EMD-RBF的GPS可降水量的降水预报方法综述

张朝菡 李丹彤 王默然

(1.河北联合大学，河北 唐山 063000； 2.中国地质大学(北京)，北京 100000)

EMD-RBF的GPS可降水量的降水预报方法综述

张朝菡1李丹彤2王默然1

(1.河北联合大学，河北 唐山 063000； 2.中国地质大学(北京)，北京 100000)

综述了近几年的降水预报模型，分析比较了几种模型的特点，并提出了基于经验模态分解的神经网络降水预报模型，以提高GPS可降水量的降水预报在气象业务的短期天气预报中的应用水平。

GPS可降水量，神经网络，模型，降水预报

0 引言

GPS可降水量具有与水汽辐射计、无线电探空接近的精度，可用于降水预报。目前基于统计理论的相关分析和回归方法在天气预报的使用中仍发挥着重要作用[1]，但是这些手段大部分是处理线性相关的数据，应用到具有一定非线性关系的气象因子以及天气状况(降水)时，受到了很大的限制。最近几年，有关气象方面的问题开始使用一些手段，这些手段具备处理非线性问题的能力。神经网络可以较强的逼近非线性函数，近年来，降水预测研究开始使用神经网络，并且取得了一些研究成果。经验模态分解(Empirical Mode Decomposition，EMD)方法适合于分析非线性、非平稳信号序列，该方法可对非平稳数据进行平稳化处理。本文采用经验模态分解(EMD)与径向基(RBF)神经网络相结合技术对气象要素(温度、气压、风)和GPS可降水量，进行短期降水预报，以提高气象要素和GPS可降水量的降水预报在气象业务的短期天气预报中的应用。

1 神经网络

1.1 径向基神经网络模型

RBF神经网络从结构上看属于一种多层前向神经网络，是一种性能很好的网络，它不仅具有最佳逼近性能，还具有全局逼近的功能。径向基神经网络结构输出的权值之间具有线性关系，可以保证训练方法简单快速，使全局达到最优。典型的RBF神经网络是三层结构，第一层是输入层，组成成分为信号源节点；第二层是隐含层，其个数是由所描述的问题决定的，第三层是输出层，是对输入矢量做出响应的。RBF网络的基本原理是：把径向基函数(RBF)当作隐单元的“基”，以此构成隐含层的空间。隐含层对输入模式进行变换，将低维空间的输入数据转换到髙维空间里，使低维空间内的线性不可分的情况可以在髙维空间内变为线性可分[2]。由于RBF神经网的收敛速度快，可以逼近任意的非线性函数，所以RBF网络应用较为广泛，如非线性控制、时间序列分析和图像处理等。

径向基函数的神经元的传递函数多种多样，最常见的形式是高斯函数(radbas)。神经元radbas是输入矢量p和权值w之间的距离乘以b。径向基传递函数可表示为：

radbas(n)=e-n2

(1)

阈值b用于调节径向基神经元的敏感度。从式(1)中可以看出，当n=0时，径向基函数最大的输出值是1，这意味着当减小权值向量w和输入向量p之间的距离时，径向基函数的输出就会增加。这也就是说，输入信号受径向基函数的影响产生局部响应。当输入的函数信号n靠近函数的中心范围时，隐含层的节点输出就会变大。这样就可以看出RBF网络具有很好的局部逼近的能力，故RBF网络也是局部感知场网络。

1.2 神经网络的时间序列分析

用神经网络进行时间序列预测，就是利用神经网络去逼近一个时间序列。实际应用时，用时间序列的前k个值Xn，Xn-1，Xn-2，…，Xn-k+1去预测接下来的m个值Xn+1，Xn+2,…，Xn+m，可以用下式表达：

Xn+m=F(Xn，Xn-1，Xn-2,…,Xn-k+1)

(2)

也就是对神经网络进行函数F的拟合，用它来推导需要预测的值。当m=1时，称为一步预测，也就是网络输出个数为1；当m>1时，称为多步预测，每次可预测多个预测值，预测过程中可以将已经得到的预测值作为下一次的预测输入，然后计算出预测值，可以进行迭代式的多步预测[3]。

应用RFB网络进行时间序列的预测，通过多次试验选取合适的数据序列后，还要合理的选取训练样本，如果样本的容量选取的少，那么规律不明显，学习效果就会不好；如果样本容量选取的大，那么则会给计算增加负担，计算过程冗繁。这就进行备选方案的试验，选取最合适的样本，从而达到最好的预测结果。选择应用RBF网络进行预测时，散步常数spread的选择非常重要，因为网络的输出图形与其存在较大关联，散步常数越大，该网络所包括的输出范围越大；散步常数越小，意味着径向基函数变化越快[4]。在实际例子中散步常数的选择需要从1到10都设定一次进行网络训练，这样就可以构造10个网络结构对输入样本进行学习训练，再根据训练得到的样本数与实际的目标样本之间的差值来判断，选择差值最小的网络结构所对应的散步常数是最合适的，最后再进行其他样本的预测分析。

2 经验模态分解

经验模态分解是把物理系统的实测序列分解为不多数目的本征模态函数(IntrinsicModeFunction，IMF)分量以及一个趋势项。EMD能用几个内在的本征模态函数和一个剩余分量表示序列的频率结构特征和非平稳性，总之，经验模态分解适用于非线性非平稳序列，是一种新的序列分解方法。

在大气运动中，天气是一个典型的非平稳系统，非平稳信号就是其相关函数、功率谱等随时间变化而变化的不稳定信号，时频分析方法是研究分析这类信号的有效手段。已有的时频分析方法很多，目前大都是以傅立叶变换为理论依据，但传统的傅里叶变化只是一种整体变换，在信号的提取频谱上，需要信号的整体时域信息，这就缺少了时域的定位。EMD克服了傅立叶变换的不足之处，它能较好地表征将瞬时频率定义成解析信号相位的导数时容易产生的一些所谓“悖论”，在实际应用中也已表现出了一些独特的优点[6]。在经过EMD分解后，其得到的IMF分量必须满足下面两个条件[7]：

1)某一个分量中，此分量的整个数据中极值点数必须和过零点的数相等，或者最多只能相差一点；

2)该分量上，任意部分的由极大值确定的包络线和由极小值确定的包络线的均值必须为零。

3 降水预报技术的研究进展

降水预报通常使用的方法是统计学方法，大多数情况采用回归分析方法建立统计模型，来筛选事先选定的因素并且对系数进行求解。在所选的因素之间有很强的关联性，这种关联性会影响预测效果。因为降水系统相对来说很复杂，受降水的各个物理因素之间的相互作用的影响，使其存在显著的非线性特性，只是凭借线性统计方法不易表达这些非线性特性，然而这些非线性问题可以通过神经网络来解决。

从20世纪90年代以来，人工神经网络的研究开始在国内大气科学方面进行，并且取得了明显的效果。胡江林等探索讨论了在人工神经网络模型的基础上进行暴雨预报，2000年的汛期试验验证了这种预报手段在改良数值预报模型的暴雨落区方面有很好的成效[8]。谷晓平等通过采用遗传算法使网络的初始权值得到优化，把遗传算法(GA)与前馈误差反传播(BP)算法相结合，以广东省东北部的滨江流域为试验区域，以1995年～2001年气象探空资料为基础，建立了流域面雨量预报的GA-BP神经网络模型并应用于流域面雨量预报[9]。农孟松等运用人工神经网络与主分量分析相结合的方法，对同一降水预报量的各种数值预报产品进行集成预报研究[10]。该方法构造的集成预报模型，对于独立样本的实验预报结果具有更好的预报准确性和稳定性。

农吉夫等以前期500hPa高度场、海温场为预报因子，把径向基函数(RBF)神经网络和主成分分析结合起来，并且建立了广西中部地区5月份的平均降水预报模型[11]。罗芳琼等以中国气象局的T213和日本的细网格数据资料为基础，利用粒子群——投影寻踪对众多气象物理因子降维，利用最小二乘支持向量机对其集成，对广西1951年～2002年6月的逐日降水量进行试验[12]。

以上神经网络用于降水预报多为中长期降水预报，另外神经网络还存在过拟合、样本数不足泛化能力下降、数据病态等不足，影响了神经网络技术在短时降水预报中的应用[13]。

4 EMD-RBF降水预报模型

经验模态分解方法适合于分析非线性、非平稳信号序列，该方法可将非平稳信号数据平稳化，将复杂信号分离成几个本征模态函数(IMF)，每个IMF分量包括初始信号的不同时间段的个别特征信号。经验模态分解与神经网络相结合用于GPS可降水量预测，预测时效达到2h～3h，预测精度1mm～2mm[14]。GPS可降水量具有精度高、高时间分辨率的优点，GPS可降水量变化与降水过程具有较好的对应关系[15-17]。综合气象要素、GPS可降水量，利用经验模态分解与神经网络技术进行短时降水预报研究。

5 结语

基于统计理论的相关分析和回归方法大部分是建立在线性相关方向的，在解决某些存在非线性特性的气象因素或者天气现象(降水)时，比较受局限。神经网络有较强的非线性函数逼近能力，经验模态分解可以对非线性、非平稳信号进行平稳化。本文采用经验模态分解(EMD)与径向基(RBF)神经网络相结合技术对气象要素(温度、气压、风)和GPS可降水量，进行短期降水预报，以提高气象要素和GPS可降水量的降水预报在气象业务的短期天气预报中的应用。

[1] 熊海晶.基于神经网络和小波分析的降水预报研究[D].南京：南京大学，2012．

[2] 高 隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2005.

[3] 李 楠，曾兴雯.基于EMD和神经网络的时间序列预测[J].西安邮电学院学报，2007，12(1)：51-54.

[4] 董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2005.

[5] 郑祖光，刘莉红.经验模态分解与小波分析及其应用[M]．北京：气象出版社,2010．

[6] 钟佑明，秦树人，汤宝平.Hilbert-Huang变换中的理论研究[J].振动与冲击,2002，21(4)：13-17.

[7]DengYJ,WangW,QianCC,etal.TreatmenttheBoundaryProblemintheEmpiricalModeDecompositionandtheHilbertTransform[J].ScienceBulletin,2001,46(3):257-263.

[8] 胡江林，涂松柏，冯光柳.基于人工神经网络的暴雨预报方法探讨[J].热带气象学报，2003，19(4)：248-252．

[9] 谷晓平，王长耀，袁淑杰.GA-BP神经网络模型在流域面雨量预报的应用研究[J].热带气象学报，2006，22(3)：248-252．

[10] 农孟松，黄海洪，孙崇智，等.基于主分量神经网络的降水集成预报方法研究[J].气象，2011，37(3)：352-355．

[11] 农吉夫，金 龙.基于MATLAB的主成分RBF神经网络降水预报模型[J].热带气象学报，2008，24(6)：713-717．

[12] 罗芳琼，吴建生，金 龙．基于最小二乘支持向量机集成的降水预报模型[J]．热带气象学报，2011，27(4)：577-584．

[13] 艾 艳．短期降水预报BP神经网络预报方法研究[D]．郑州：郑州大学，2004．

[14] 刘严萍，杨 晶，王 勇．经验模态分解与神经网络的GPS可降水量预测[J]．测绘科学，2013(5):1009-1011．

[15] 孙 娴，林振山．经验模态分解下中国气温变化趋势的区域特征[J]．地理学报，2007，62(11)：1132-1141．

[16] 徐桂荣，万 蓉，李武阶，等．地基GPS反演大气可降水量方法的改进[J]．暴雨灾害，2009，28(3)：203-209．

[17] 徐桂荣，陈 波，万 蓉，等．地基GPS不同水汽反演方法的误差分析[J]．暴雨灾害，2008，27(4)：346-350．

EMD-RBF GPS can review the precipitation forecast method of precipitation

ZHANG Zhao-han1LI Dan-tong2WANG Mo-ran1

(1.HebeiUnitedUniversity,Tangshan063000,China; 2.ChinaUniversityofGeo-sciences(Beijing),Beijing100000,China)

This paper overview the precipitation forecast model in recent years, analyzed and compared the characteristics of several kinds of models, and proposed the neural network precipitation forecast model based on empirical mode decomposition, in order to improve the application level of GPS precipitation forecast in short-term weather forecast of meteorological services.

GPS precipitation, neural network, model, rainfall forecast

1009-6825(2014)35-0221-02

2014-10-08

张朝菡(1988- )，女，在读硕士； 李丹彤(1990- )，女，在读硕士； 王默然(1990- )，男，在读硕士

P426.613

A