描述复杂的气象场的变化。然而我们知道气象场不仅在空间上有高度的相关性而且在时间上有显著的自相关以及交叉相关。因此用广义经验正交函数分析就可以利用空间、时间上的相关性压缩资料可能更有效-些,因此本文利用的方法对北半球1月份高度场、太平洋的前期122月海温场分别进行分析,对每个因子场提取其-定量的主分量的时间系数作为人工神经网络模型的输入因子,冈为这样可以克服网络模型的-些障碍.因为对于短样本资料来说,神经网络模型有太多的自由参数。
  这样很容易引起病态条件问题.结果是拟合的时候效果好,但是预报时效果就出现震荡不稳定,或者对个体预报效果显著.但对整体的网络没有很大的帮助,因此首先用来提取主分量的时间系数作为预报因子.这样就会-定程度上克服以上可能出现的障碍,减少了网络模型的输入节点数。下面是给出预报因子和预报量的前10个主分量的解释方差(高度场与海温场是用来提取因子的,降水量场是(4~9)月的分析提取冈子的)从上表可以看出每个因子的前个主分量的解释方差收敛较快.前10个主分量的方差贡献达70%左右。
  5模型的建立以及结果分析我们选取经过扩展正交函数分解过的前期1月北半球高度场、122月北太平洋海温场的每个场的前5个主分量的时间系数作为模型的输入.选取降水场的前3个主分量作为模型输出(目标输出),分别建立和模型,我们对40年的20个输入因子(54)作为模型的输入样本矢量矩阵(4020),降水场的前三个主分量的时间系数组成目标矢量矩阵(403)。本文采用的的目标误差为0.00。因为宽度系数的大小以及神经元的最多个数对拟合效果以及泛化能力有很大影响,分别选取宽度因子。不同的隐层神经元个数从1—50进行训练实验。从拟合的效果来看,宽度因子在很小的时候(≤5)其时间系数的逼近效果较差,取降水场的第-主分量的拟合图为例子,见图5,从图上可以看出在=15、=25的时候拟合效果较好。因此在进行泛化的时候选取=15,--25.选取前39年的样本建立训练模型,然后用此模型预测1996年的浙江省12个站点降水场(4—9月总降水量距平)得到如下的预测结果:表3网络对浙江省(4-9月)12个代表站的预测结果312垒卫生塑曼1211竺堡垒垦璺坠堕巫站点站点从上表可以看出有7个站的预测于实测距平符号相同.根据技巧评分公式,其评分为0.167.因为在我国很多地区多年平均的汛期降水的短期气候预测相对于随机预报的技巧评分仍为负技巧,因此此网络的训练和泛化应该是比较好的。可以作为短期气候预测的-个参考方法。 织梦内容管理系统
  第1期赵利刚.浙江省汛期降水量场的时空分布与神经网络模型分析36结论1)浙江汛期降水量场经过浓缩后.提取的主分量的时间序列可以体现年变化以及年际变化的特征,其特征向量可以在空间上演变浙江省降水量的不同地区的多寡。具有气候学含义。2)通过对影响降水的北半球高度场,以及北太平洋海温场进行分析。提取时间系数,运用径向基函数网络进行训练和逼近.并对1996年进行试报,技巧平分为正值。对短期气候预测有提供-种可以借鉴的方法。3)网络训练过程中,宽度因子如果太小,可能导致预测能力下降,并且,输入的隐层神经元个数太多时,网络可能比较敏感,从而导致拟合效果好,泛化能力差的问题.由于本文资料长度和空间跨度都不够长.在进行浓缩和预测时效果有所下降,并且网络还需要进行优化和多种方法的集成,这样效果可能更好~些。
----参考资料。段德寅.湖南夏季雨量场的稳定性及长期预报[.气象学报。许东,吴铮.基于6.的系统分析与设计——神经网络[.西安电子科技大学出版社,2002.[4胡江林.神经网络模型用于湖北省月降水量预报的探讨[.暴雨灾害。冯利华.神经网络在气象预报中的应用[.信息与控制。李冬梅,王正欧.基于神经网络混沌时间序列预测[.模式识别与人工智能。浙江省汛期降水量场的时空分布与神经网络模型分析作者:赵利刚,作者单位:南京大学大气科学系,南京,210093刊名:科技通报英文刊名:年,卷(期。参考资料:

内容来自dedecms


(6条。李冬梅;王正欧基于神经网络混沌时间序列预测[期刊论文-模式识别与人工智能。冯利华神经网络在气象预报中的应用[期刊论文-信息与控制。胡江林神经网络模型用于湖北省月降水量预报的探讨19995.许东;吴铮基于6.的系统分析与设计--神经网络20026.段德寅湖南夏季雨量场的稳定性及长期预报[期刊论文-气象学报2000(08)。



上一篇:把电影场景搬到生活中──BioID技术的运用 下一篇:医学信息的网络检索技巧
随机推荐
热门推荐