模式识别在气象探测和信息处理中的应用

王　华　杨乾鹏/林芝市气象局

模式识别在气象探测和信息处理中的应用

王华杨乾鹏/林芝市气象局

随着模式识别和气象探测技术的发展，模式识别在气象探测和气象信息数据处理中应用较为广泛。本文主要总结了在气象领域内应用的一些方法，包括在基于聚类算法的雷电数据应用、神经网络系统在暴雨预报中的应用以及基于多普勒天气雷达探测资料中低空急流、龙卷、下击暴流和阵风锋四种天气现象的分类识别。

模式识别；气象探测；聚类；神经网络

模式识别是20世纪60年代初迅速发展起来的一门科学，经过几十年的研究，取的了丰硕的成果，已经形成了一个比较完善的理论体系，主要包括统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别和分类器融合等研究内容。模式识别系统由信息获取、预处理、特征提取和选择、分类判决等4个部分组成。模式识别主要是应用在其它学科，尤其是在一些文本分类、语音识别、图像识别、视频识别，在本文主要是介绍模式识别在气象探测和气象信息处理中的应用，从而提高天气的预报预测能力和气象资料的分析处理能力。

一、基于聚类算法的雷电数据的应用

（一）研究雷电的背景和意义

本文分析了一种新的雷电数据应用方法。在这个方法中将会运用一种聚类算法——K-MEANS算法。气象观测活动中获得的雷电数据通过该方法进行聚类分析，得出理想的雷暴体聚类中心，这些聚类中心是最佳的雷暴体参数信息的反应。通过对这一聚类结果的研究与分析，可以掌握雷暴活动中雷暴单体的生命演变过程，并可以预测雷暴的发展动向。

（二）雷电数据应用的现状

雷电与灾害性天气（如龙卷、冰雹、超级单体和大风）的关系非常密切，这方面已经有许多研究。观测数据表明，云地闪的总数、闪电总数以及这些因素的综合指数与灾害性天气有最直接的关系。天气预报人员可以使用云地闪电数据进行大范围天气监测和对流天气短时预报。因为闪电演变特征能较好地指示对流的存在、产生、移动、消散、结构、范围、强度和再发展等重要信息。雷电资料对雷达低仰角探测被地物遮挡的地区和国家边界周围以及沿海地区的作用尤为突出。对于因山地和大面积水域产生的局地强对流天气，雷电数据对其演变的监测和识别也具有重要意义。研究表明，一定情形下的云地闪与洪水、冰雹、暴雨、龙卷以及微暴流是密切关联的。但这种关联需要对不同的地区和不同的季节分别进行研究分析。这一课题的广泛研究必须建立在对雷电网络数据进一步分析的基础上。

雷电探测网可以24小时连续监测闪电的活动，跟其它探测设备相比，雷电探测系统还具有以下特点：

（1）雷电数据能够有效地在大面积的雨区内区分出发展中的对流云。

（2）当卫星云图、气象雷达或其它气象资料缺乏时，雷电数据可作补充。

（3）实时的闪电数据可在数秒内报告雷暴的监测结果，这是雷达和卫星所不能企及的。

（4）雷电数据可以瞬间刷新，以帮助识别强对流天气的区域和发展趋势。

2.3K-均值法聚类和实现处理的大概步骤

1967年，MacQueen首次提出了K均值聚类算法（K-means算法）。迄今为止，很多聚类任务都选择该经典算法。该算法的核心思想是找出K个聚类中心 ，使得每一个数据点和与其最近的聚类中心的平方距离和被最小化（该平方距离和被称为偏差 D）。

K均值（K-means）聚类算法（对n个样本进行聚类）

（1）［初始化］：随机指定K个聚类中心（）；

（2）［分配］：对每一个样本，找到离它最近的聚类中心，并将其分配到所标明类；

（3）［修正］：将每一个移动到其标明的类的中心；

（4）［计算偏差］： ； （2-1）

（5）［D判断收敛］：如果D值收敛，则return（）并终止本算法；否则，返回步骤（2）。

K-means 算法的优点与不足。优点：能对大型数据集进行高效分类，其计算复杂性为 O（tKmn），其中，t为迭代次数，K为聚类数，m为特征属性数，n为待分类的对象数，通常，K，m，t＜＜n。在对大型数据集聚类时，K-means 算法比层次聚类算法快得多。不足：通常会在获得一个局部最优值时终止；仅适合对数值型数据聚类；只适用于聚类结果为凸形（即类簇为凸形）的数据集［3］。以经典K-means算法为基础，研究者们提出了很多新的改进的K-means 算法。

实现的大概步骤：

输入：聚类个数k，包含n个数据对象的数据集。

输出：k个聚类。

（1）从n个数据中任意选择k个数据作为初始的聚类中心。

（2）计算每个数据点到聚类中心的距离，把数据点归类到最近的聚类中心的簇。

（3）所有数据点分配完成后，再计算其聚类新的中心。

（4）将新的中心和前一次的聚类中心作比较，如果有变化则转到步骤2，否则，转到步骤5。

（5）输出聚类结果。

二、神经网络系统在暴雨预报中的应用

（一）研究暴雨的背景和意义

暴雨是我国夏季常见的一种影响严重的灾害性天气。某一地区连降暴雨或出现大暴雨、特大暴雨，常导致山洪爆发，水库垮坝，江河横溢，房屋被冲塌，农田被淹没，交通和电讯中断，会给国民经济和人民的生命财产带来严重危害。暴雨尤其是大范围持续性暴雨和集中的特大暴雨，不仅影响工农业生产，而且可能危害人民的生命，造成严重的经济损失。暴雨的研究和预报，对提高防灾减灾能力有着重大的意义。

（二）神经网络技术在暴雨中的应用

神经元网络原理模拟人脑的学习、记忆、思维、推理机能，主要是利用其网络模拟预报员从大尺度环境场中捕捉暴雨信息的能力。神经网络专家系统与传统规则型专家系统亦不相同，传统型专家系统的规则基于预报员长期的工作经验，规则之间要满足严格的合谐性和完备性条件才能保证推理的正确性，而这两点实际是很难达到的。神经元网络专家系统利用人工神经元来模拟大脑的记忆和思维能力，用网络权系矩阵隐式地表示知识，通过隐单元和节点作用函数实现非线性。通过训练获取知识，利用网络对初值的响应实现推理功能。

大概步骤：依据在一段时间内暴雨的资料，将分布在一定区域的暴雨资料按照经纬度网格化，组成神经元网络待选的感应神经元输入神经元。利用具有一层隐结点的BP网络，设定隐单元的数目为输入神经元数据量的一半，目的是使网络具有良好的性能，通过BP网络建立模式资料与发生暴雨发生所在地的站点降水资料的映射关系，通过网络的学习功能，确定网络权系矩阵，由此对大到暴雨以上的降水进行预报。

三、总结

本文简单的从基于聚类算法的雷电数据应用；神经网络系统在暴雨预报中的应用；上述方法参考了大量前辈的资料，这里只是一些总结及设想，有一些简单的尝试，还没有大范围的应用。目前模式识别技术在气象领域的应用较为广泛，随着模式识别技术的快速发展，将模式识别技术应用到其中将会推动气象技术的更加快速发展，会更充分利用好气象资料，提高识别精度和处理效率。

［1］李弼成，邵美珍，等.模式识别原理与应用.西安：西安电子科技大学出版社， 2008

［2］王耀生.人工智能、模式识别在气象领域应用的现状与展望.北京：气象，1987

［3］孙吉贵，刘杰，赵连宇.聚类算法研究.2008 Journal of Software， Vol.19， No.1，