基于BP神经网络的天气雷达降水估测算法分析

论文总字数：19147字

目 录

1 绪论4

1.1引言4

1.2国内外研究现状4

2 传统天气雷达定量估测降水方法6

2.1 Z-I关系式6

2.2 Z-I关系式的校准7

2.3利用Kdp测雨公式估测降水7

3 神经网络及其在天气雷达定量估测降水中的应用8

3.1 神经网络的介绍8

3.2 BP神经网络11

3.3 神经网络在雷达估测降水中的应用13

4 资料和方法14

4.1 雷达数据定位14

4.2 资料和方法16

5 结果对比与分析18

5.1 结果对比18

5.1.1 Z-I关系式估测结果与实际降水对比18

5.1.2 Kdp测雨公式估测结果与实际降水对比19

5.1.3 BP神经网络模型估测结果与实际降水对比20

5.2 结果讨论与误差分析20

6 结论21

参考文献22

致谢24

基于BP神经网络的天气雷达估测降水算法分析

张智凯

，China

Abstract: Due to the spatial and temporal discontinuity of precipitation, the ground station can measure the rain intensity of the point very accurately, but the estimation error of the precipitation in the area will be very large, and the weather radar can be all-day-wide and the precipitation within the detection radar range. Based on C-band dual-polarization Doppler weather radar data from Nanjing University of Information Science and Technology and Taizhou ground rain gauge data, the BP neural network model was used to quantitatively estimate the precipitation, and the results of precipitation estimation using the Z-I relation and the Kdp rain measurement formula were compared as a comparison. The results of the research and analysis show that the accuracy and stability of the results obtained from the BP neural network for estimating precipitation are clearly superior to the results of the Z-I relation and the Kdp rain measurement formula, and can better reflect the rainfall conditions on the ground.

Key words：BP neural network ；Z-I relationship ；Quantitative estimation of precipitation ；Double-polarization radar

1 绪论

1.1 引言

降水与人们的工作和生活息息相关，气象部门规定，落到地面的雨、雪、冰雹、雾滴等统称为降水，降水量是指一段时间内的未经蒸发，渗透，流失的降水，在水平面上积累的深度，以毫米为单位。另外，气象部门将雨量划分为小雨、中雨、大雨和暴雨（暴雨、大暴雨、特大暴雨）几个等级。当雨量较大时部分地区会出现洪涝灾害，对交通、农业、渔业等造成严重影响，因此，对降水的观测是气象部门的主要业务，精确的定量观测降水也成为了气象学研究的热点。运用地面雨量计观测是观测降雨的传统方法，雨量计具有效率高、实用性强的特点，但不足的是，由于地表地形复杂，雨量计的分布受到制约，部分地区没办法设立雨量计站点，从而造成该地降水的缺测。另一方面，雨量计观测降雨的时间连续性差，需要人为地采集数据，然后得出一段时间的累积降雨量。此外，雨量计对于单点降雨的测量精确性很高，而由于分布的局限性和时间不连续性，对于较大区域降水的观测会产生较大的误差。

天气雷达的出现解决了雨量计对于大区域降水观测的局限性问题，雷达是一种主动遥感的仪器，具有较高的时空分辨率，天气雷达能估测出雷达测量范围内各点的雨强和某区域的雨量。另外，天气雷达能扫描多个不同仰角的数据，给估测降水提供强有力的数据支持。但是，会有一些错误的因素影响估计的准确性，如反射率因子可能会受到电磁干扰、非气象回波或距离效应的影响^[1]。天气雷达定量估测降水的方法有Z-I关系法、标准目标法、衰减法和正交偏振法^[2]等，最常用的是利用雷达反射率因子数据建立与雨强的Z-I（）关系式来计算雨量。由于雨滴谱分布随空间时间、降水类型、地域等变化反生变化，同一个Z-I关系式显然不适用于不同的区域，所以就要用优化方法来建立本地化的Z-I关系，这样可以很大程度上提升天气雷达估测降水的精度。另外，由于本论文所用的数据资料是来源于C波段双线偏振多普勒雷达，所以将会根据水平反射率因子Zh的大小选择适用于Zh在一定范围的Kdp测雨公式计算降水强度^[3]。

另一方面，人工神经网络（ANN）有比较高的自适应、自学习能力，在各领域都有广泛的应用。近年来，很多气象研究学者将ANN应用到估测降水上来，并通过模拟分析计算得到了较好的效果。

1.2 国内外研究现状

对于Z-I关系，很多学者在校准方法上做了研究，东高红等^[9]研究发现估测精度最高的是最优差值法，相关系数最高的是变分法，并且表明在雨强较小时各估测校准法都出现了高估现象。何宇翔等^[10]在研究中发现，卡尔曼滤波法比联合校准法和最优插值法的精度要低，Z-I关系法的精度最低。另外，统计样本的多少和雷达资料的选取都会影响每个校准方法的精度。陈静等^[11]建立了动态的Z-I关系，用以估测没有自动站的观测点的降水量，发现用该方法反演的误差较小，证明动态的Z-I关系在业务上有实用价值。邓雪娇等^[16]用变分法校准Z-I关系后得到估测结果发现校准后的结果精度有较大的提升，很大程度上减小了误差。王丽荣等^[17]用概率配对法计算系数a和b的值，分别建立了不同区域的Z-I关系式，后经过检验后发现概率配对法对较强和持续时间长的降水估测结果的精度较好。马慧等^[18]用新的回归系数估计法和变分法建立Z-I关系式，新的回归系数估计法降低了雨强较大站点的误差并提升了资料的可用性。国外学者在定量估测降水方面也有深入的研究，随着雷达定量测量降水理论的提出，1948年Marshell和Palmer建立了Z-I关系式，后又以Z-I关系式为基础，提出了不用的校准方法，1979年Wildon提出平均校正法，1986年Ahnert提出卡尔曼滤波法等^[8]。

双线偏振多普勒天气雷达的出现及普及也为定量估测降水做出了很大的贡献。魏庆等^[19]对双线偏振天气雷达数据的处理做出了具体的分析，并用以估测降水，发现在不同强度的降水中Kdp的值会对估测结果有很大的影响，但是用Kdp估测降水结果仍会有不错的精度，所以提高Kdp的估算结果就有了重要的意义。汪舵等^[20]基于S波段双线偏振雷达建立了最优化定量估测降水的算法，发现其估测结果比传统的Z（Zh）方法的估测结果要好很多。赵果等^[21]以X波段的双偏振雷达资料计算出相应的参数，并进行了检验，发现有多个参数组合的测雨公式估测降水会得到不错的精度。尹忠海等^[12]介绍了双线偏振雷达各参数的推导，并推导出不同雨强时适用的测雨公式。王建林^[3]在研究中对双线偏振雷达不同的测雨公式具体分析，得出在一定的反射率因子范围内选用相应的测雨公式会提高估测降水的精度并给出了选择方法。国外对于双线偏振雷达估测降水的方法已经很成熟，Chandrasekar^[22]对于偏振参量提出了CSU-ICE最优化算法。May等^[23]改进了Kdp的测雨公式。Bringi等^[24]以X波段双偏振雷达讨论的用双偏振雷达估测降水的优越性。

近年来，神经网络在各个学科领域得到了广泛的应用，神经网络发展的过程大概可划分为四个阶段：（1）十九世纪末，西班牙解剖学家Cajal创立了神经元理论。后在1943年，心理学家McCulloch和数理逻辑学家Pitts建立了神经网络和数学模型，称为MP模型^[4]。他们证明了单个神经元可以执行逻辑功能，从而开创了ANN研究的时代。1949年，心理学家Hebb提出了Hebb学习法则，并描述了神经元连接强度变化的规则。在20世纪20年代，心理学家Hodykin和数学家Huxley建立了著名的Hodylin-Huxley方程。到目前为止，这些概念为后来神经网络算法奠定了基础。（2）1958年Rosenblatt等研制出了第一个感知机，并证明了学习算法的收敛性，之后Widrow等创建了一种神经网络处理单元，并找到了学习规则。（3）1969年，Minsky和Papert出版了《感知机》一书，深度分析了神经网络，并证明了神经网络功能的有限。接下来的十几年里，神经网络的发展进入了一个低潮期，但仍有一些学者在为神经网络的进步和发展做着不懈的努力。（4）1982年，神经网络迎来了蓬勃发展阶段，美国的Hopfield用神经网络模型成功求解了旅行商问题（TSP）,1983年，Sejnowski等提出了“隐单元”的概念，之后1986年Rumelhart出版了《并行分布处理-认知微结构的探索》，宣告神经网络的研究达到了高潮。首届国际神经网络大会在1987年召开，同时成立了国际神经网络联合会。世界各国先后成立神经网络学会，随后不断涌现出很多重大成果和优秀论著。到目前为止，神经网络的研究得到了各国大力的支持，我国从1986年开始，召开了多次神经网络研讨会，1990年，中国召开了首届神经网络学术会议，开启了我国神经网络的新纪元。

神经网络具有独特的处理非线性信息的能力，而气象要素很多都是非线性变化的，所以，将神经网络应用到气象领域避免了由固定参数引起的实时性低效。

剩余内容已隐藏，请支付后下载全文，论文总字数：19147字

相关图片展示：