基于神经网络的天气发生器

朱思远，张宸豪，吴邪，耿耀君，杨龙

（西北农林科技大学信息工程学院，咸阳712100）

0 引言

天气是农业生产的主要决定因素。在许多不同的尺度上，需要天气数据来解决各种各样的问题[1]。通常，计算参考蒸发蒸腾、优化灌溉策略等问题直接使用实际观测数据进行运算，但在研究地区天气数据缺失的情况下，模型将使用天气发生器生成所需数据[2]。虽然我国已有一些关于天气发生器应用的研究，但所使用的模型需要长期的日气象数据作为输入，这使得该模型在气象数据不足或缺失的地方应用有限。

BP（Back Propagation）神经网络是一种多层前馈神经网络模型，可用于拟合任意复杂的非线性函数[3-4]。神经网络具有良好的鲁棒性、联想记忆、高容错性和信息并行处理能力，被用于多种任务的函数拟合[3]。

本文提出一种基于BP 神经网络的天气发生器模型，可以根据12 个月的月平均天气数据，模拟生成365天的逐日天气数据。河南省南阳气象站从1990 年到2004 年的实测天气数据被用于训练网络模型，使用2005 年到2009 年的数据进行模型验证。

1 基于BP神经网络的天气发生器

1.1 网络结构

本文使用的BP 神经网络结构如图1 所示，由输入层、全连接层、批量归一化层（Batch Normalization，BN）[5]和激活函数组成。

图1 网络结构

第一层输入层InputLayer，是一个全连接层，形状为（None，6，12），用于接收经过预处理的6 个不同天气变量12 个月的平均值（取值在[0.，1.]之间），预处理的详细步骤见1.3。这里的None 不取定值，可表示任意正整数。

接下来，输入层的数据会被输入到Dense 层，Dense 层是一个全连接层，形状为（None，6，128），其中128 是根据经验选择的。输出的数据经过ReLU[6]的激活，引入非线性因素。经过激活的数据会进入批量归一化层，在这里添加批量归一化层是为了：①防止过拟合；②减少对网络初始化的依赖；③解决梯度弥散[5]。

BatchNormalization 层后接一个形状为（None，6，365）的Dense 层，用于产生6 个变量365 天的逐日天气数据，Dense 层的输出经过Sigmoid 激活函数，被映射成[0.，1.]间的数据，作为网络的输出。

1.2 数据

本文所用的数据来自中国气象局，包括南阳气象站从1990 年到2010 年的逐日太阳辐射强度、最高温度、最低温度、风速、露点温度、降水量的实测数据。将1990 年到2004 年的数据用于训练模型参数，2005 年到2009 年的数据用于模型的有效性验证。

1.3 数据预处理

首先，为简化问题，将所有2 月29 日的数据剔除，从而保证每年数据的大小相同，得到20×365×6 个数据。然后，将逐日的数据按年份和月份分组，计算每年每月的天气数据的平均值，得到20×12×6 个数据。最后，将得到的月平均数据进行归一化处理，将数据映射到[0.，1.]范围内式（1）。

式中：

x：归一化前的数据

x*：经过归一化处理的数据，x*∈[0.,1.]

min：x 所有取值中的最小值

max：x 所有取值中的最大值

1.4 训练模型

网络中的参数使用的Xavier 初始化[7]，从而保证参数梯度不等于0。损失函数使用常用于回归模型的MAE Loss。使用Adam 优化器优化网络参数，其中超参数（学习率等）使用Kingma 等人[8]提供的值。batchsize 设置为15，即每次将15 年的数据送入网络中训练。

2 结果

由于风速（单位m/s）和降水量（单位mm）为非负值，所以需要将模型生成的风速和降水量剔除负值（式2）。

式中：

x：处理前的数据

x*：处理后的数据

将训练结束的模型用于生成2005 年到2009 年南阳站的逐日天气数据，模拟数据与实测数据的逐日对比见图2（生成的模拟数据长度为5×365 天，横坐标跨度较大，为便于展示，图中仅显示2006 年的情况）。可以看到，各天气变量的实测数据与模拟数据的分布大致相同，模型可以很好地刻画出真实天气数据的一些特征。

图2 模拟数据与实测数据的逐日对比

2005 年到2009 年的日照强度、最高气温、最低气温、风速、露点温度、降水量的逐日天气数据与实测数据的均方根误差RMSE，在365×5 天内，分别为6.310、5.638、5.743、0.951、7.481、9.172；平均绝对百分比误差MAPE 分别为41.9%、23.6%、7.7%、41.9%、92.9%、208.2%。

图3 实测数据与模拟数据的分散情况（左：实测数据；右：模拟数据）

为了进一步比较两组数据的分布情况，使用箱形图可视化显示实测数据与模拟数据的分散情况（图3）和模拟数据相对于实测数据的绝对误差（图4）。在图中，异常值（绿色圆圈）被定义为大于QU+1.5×IQR 或小于QL-1.5×IQR 的值。其中QU是上四分位数，QL是下四分位数，IQR 是QU和QL的差。结果显示：①除降水量外，各变量的实测数据与模拟数据的分布情况大致相同；②由于极端降水的不确定性，模型对于降水的模拟效果不是很理想。

图4 模拟数据相对于实测数据的绝对误差

下面，分析上述误差存在的原因：

（1）本文设计的神经网络模型过于简单，对于各变量内和变量间的约束条件过少；

（2）本文仅分析了南阳气象站20 年的数据，训练数据与验证数据过少；

（3）本文简单地选取回归分析常用的MAE Loss 作为损失函数，而由于极端气候的不确定性，模型对于极端气候的拟合效果不是很好。对于天气发生器的任务，可以定制相应的损失函数，进行模型训练，使之产生的数据更加接近真实分布，这方面还有待进一步研究。

3 结语

本文将神经网络应用于天气发生器，并使用南阳气象站的天气数据进行模型有效性验证，初步探索了神经网络在天气发生器方面的应用。实验结果表明，该模型可以较好地刻画出真实天气数据的一些特征，为天气发生器模型提供了一种具有参考价值的拟合方法。