基于BP神经网络的地基微波辐射计雷暴预报试验研究

doi:10.3969/j.issn.1673-503X.2023.05.013

摘要/Abstract

摘要：

利用上海浦东国际机场地面气象观测站2018—2019年MWP967KV型地基微波辐射计资料、民航气象地面观测数据及宝山站常规探空资料, 分析了微波辐射计探测数据的可靠性。在此基础上, 计算与雷暴发生相关的大气参数, 选取合适的参数作为预报因子, 建立了机场雷暴预报的BP(Back Propagation)人工神经网络模型, 并对模型的预报效果进行了评估。结果表明: 由MWP967KV型地基微波辐射计得到的温度、相对湿度和水汽密度与探空相应数据的平均绝对偏差分别为1.94 ℃、16.05%、0.82 g·m^-3, 均方根误差分别为1.41 ℃、20.14%、1.90 g·m^-3, 相关系数分别为0.99、0.66、0.85。建立的BPNN模型能够较好地预报雷暴的发生, 2、3、6 h预报命中率分别为93.27%、93.33%和89.47%, 漏报率分别为6.73%、6.67%和10.53%, 空报率分别为4.90%、4.78%和2.86%, 临界成功指数分别为89.99%、80.33%和81.18%。该研究在一定程度上实现了雷暴天气的智能预报, 能够应用于机场及单站雷暴天气的预报预警。

关键词: 地基微波辐射计, BP神经网络, 雷暴预报, 预警

Abstract:

Using the MWP967KV ground-based microwave radiometer data at Shanghai Pudong International Airport Ground Meteorological Observation Station from 2018 to 2019, the civil aviation surface observation data, and the conventional sounding data of Baoshan Station, we analyzed the reliability of the microwave radiometer detection data.On this basis, we calculated the atmospheric parameters related to the occurrence of thunderstorms, selected the appropriate parameters as the forecasting factors, established the BP (Back Propagation) artificial neural network model for airport thunderstorm forecast, and evaluated the forecasting effect of the model.The results show that the mean absolute deviations of temperature, relative humidity, and water vapor density obtained by the MWP967KV ground-based microwave radiometer with the corresponding sounding data are 1.94 ℃, 16.05%, and 0.82 g·m^-3, respectively, the root mean square errors are 1.41 ℃, 20.14%, 1.90 g·m^-3, respectively, and the correlation coefficients are 0.99, 0.66, and 0.85, respectively.The established BPNN model can predict the occurrence of thunderstorms accurately.The forecast accuracy rates of 2 h, 3 h, and 6 h reach 93.27%, 93.33%, and 89.47%, respectively, and the missing rates are 6.73%, 6.67% and 10.53%, respectively.The reporting rates reach 4.90%, 4.78%, and 2.86%, and the critical success indices reach 89.99%, 80.33% and 81.18%, respectively.Therefore, this study realizes the intelligent forecast of thunderstorms to some extent, and the model can be applied to the forecasting and early warning of thunderstorm weather at airports and single stations.

Key words: Ground-based microwave radiometer, Back-propagation neural network, Thunderstorm forecast, Warning

中图分类号:

P457.9

蒋维东,张荣智,陈博,张天旗,黄海玲,周林. 基于BP神经网络的地基微波辐射计雷暴预报试验研究[J]. 气象与环境学报, 2023, 39(5): 106-112.

Weidong JIANG,Rongzhi ZHANG,Bo CHEN,Tianqi ZHANG,Hailing HUANG,Lin ZHOU. Experimental study on thunderstorm forecast of ground-based microwave radiometer based on BP neural network[J]. Journal of Meteorology and Environment, 2023, 39(5): 106-112.

图/表 6

图1

表1

图2

表2

图3

表3

参考文献 26

1	俞小鼎, 周小刚, 王秀明. 雷暴与强对流临近天气预报技术进展[J]. 气象学报, 2012, 70 (3): 311- 337.
2	McNulty R P . Severe and convective weather: a central region forecasting challenge[J]. Weather and Forecasting, 1995, 10 (2): 187- 202. doi: 10.1175/1520-0434(1995)010<0187:SACWAC>2.0.CO;2
3	Doswell Ⅲ C A , Brooks H E , Maddox R A . Flash flood forecasting: an ingredients-based methodology[J]. Weather and Forecasting, 1996, 11 (4): 560- 581. doi: 10.1175/1520-0434(1996)011<0560:FFFAIB>2.0.CO;2
4	孙继松, 戴建华, 何立富, 等. 强对流天气预报的基本原理与技术方法: 中国强对流天气预报手册[M]. 北京: 气象出版社, 2014: 282.
5	俞小鼎, 郑永光. 中国当代强对流天气研究与业务进展[J]. 气象学报, 2020, 78 (3): 391- 418.
6	Zubrick S M, Riese C E. An expert system to aid in severe thunderstorm forecasting[C]//Proceedings of the 14th Conference on Severe Local Storms. Meterological Society, Boston, American, 1985: 117-122.
7	Gagne II D J , McGovern A , Brotzge J . Classification of convective areas using decision trees[J]. Journal of Atmospheric and Oceanic Technology, 2009, 26 (7): 1341- 1353. doi: 10.1175/2008JTECHA1205.1
8	Gagne II D J , McGovern A , Haupt S E , et al. Storm-based probabilistic hail forecasting with machine learning applied to convection-allowing ensembles[J]. Weather and Forecasting, 2017, 32 (5): 1819- 1840. doi: 10.1175/WAF-D-17-0010.1
9	赵旭寰, 王振会, 肖稳安, 等. 神经网络在雷暴预报中的应用初步研究[J]. 热带气象学报, 2009, 25 (3): 357- 360.
10	陈勇伟, 郑涛, 王汉堃, 等. 基于BP神经网络模型的雷电潜势预报[J]. 干旱气象, 2013, 31 (3): 595- 601.
11	Zhou K H , Zheng Y G , Li B , et al. Forecasting different types of convective weather: a deep learning approach[J]. Journal of Meteorological Research, 2019, 33 (5): 797- 809. doi: 10.1007/s13351-019-8162-6
12	Zhou K H , Zheng Y G , Dong W S , et al. A deep learning network for cloud-to-ground lightning nowcasting with multisource data[J]. Journal of Atmospheric and Oceanic Technology, 2020, 37 (5): 927- 942. doi: 10.1175/JTECH-D-19-0146.1
13	周明薇, 王道平, 罗龙友, 等. 基于闪电定位和雷达资料的邵阳地区雷电预报预警研究[J]. 气象与环境学报, 2021, 37 (3): 117- 124.
14	陈树成, 李晓波, 崔明, 等. 不同天气条件下微波辐射计和风廓线雷达探测数据误差特征分析[J]. 气象与环境学报, 2021, 37 (1): 67- 72.
15	蔡奕萍, 袁志扬, 李婵珠, 等. 微波辐射计在对流天气预报中的应用[J]. 广东气象, 2021, 43 (1): 37- 41.
16	雷连发, 陈婷, 杨柳, 等. 微波辐射计在西安一次强对流天气过程的分析应用[J]. 火控雷达技术, 2017, 46 (4): 63- 66.
17	蒋维东, 张天旗, 张荣智, 等. 浦东机场雷暴天气的统计和特征分析[J]. 民航学报, 2021, 5 (1): 16- 21.
18	朱磊, 卢建平, 雷连发, 等. 新型多通道微波辐射计及大气观测分析[J]. 火控雷达技术, 2014, 43 (1): 84- 88.
19	王秀明, 俞小鼎, 周小刚. 雷暴潜势预报中几个基本问题的讨论[J]. 气象, 2014, 40 (4): 389- 399.
20	崔丽曼, 苏爱芳, 张宇星, 等. 2016年河南省一次大范围强对流天气成因分析[J]. 气象与环境学报, 2020, 36 (2): 9- 19.
21	周康辉, 郑永光, 韩雷, 等. 机器学习在强对流监测预报中的应用进展[J]. 气象, 2021, 47 (3): 274- 289.
22	Wang H F, Li S H, Hu Y B, et al. Study on the application of back propagation artificial neural network in thunderstorm forecast[C]//19th International Congress on Modelling and Simulation. Perth, 2011: 12-16.
23	曾晓青. BP神经网络在建模中的参数优化问题研究[J]. 气象, 2013, 39 (3): 333- 339.
24	瞿建华, 鄢俊洁, 薛娟, 等. 基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究[J]. 气象与环境学报, 2019, 35 (3): 87- 93.
25	曹世腾, 杨磊, 陈宇, 等. 2017—2021年辽宁省冷涡型雷暴大风时空分布及环境参数特征[J]. 气象与环境学报, 2023, 39 (4): 65- 73.
26	刘松涛, 高梦竹, 齐铎, 等. 基于CMA-MESO模式的黑龙江省强对流天气分类预报方法研究[J]. 气象与环境学报, 2023, 39 (4): 38- 46.

预报因子变量	含义	预报因子变量	含义
CAPE	对流有效位能	IC	对流稳定度指数
K	K指数	CT	Td850-T500
MK	修正K指数	VT	T850-T500
SI	沙氏指数	TT	T850+Td850-2T500
LI	抬升指数	A	温湿指数
ZI	LI-SI	DCI	深对流指数
PWV	大气水汽总含量	MDCI	修正深对流指数
Td850	850 hPa露点温度	H0	温度廓线0 ℃对应的高度
Td700	700 hPa露点温度	H10	温度廓线-10 ℃对应的高度
T-Td850	850 hPa温度露点差	H20	温度廓线-20 ℃对应的高度
T-Td700	700 hPa温度露点差	H30	温度廓线-30 ℃对应的高度
T-Td500	500 hPa温度露点差	thick10	温度廓线-10~0 ℃的厚度
T500-T0	500 hPa高度到地面温差	thick20	温度廓线-20~0 ℃的厚度
θe850	850 hPa假相当位温	thick30	温度廓线-30~0 ℃的厚度
θe700	700 hPa假相当位温	thick-RH	高湿层(RH＞75%)厚度
θe500	500 hPa假相当位温	TTd	Td0+Td850+Td700

变量	天空状况	平均绝对偏差	均方根误差	相关系数
温度/℃	雨天	1.92	1.41	0.93
	晴天	2.22	1.53	0.91
	阴天	1.86	1.37	0.95
	全样本	1.94	1.41	0.99
相对湿度/(%)	雨天	15.48	19.90	0.69
	晴天	15.20	18.60	0.49
	阴天	16.48	20.54	0.59
	全样本	16.05	20.14	0.66
水汽密度/ (g·m^-3)	雨天	0.85	1.13	0.84
	晴天	0.67	0.90	0.71
	阴天	0.86	1.13	0.85
	全样本	0.82	1.90	0.85

预报时效	判断发生标准	漏报率	空报率	临界成功指数	命中率
2 h	≥30%	5.83%	28.03%	68.90%	94.17%
2 h	≥50%	6.73%	4.90%	88.99%	93.27%
3 h	≥30%	6.14%	26.71%	69.93%	93.86%
3 h	≥50%	6.67%	4.78%	80.33%	93.33%
6 h	≥30%	7.84%	41.98%	55.29%	92.16%
6 h	≥50%	10.53%	2.86%	87.18%	89.47%

[1]	陈辰,陈艳春,董智强,张志伟. 鲁中地区典型日光温室喜温蔬菜冷害预警指标研究[J]. 气象与环境学报, 2023, 39(2): 92-99.
[2]	周明薇,王道平,罗龙友,王少娟,郭斌. 基于闪电定位和雷达资料的邵阳地区雷电预报预警研究[J]. 气象与环境学报, 2021, 37(3): 117-124.
[3]	刘静,陈传雷,严俊,王瀛,才奎志,任川,韩梅,董巍. 2015—2019年辽宁省暴雨红色预警信号分布及其特征[J]. 气象与环境学报, 2021, 37(1): 100-105.
[4]	樊旭,黄颖,冷文楠,张北斗,张文煜,王国印. 基于径向基神经网络的地基微波辐射计反演算法研究[J]. 气象与环境学报, 2020, 36(2): 62-69.
[5]	肖光梁, 陈传雷, 龙晓慧, 陈光辉, 才奎志, 程攀, 纪永明, 李姝婷. 辽宁省短时暴雨和大暴雨时空分布与变化特征[J]. 气象与环境学报, 2019, 35(5): 46-52.
[6]	杜勤博, 吴晓燕, 郑素帆, 李玥莹, 陈欢欢, 张宇烽. 汕头市PM_2.5的气象要素影响分析及预报研究[J]. 气象与环境学报, 2019, 35(5): 70-77.
[7]	曾勇, 邹书平, 李丽丽, 曹水, 黄钰, 杨哲. 贵州中西部冰雹云中闪电特征观测研究[J]. 气象与环境学报, 2019, 35(5): 123-129.
[8]	刘博;党冰;张楠;王式功;尹岭;张晓云; 黎檀实;卢震华. 多种气象统计模型对比研究——以气象敏感性疾病脑卒中预报为例[J]. 气象与环境学报, 2018, 34(4): 126-133.
[9]	李晓岚, 刘旸, 栾健, 马雁军, 王扬锋, 张婉莹. 基于BP人工神经网络法沈阳市PM_2.5质量浓度集成预报试验[J]. 气象与环境学报, 2018, 34(2): 100-106.
[10]	王焕毅, 谭政华, 杨萌, 张翘, 蒋林杉. 三种数值模式气温预报产品的检验及误差订正方法研究[J]. 气象与环境学报, 2018, 34(1): 22-29.
[11]	张秋晨, 龚佃利, 王俊, 张洪生. 基于地基微波辐射计反演的济南地区水汽及云液态水特征[J]. 气象与环境学报, 2017, 33(5): 35-43.
[12]	刘飞, 肖鹏, 黄宁立, 方哲卿, 谢潇. 上海地区两次强对流天气过程灾害成因及预警研究[J]. 气象与环境学报, 2017, 33(2): 28-36.
[13]	孙虹雨. 草地螟迁飞、降落与东北冷涡的关系[J]. 气象与环境学报, 2014, 30(6): 85-91.
[14]	李延江, 王新龙, 居丽玲, 龚宇, 边清河, 卢宪梅. 卫星云图在海岸带大雾天气监测及预警中的应用[J]. 气象与环境学报, 2011, 27(6): 56-65.
[15]	翟菁, 周后福, 张建军, 黄勇. 基于指标叠套法的安徽省强对流天气潜势预警研究[J]. 气象与环境学报, 2011, 27(2): 1-7.