[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

说明书

基于深度神经网络的岸滨地区海雾能见度预报方法。以岸滨地区气象观测站数据建立能见度标签集，从再分析数据中获取多个预报因子数据集，将两者进行匹配建立预报因子与能见度样本集；建立深度神经网络结构，训练岸滨地区海雾能见度与诸多相关预报因子的非线性关系模型；以数值模式预报的诸多预报因子数据实现海雾能见度预报。本发明利用深度神经网络方法在解决复杂非线性问题中的优势，基于观测数据与再分析数据，充分建立了诸多预报因子与能见度之间的非线性复杂关系，并在数值模式预报基础上应用，为岸滨地区海雾能见度预报提供一种新的算法和技术，以进一步提高岸滨地区海雾能见度预报水平。

技术领域

本发明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，属于气象技术领域。

背景技术

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。

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。

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。

发明内容

本发明的目的是提供一种基于深度神经网络的岸滨地区海雾能见度预报方法，以克服现有技术的不足。

本发明通过使用深度学习方法中深度神经网络，建立岸滨地区海雾能见度与诸多相关预报因子的非线性实时关系模型，从而基于岸滨地区数值模式预报诸多预报因子实现海雾能见度预报。

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)；