[发明专利]基于深度神经网络的岸滨地区海雾能见度预报方法

权利要求书

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-T₈₅₀|+ W₁₀ ，

其中T_s为地表温度(K)，T_d为地表以上2m露点温度(K)，T₈₅₀为850hPa等压面上的温度(K)，W₁₀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度等级之间的误差，实现能见度预报DNN模型的效果评估，并与反向传播配合以使误差不断减小；

更新网络参数的反向传播，即依据损失反向更新每层关系权重，使得权重更新后的损失比原损失小；

经过上述深度神经网络的不断自主反馈学习与多次调整权重，训练出一个能见度预报DNN模型；

通过DNN模型的学习率、隐藏层层数、每个隐藏层上神经元个数这些参数的调整，从而训练出多个表现不一的能见度预报DNN模型；依据测试集在多个DNN模型中的准确率、损失指标的优劣，从中筛选出表现最为优益的DNN模型，作为最终所用该岸滨区域海雾能见度预报DNN模型；

所述3）预报海雾能见度，包括以下步骤：

步骤3.1：采用现有的需要进行预报的岸滨区域内未来某时次的数值模式预报，对该数值模式预报中每格点提取步骤1.2所列多个相关气象要素，计算并获取当前格点多个预报因子数据，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3.2：以上述每个格点多个预报因子数据集，作为能见度预报DNN模型的输入，运行能见度预报DNN模型；模型输出即为当前时次该岸滨区域海雾能见度等级预报。