匡曉迪 王兆毅 張苗茵 何恩業(yè) 鄧小花

(國(guó)家海洋環(huán)境預(yù)報(bào)中心 北京 100086)

隨著數(shù)值預(yù)報(bào)和同化技術(shù)的快速發(fā)展, 從全球到近岸的不同水平分辨率、不同動(dòng)力過(guò)程、不同預(yù)報(bào)精度的海洋數(shù)值預(yù)報(bào)模型不斷被建立, 并具備一定的精度(李冬等, 2004; 張權(quán)等, 2011; 李云等, 2011;方長(zhǎng)芳等, 2013; 魏澤勛等, 2015; 王輝, 2016)。然而,區(qū)域海洋數(shù)值預(yù)報(bào)受地形精度、物理過(guò)程描述及近岸觀測(cè)數(shù)據(jù)等因素的限制, 在近岸和淺水區(qū)預(yù)報(bào)表現(xiàn)受到制約, 對(duì)定點(diǎn)海溫預(yù)報(bào)準(zhǔn)確度不高。對(duì)于有觀測(cè)資料的站點(diǎn), 定點(diǎn)數(shù)值預(yù)報(bào)與觀測(cè)的結(jié)合大多只通過(guò)人工經(jīng)驗(yàn)判定, 往往不能同時(shí)滿足穩(wěn)定的預(yù)報(bào)表現(xiàn)和客觀計(jì)算兩方面的需求。因此對(duì)近岸海溫預(yù)報(bào)來(lái)說(shuō), 數(shù)值預(yù)報(bào)的結(jié)果不能直接作為預(yù)報(bào)產(chǎn)品進(jìn)行發(fā)布。

預(yù)報(bào)釋用技術(shù)是數(shù)值預(yù)報(bào)和預(yù)報(bào)產(chǎn)品發(fā)布之間的橋梁。該技術(shù)可以充分挖掘數(shù)值預(yù)報(bào)產(chǎn)品中的有用信息, 進(jìn)一步提高其精度, 實(shí)現(xiàn)預(yù)報(bào)產(chǎn)品的覆蓋率、客觀性和準(zhǔn)確性的同步提升, 突出預(yù)報(bào)產(chǎn)品的客觀解釋?xiě)?yīng)用特征, 使其具有優(yōu)良的服務(wù)體驗(yàn)、更好的適用性和更高的準(zhǔn)確性。這些釋用技術(shù)基本上可以歸納為兩大類(lèi): 一類(lèi)是以人的經(jīng)驗(yàn)為主的方法(嚴(yán)明良,2004; 堵盤(pán)軍等, 2013); 另一類(lèi)是客觀定量方法, 如動(dòng)力釋用方法(苗世光等, 2009; 胡波等, 2014)、統(tǒng)計(jì)釋用方法(程戴暉等, 2001; 張宏秋等, 2004; 胡春梅等, 2006; 李江萍等, 2008; 曾瑾瑜等, 2015)等。

人工神經(jīng)網(wǎng)絡(luò)方法是統(tǒng)計(jì)釋用方法中一種非線性擬合方法。該方法是人腦及其活動(dòng)的一個(gè)理論化的數(shù)學(xué)模型, 是一個(gè)大規(guī)模的非線性自適應(yīng)系統(tǒng)(蔣宗禮, 2002)。近些年, 人工神經(jīng)網(wǎng)絡(luò)在海洋預(yù)報(bào)中得到廣泛運(yùn)用, 水位(Filippo et al, 2012)、鹽度(張文孝等,2006)、海浪(齊義泉等, 2005; 王華等, 2007;Deshmukh et al, 2016)、風(fēng)暴潮(Tissot et al, 2002) 、赤潮(黃良民等, 1994; 吳京洪等, 2001; 楊建強(qiáng)等,2003; 何恩業(yè)等, 2008)、潮汐(王建華等, 2007; 歐素英等, 2008)、海冰(盧海, 2007)等預(yù)報(bào)及氣候預(yù)測(cè)(張韌等, 2000; 王業(yè)宏等, 2003; 周林等, 2009; Liu et al,2016)和垂直結(jié)構(gòu)計(jì)算(劉輝等, 2008; Chaudhari et al,2008; Zhao et al, 2015)等領(lǐng)域已有初步應(yīng)用。Vilibi?等(2016)采用自組織映射網(wǎng)絡(luò), 基于地波雷達(dá)和氣象數(shù)值預(yù)報(bào)建立了實(shí)時(shí)海流預(yù)報(bào)系統(tǒng), 通過(guò)與主流區(qū)域海洋模式 ROMS比較, 認(rèn)為神經(jīng)網(wǎng)絡(luò)方法建立的模型與基于海洋動(dòng)力方程建立的模型精度相當(dāng)甚至略?xún)?yōu), 給基于人工智能的近岸海洋要素定量預(yù)報(bào)開(kāi)辟了新的思路。對(duì)于近岸定點(diǎn)海溫的定量預(yù)報(bào), 由于近岸海洋是強(qiáng)非線性復(fù)雜系統(tǒng), 地域和基礎(chǔ)數(shù)據(jù)依賴(lài)性明顯, 使得數(shù)值預(yù)報(bào)具有較大的不確定性, 因此預(yù)報(bào)一般采用經(jīng)驗(yàn)方法或者分型統(tǒng)計(jì)方法(張宏秋等,2004), 采用神經(jīng)網(wǎng)絡(luò)方法尚無(wú)前例?；谌斯ど窠?jīng)網(wǎng)絡(luò)的誤差后傳算法(back-propagation neural network,簡(jiǎn)稱(chēng)BP)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛的一種多層前饋網(wǎng)絡(luò)的學(xué)習(xí)算法, 它可以通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能, 確定神經(jīng)元之間的耦合權(quán)值, 從而使網(wǎng)絡(luò)整體具有近似函數(shù)的功能, 非常適用于非線性系統(tǒng)的建模研究(張宏秋等, 2004)。在理論上, BP模型能高精度逼近任意復(fù)雜系統(tǒng), 可有效用于常規(guī)方法不易處理的關(guān)系辨識(shí)和復(fù)雜預(yù)測(cè), 并為建立合理、可靠和準(zhǔn)確的預(yù)報(bào)模型提供依據(jù)(Vilibi? et al, 2016)。對(duì)于確定的海洋要素, 通過(guò)不同的因子場(chǎng)得到多個(gè)典型因子,進(jìn)而通過(guò)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)典型因子場(chǎng)與海洋要素之間的非線性建模, 在海洋預(yù)報(bào)中也有成功提高預(yù)報(bào)精度的實(shí)例(齊義泉等, 2005; 何恩業(yè)等, 2008; Tisso et al, 2014; Deshmukh et al, 2016)。本文以提高數(shù)值預(yù)報(bào)的近岸精細(xì)化預(yù)報(bào)精度為目的, 將近岸臺(tái)站的定點(diǎn)表層海溫作為預(yù)報(bào)對(duì)象, 開(kāi)展基于 BP神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)釋用技術(shù)研究, 旨在解決海溫?cái)?shù)值預(yù)報(bào)產(chǎn)品在近岸、單點(diǎn)預(yù)報(bào)誤差大的問(wèn)題, 有針對(duì)性地提高數(shù)值海溫的預(yù)報(bào)精度和質(zhì)量。第一節(jié)介紹預(yù)報(bào)釋用建模使用的數(shù)值預(yù)報(bào)及觀測(cè)數(shù)據(jù), 簡(jiǎn)述了BP神經(jīng)網(wǎng)絡(luò)方法的基本結(jié)構(gòu)、算法和比測(cè)實(shí)驗(yàn)方案; 第二節(jié)基于各組調(diào)訓(xùn)實(shí)驗(yàn)的誤差分析, 研究了固定影響因子和一般影響因子的作用和權(quán)重, 分析了釋用模型對(duì)預(yù)報(bào)精度的提升效果, 開(kāi)展預(yù)報(bào)檢驗(yàn), 并與人工經(jīng)驗(yàn)預(yù)報(bào)誤差進(jìn)行了比較, 篩選出了最佳預(yù)報(bào)模型。

1 數(shù)據(jù)和方法

1.1 研究數(shù)據(jù)

1.1.1 氣象預(yù)報(bào)數(shù)據(jù) 數(shù)值氣象資料為國(guó)家海洋環(huán)境預(yù)報(bào)中心的 WRF風(fēng)場(chǎng)預(yù)報(bào)網(wǎng)格資料, 調(diào)訓(xùn)模型數(shù)據(jù)時(shí)間范圍為2014年1月1日至12月31日, 預(yù)報(bào)實(shí)驗(yàn)數(shù)據(jù)時(shí)間長(zhǎng)度為2015年1月1日至4月30日。每天 8、14、20時(shí) 3時(shí)次(北京時(shí))進(jìn)行平均, 共 365個(gè)樣本, 網(wǎng)格精度為 1/12°×1/12°, 利用雙線性插值,將數(shù)據(jù)插值到臺(tái)站所在位置。具體氣象要素選取了海面 2米比濕(Q2)、海面氣壓(SLP)、凈熱通量(SWDOWN)、海面2米氣溫(T2), 緯向10米風(fēng)速(U10)、經(jīng)向10米風(fēng)速(V10)、10米風(fēng)速大小(VEL)7個(gè)要素。1.1.2 臺(tái)站觀測(cè)數(shù)據(jù) 臺(tái)站觀測(cè)的主要觀測(cè)要素涵蓋潮汐、表層水溫、表層鹽度、海浪、風(fēng)向、風(fēng)速、氣壓、氣溫、相對(duì)濕度、能見(jiàn)度和降水量等。臺(tái)站依據(jù)《海濱觀測(cè)規(guī)范》、《地面氣象觀測(cè)規(guī)范》和《海洋自動(dòng)化觀測(cè)通用技術(shù)要求》等觀測(cè)工作執(zhí)行標(biāo)準(zhǔn), 開(kāi)展各觀測(cè)項(xiàng)目和要素的數(shù)據(jù)采集處理、傳輸, 其觀測(cè)資料能在一定程度上反映出觀測(cè)海區(qū)環(huán)境的基本特征和變化規(guī)律。本文使用舟山站的常規(guī)臺(tái)站觀測(cè)資料中的海溫和氣溫?cái)?shù)據(jù), 分別作為預(yù)報(bào)因子(調(diào)訓(xùn)和預(yù)報(bào))和檢驗(yàn)數(shù)據(jù)使用。調(diào)訓(xùn)使用的觀測(cè)資料時(shí)間長(zhǎng)度為2014年1月1日至12月31日, 預(yù)報(bào)實(shí)驗(yàn)使用的觀測(cè)資料時(shí)間長(zhǎng)度為2015年1月1日至4月30日。每天8、14、20時(shí)3個(gè)時(shí)次(北京時(shí))進(jìn)行平均, 共365個(gè)樣本, 觀測(cè)要素和具體影響要素選取了觀測(cè)氣溫(Tao)和表層海溫(Tso)。

1.1.3 海溫預(yù)報(bào)數(shù)據(jù) 數(shù)值海溫采用國(guó)家海洋環(huán)境預(yù)報(bào)中心開(kāi)發(fā)的全球業(yè)務(wù)化海洋學(xué)系統(tǒng)(Chinese Global Ocean Forecasting System, CGOFS), 調(diào)訓(xùn)模型數(shù)據(jù)時(shí)間長(zhǎng)度為2014年1月1日至12月31日, 預(yù)報(bào)實(shí)驗(yàn)數(shù)據(jù)時(shí)間長(zhǎng)度為2015年1月1日至4月30日。釋用采用每天20時(shí)(北京時(shí))的數(shù)值模擬海溫場(chǎng), 共365個(gè)樣本, 檢驗(yàn)采用每天8、14、20時(shí)3個(gè)時(shí)次(北京時(shí))進(jìn)行平均, 網(wǎng)格精度為 1°/30×1°/30, 選取離站點(diǎn)最近的模式水點(diǎn)代表臺(tái)站的海溫?cái)?shù)值模擬結(jié)果, 并計(jì)算了位置誤差。

1.1.4 經(jīng)驗(yàn)預(yù)報(bào) 采用2014年全年時(shí)效為24小時(shí)的日平均海溫經(jīng)驗(yàn)預(yù)報(bào)值的時(shí)間序列和臺(tái)站觀測(cè)海溫對(duì)比, 并采用與釋用預(yù)報(bào)相同方法進(jìn)行誤差分析,與釋用預(yù)報(bào)的結(jié)果進(jìn)行對(duì)比。

1.2 人工神經(jīng)網(wǎng)絡(luò)方法

BP網(wǎng)絡(luò)是一種非線性映射人工神經(jīng)網(wǎng)絡(luò), 具有很強(qiáng)的學(xué)習(xí)和記憶能力, 一般由一個(gè)輸入層、若干隱含層和一個(gè)輸出層組成。它是一種有導(dǎo)師的學(xué)習(xí)算法,通常是應(yīng)用最速下降法來(lái)調(diào)整各層權(quán)值, 并最終達(dá)到預(yù)先給定的誤差為止。本文采用單隱層BP網(wǎng)絡(luò)建立非線性回歸模型, 隱層神經(jīng)元采用S型對(duì)數(shù)激活函數(shù)(單極性 Sigmoid函數(shù)), 輸出層神經(jīng)元采用線性激活函數(shù), 為了有利于使網(wǎng)絡(luò)聯(lián)接權(quán)加快脫離誤差曲面的平坦區(qū), 引進(jìn)動(dòng)量項(xiàng)。

1.2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)模型

單隱層BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示, 共分3層:

第1層為變量輸入層, xj, j=1, 2, …n0為輸入變量,n0為輸入變量的個(gè)數(shù)。若設(shè)x0為第一隱層中激活函數(shù)的域值, 則輸入向量總共為 n0+1維。x0一般取為-1,將其增廣到輸入量中, 作為一個(gè)分量, 則有

第2層為隱層, 設(shè)有n1個(gè)神經(jīng)元, 則其輸出向量為g=(g0, g1, g2, …,1ng ), 其中g(shù)0為第一隱層中激活函數(shù)的域值, 一般取為-1。

第3層為輸出層, 設(shè)有m個(gè)神經(jīng)元, 網(wǎng)絡(luò)的輸出向量為y=(y0,y1,y2,…, ym) 。

圖1 單隱層BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of single-hidden-layer BP network

隱層神經(jīng)元采用 S型對(duì)數(shù)激活函數(shù)(單極性Sigmoid函數(shù)), 輸出層神經(jīng)元采用線性激活函數(shù)。S型對(duì)數(shù)激活函數(shù)表達(dá)式為:

隱層輸出向量為:

輸出層輸出向量為:

1.2.2 BP網(wǎng)絡(luò)權(quán)值的動(dòng)態(tài)學(xué)習(xí)算法 設(shè)一共有α個(gè)樣本對(duì), 第 p個(gè)樣本對(duì)(pptx, )輸入模式后輸出方差為:

α個(gè)樣本對(duì)經(jīng)正向傳播運(yùn)算后網(wǎng)絡(luò)總誤差為:

輸入層到隱層的聯(lián)接權(quán)修正量為:

設(shè)n為迭代次數(shù), 應(yīng)用梯度法可以得到網(wǎng)絡(luò)各層聯(lián)接權(quán)的迭代關(guān)系為:

為了有利于使網(wǎng)絡(luò)聯(lián)接權(quán)加快脫離誤差曲面的平坦區(qū), 引進(jìn)動(dòng)量項(xiàng)mcΔwuv, 則以上方程組變?yōu)?

上面各式中, η表示學(xué)習(xí)率, 其值通常在0.01— 1.0之間。學(xué)習(xí)率η選得太小, 會(huì)導(dǎo)致網(wǎng)絡(luò)參數(shù)(耦合權(quán)值)修改量過(guò)小, 收斂緩慢; 選得太大, 雖然可以加快學(xué)習(xí)速度, 但可能致使權(quán)值修改量在穩(wěn)定點(diǎn)附近持續(xù)振蕩, 難以收斂, mc為動(dòng)量因子, 一般取0.9左右。動(dòng)量項(xiàng)的作用在于記憶前一時(shí)刻聯(lián)接權(quán)值的變化方向(即變化量的值), 增加動(dòng)量項(xiàng), 利用其“慣性效應(yīng)”來(lái)抑制可能產(chǎn)生的振蕩, 起到平滑作用, 這樣可以采用較大的學(xué)習(xí)率η, 以提高學(xué)習(xí)速度。本文調(diào)訓(xùn)模型目標(biāo)函數(shù)誤差為0.005, 學(xué)習(xí)率0.2, 動(dòng)量因子取0.9。

1.2.3 集合樣本的構(gòu)造 由于研究使用的各數(shù)據(jù)單位不一致, 對(duì) BP建模效果存在較大影響, 在影響因子的樣本序列輸入神經(jīng)網(wǎng)絡(luò)前, 需要對(duì)集合樣本進(jìn)行去量綱化、歸一化和類(lèi)間交叉處理; 本文使用的去量綱化和歸一化計(jì)算方法為:

其中X為集合樣本, Xmin為樣本最小值, Xmax為樣本最大值, σX為樣本方差, x為去量綱化和歸一化后的集合樣本。同時(shí), 如果給定的樣本要素隨著時(shí)間有整體變化趨勢(shì), 不利于模型的泛化, 因此樣本的組織要注意將不同類(lèi)別的樣本交叉輸入, 對(duì)樣本的類(lèi)間交叉預(yù)處理, 本文采用隨機(jī)數(shù)方法對(duì)集合樣本進(jìn)行打亂。

調(diào)訓(xùn)樣本為2014年1月1日至12月31日共365個(gè)樣本, 預(yù)報(bào)樣本為2015年1月1日至4月30共120個(gè)樣本。其中由于觀測(cè)數(shù)據(jù)具有滯后性, 在構(gòu)建觀測(cè)海溫和氣溫樣本時(shí), 以第T-1日的觀測(cè)數(shù)據(jù)和第T日的數(shù)值預(yù)報(bào)構(gòu)建樣本集合。

在BP神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)束輸出結(jié)果后, 進(jìn)行反算恢復(fù)樣本量綱、量級(jí)和原有序列。

1.2.4 計(jì)算步驟 單隱層BP網(wǎng)絡(luò)反傳學(xué)習(xí)算法的實(shí)現(xiàn)分為5步:

(1) 初始化。設(shè)置網(wǎng)絡(luò)各聯(lián)接權(quán)值(包括閾值), 置所有可調(diào)參數(shù)(權(quán)和閾值)為均勻分布的較小隨機(jī)數(shù),使每個(gè)神經(jīng)元的凈輸入值較小, 以保證工作在激活函數(shù)變化較靈敏的區(qū)域。

(2) 信息正向傳遞過(guò)程的計(jì)算。輸入學(xué)習(xí)樣本對(duì)(xP, tP), 對(duì)每個(gè)輸入樣本計(jì)算各神經(jīng)元的輸出值。

(3) 誤差反向傳播。從輸出層至輸入層, 反向依次計(jì)算各神經(jīng)元的等效誤差, 然后返回步驟(2)對(duì)其他學(xué)習(xí)樣本對(duì)進(jìn)行正向傳播計(jì)算和誤差反向傳播,一直到所有α個(gè)學(xué)習(xí)樣本對(duì)都進(jìn)行類(lèi)似的運(yùn)算為止。

(4) 調(diào)整各層的聯(lián)接權(quán)值。按照權(quán)值調(diào)整公式,修改各層的聯(lián)接權(quán)值。

(5) 返回步驟(2), 根據(jù)新的聯(lián)接權(quán)值, 進(jìn)行正向計(jì)算。若對(duì)每一個(gè)學(xué)習(xí)樣本對(duì)(xP, tP),和輸出層的每一個(gè)神經(jīng)元l均滿足精度要求, 即:

1.3 研究方案

本文選用舟山站為例進(jìn)行預(yù)報(bào)因子的敏感性試驗(yàn)、調(diào)訓(xùn)和預(yù)報(bào)模型建模。首先將影響因子分為固定因子(數(shù)值和觀測(cè)海溫, 共2個(gè))和一般因子(數(shù)值氣象7個(gè)因子和觀測(cè)氣溫1個(gè)因子, 共8個(gè))兩類(lèi), 設(shè)計(jì)4組敏感性試驗(yàn): 控制實(shí)驗(yàn)組 NONE(無(wú)固定影響因子)、數(shù)值海溫組TM(數(shù)值海溫為固定影響因子)、觀測(cè)海溫組 TO(觀測(cè)海溫為固定影響因子)、數(shù)值及觀測(cè)海溫組TMTO(兩者均作為固定的影響因子)進(jìn)行模型調(diào)訓(xùn)。每組調(diào)訓(xùn)實(shí)驗(yàn)中, 將一般影響因子按 5—8個(gè)因子數(shù)進(jìn)行排列組合后, 加上各組的固定影響因子, 共設(shè)計(jì)了 93組影響因子, 按照調(diào)訓(xùn)模型的誤差(如無(wú)特別說(shuō)明, 指均方根誤差, 下同)分析進(jìn)行排序, 并比較不同實(shí)驗(yàn)組相同一般影響因子實(shí)驗(yàn)之間的誤差。

(1) 組1: 控制實(shí)驗(yàn)組NONE(93組):

實(shí)驗(yàn)數(shù)據(jù): 第T日數(shù)值氣象+第T-1日的臺(tái)站氣溫觀測(cè)

氣象變量: Q2, SLP, SWDOWN, T2, U10, V10,VEL(比濕, 海面氣壓, 凈熱通量, 氣溫, 緯向、經(jīng)向風(fēng)速, 風(fēng)速)

臺(tái)站觀測(cè): Tao(氣溫, 下同)

(2) 組2: 數(shù)值海溫組TM(93組)

實(shí)驗(yàn)數(shù)據(jù): 第T日數(shù)值氣象+第T-1日的臺(tái)站氣溫觀測(cè)+海溫?cái)?shù)值預(yù)報(bào)

氣象變量: Q2, SLP, SWDOWN, T2, U10, V10, VEL;

臺(tái)站觀測(cè): Tao;

模型數(shù)據(jù): Tm(數(shù)值海溫)

(3) 組3: 觀測(cè)海溫組TO(93組)

實(shí)驗(yàn)數(shù)據(jù): 第T日數(shù)值氣象+第T-1日的臺(tái)站氣溫觀測(cè)+第T-1日臺(tái)站海溫觀測(cè)

氣象變量: Q2, SLP, SWDOWN, T2, U10, V10, VEL;

臺(tái)站觀測(cè): Tao, Tso(觀測(cè)海溫, 下同);

(4) 組4: 數(shù)值及觀測(cè)海溫組TMTO(93組)

實(shí)驗(yàn)數(shù)據(jù): 第T日數(shù)值氣象+海溫+第T-1日的臺(tái)站氣溫+第T-1日臺(tái)站海溫觀測(cè);

氣象變量: Q2, SLP, SWDOWN, T2, U10, V10, VEL;

臺(tái)站觀測(cè): Tao, Tso;

模型數(shù)據(jù):Tm。

通過(guò)分析4種釋用方案各93組配置實(shí)驗(yàn)的誤差,計(jì)算了372個(gè)實(shí)驗(yàn)的絕對(duì)誤差、平均誤差、平均絕對(duì)誤差和均方根誤差。對(duì)4個(gè)釋用方案的相同配置實(shí)驗(yàn)進(jìn)行平行比較, 對(duì)同一釋用方案下的不同配置實(shí)驗(yàn)也進(jìn)行誤差對(duì)比, 分析數(shù)值海溫、觀測(cè)海溫在建模中的影響和作用, 比較其他影響因子的權(quán)重, 并篩選誤差較小、穩(wěn)定性較好的調(diào)訓(xùn)模型進(jìn)行24小時(shí)海溫預(yù)報(bào)實(shí)驗(yàn), 同時(shí)以釋用結(jié)果與 24小時(shí)的經(jīng)驗(yàn)預(yù)報(bào)結(jié)果的對(duì)比結(jié)果作為參考, 選定預(yù)報(bào)釋用試行方案。

2 調(diào)訓(xùn)實(shí)驗(yàn)

2.1 固定影響因子的作用

首先, 對(duì)4個(gè)釋用方案進(jìn)行整體誤差比較, 其中NONE組誤差較大且分散, 按照NONE、TM、TO、TMTO的順序, 誤差依次減小且逐步穩(wěn)定, NONE為1.1°C, 且有顯著高誤差值出現(xiàn), 有1組實(shí)驗(yàn)最大誤差高達(dá)28°C以上, 其他3個(gè)方案均無(wú)此現(xiàn)象發(fā)生; TM誤差低于NONE, 為0.9°C, 另外2組誤差接近且都低于TM; TMTO誤差略低于TO, 且整體誤差均穩(wěn)定的處在較低水平, TO誤差為0.8°C, TMTO誤差最小, 為0.7°C(表 1)。

通過(guò)誤差分布可以看出(圖 2), 數(shù)值海溫和觀測(cè)海溫分別作為固定影響因子, 使得實(shí)驗(yàn)誤差從 1.1°C分別降至 0.9°C和 0.8°C, 對(duì)降低模型誤差起到了十分重要的作用; 同時(shí), 觀測(cè)海溫作為固定影響因子,起到了穩(wěn)定模型誤差的作用, 不同配置實(shí)驗(yàn)之間誤差的差別明顯縮小。因此, 數(shù)值海溫和觀測(cè)海溫作為固定影響因子, 可以使釋用模型表現(xiàn)優(yōu)良且穩(wěn)定, 因此, TMTO方案應(yīng)作為首選的釋用方案。

圖2 釋用方案均方差分布Fig.2 Mean square error distribution of the four interpretation plans

表1 釋用方案實(shí)驗(yàn)誤差比較(單位: °C)Tab.1 Comparison in the errors among the four plans(°C)

2.2 一般影響因子權(quán)重分析

對(duì) TMTO93組配置實(shí)驗(yàn)的誤差進(jìn)行排序, 對(duì)誤差最低的10個(gè)實(shí)驗(yàn)組進(jìn)行影響因子分析, 記錄前10位的實(shí)驗(yàn)中, 對(duì)每個(gè)一般影響因子出現(xiàn)的頻次計(jì)數(shù),可以看出 8個(gè)一般影響因子在釋用模型中的地位和權(quán)重(見(jiàn)表2)?？傮w上, 海面氣溫(T2)、觀測(cè)氣溫(Tao)和海表面氣壓(SLP)的出現(xiàn)頻次較高; TMTO方案中,凈熱通量(SWDOWN)、海面風(fēng)速(VEL)和海面氣壓(SLP)權(quán)重較大。

表2 影響因子在誤差最小的前十組實(shí)驗(yàn)中出現(xiàn)頻次Tab.2 Occurency number of affectors in the best ten combinations

2.3 預(yù)報(bào)釋用與數(shù)值預(yù)報(bào)

數(shù)值預(yù)報(bào)本身存在較多的影響因素, 因此單點(diǎn)的海溫預(yù)報(bào)誤差一般不能保證, 且模式在近岸的臺(tái)站附近預(yù)報(bào)能力十分有限。如圖 3a所示, 數(shù)值預(yù)報(bào)的海溫能夠較好地表現(xiàn)海溫的季節(jié)變化, 但預(yù)報(bào)誤差較大, 均方差約為 2.2°C; 釋用模型對(duì)海溫的改善是明顯的, TM方案將預(yù)報(bào)誤差大幅減低至1.2°C, 且整體變化曲線與觀測(cè)值十分接近; TMTO方案則進(jìn)一步降低了誤差, 提升了在海溫突變時(shí)的表現(xiàn), 兩條曲線的變化趨勢(shì)和量值都十分接近, 將圖3c和a相比可以看出, 釋用技術(shù)大大改善了數(shù)值海溫的預(yù)報(bào)表現(xiàn),提升了數(shù)值預(yù)報(bào)產(chǎn)品在指定區(qū)域或站點(diǎn)的預(yù)報(bào)準(zhǔn)確性, 拓展了數(shù)值海溫產(chǎn)品的應(yīng)用前景。

2.4 預(yù)報(bào)釋用與經(jīng)驗(yàn)預(yù)報(bào)

對(duì)同一時(shí)段的經(jīng)驗(yàn)預(yù)報(bào)進(jìn)行誤差分析(圖 4, 剔除了兩次海溫異常峰值)發(fā)現(xiàn), 經(jīng)驗(yàn)預(yù)報(bào)總體誤差較小; 但如果天氣導(dǎo)致了短期內(nèi)海溫顯著變化, 經(jīng)驗(yàn)預(yù)報(bào) 1—2天的預(yù)報(bào)表現(xiàn)會(huì)較差, 經(jīng)驗(yàn)預(yù)報(bào)的總體方差約為 0.6°C, 最大誤差也可達(dá) 4°C以上。而釋用模型可以較好地體現(xiàn)海溫的突出變化(圖3c), 總體誤差約為 0.7°C, 且誤差水平比較穩(wěn)定, 很少有誤差極大值出現(xiàn), 因此經(jīng)驗(yàn)預(yù)報(bào)與數(shù)值釋用水平基本持平。

圖3 觀測(cè)、數(shù)值和釋用海溫比較Fig.3 Comparison in the results of observation, numerical modeling, and interpretation

圖4 經(jīng)驗(yàn)預(yù)報(bào)與觀測(cè)值的比較Fig.4 Comparison between empirical forecast and observation on temperature

3 預(yù)報(bào)實(shí)驗(yàn)

鑒于TMTO的93組實(shí)驗(yàn)的模型調(diào)訓(xùn)誤差都相差較小(前 10位誤差如表 3, 影響因子作為配置實(shí)驗(yàn)名稱(chēng)), 進(jìn)行預(yù)報(bào)實(shí)驗(yàn)時(shí), 對(duì)每個(gè)模型都進(jìn)行預(yù)報(bào)實(shí)驗(yàn)及誤差分析, 檢驗(yàn)?zāi)Ｐ偷念A(yù)報(bào)表現(xiàn)?；?2015年1—5月的風(fēng)場(chǎng)、數(shù)值海溫和臺(tái)站觀測(cè)數(shù)據(jù)進(jìn)行了為期五個(gè)月的釋用試預(yù)報(bào), 調(diào)訓(xùn)誤差和預(yù)報(bào)誤差比較如圖5所示。

從圖上可以看出, 各個(gè)模型的調(diào)訓(xùn)誤差相對(duì)穩(wěn)定, 預(yù)報(bào)誤差比調(diào)訓(xùn)誤差略高, 最小預(yù)報(bào)誤差為0.88°C, 雖然模型之間的調(diào)訓(xùn)誤差差別不大(表 3),但從模型的預(yù)報(bào)表現(xiàn)來(lái)看, 預(yù)報(bào)誤差水平差別較為明顯。

結(jié)合調(diào)訓(xùn)和預(yù)報(bào)實(shí)驗(yàn)結(jié)果來(lái)看, 可以選擇預(yù)報(bào)誤差最小的Q2SWDOWNT2V10Tao模型作為舟山站的海溫釋用模型, 該模型因子包含 TMTO中權(quán)重最大的短波輻射和海表氣溫, 兩者皆與海面感熱交換關(guān)系密切; 同時(shí), 模型包含權(quán)重較大的觀測(cè)氣溫和比濕,比濕能夠影響海表蒸發(fā)過(guò)程, 從而影響海面的潛熱交換; 另外, 考慮到舟山站的地理位置, 緯向風(fēng)(南風(fēng)或北風(fēng))除了影響海表失熱過(guò)程, 還可以通過(guò)平流輸運(yùn)帶來(lái)暖濕或干冷的空氣, 間接影響表層海溫,因此該影響因子的配置對(duì)舟山站的表層海溫均合理有效。

表3 TMTO組前10位模型配置及誤差(單位: °C)Tab 3 Training errors of the best 10 combinations in plan TMTO

圖5 配置實(shí)驗(yàn)的調(diào)訓(xùn)誤差(紅)和預(yù)報(bào)誤差(藍(lán))Fig.5 Training errors (red) and forecast errors (blue)

4 結(jié)論和展望

本文以海溫為突破口, 以舟山站為示范, 開(kāi)展了定點(diǎn)數(shù)值海溫預(yù)報(bào)釋用技術(shù)研究, 在數(shù)值預(yù)報(bào)和預(yù)報(bào)產(chǎn)品之間建立橋梁, 客觀地提高定點(diǎn)海溫預(yù)報(bào)精度, 形成了如下結(jié)論:

(1) 基于 BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)釋用技術(shù),可以大幅降低近岸數(shù)值預(yù)報(bào)的誤差, 且不依賴(lài)主觀經(jīng)驗(yàn);

(2) 數(shù)值海溫和觀測(cè)海溫具有降低和穩(wěn)定調(diào)訓(xùn)誤差的作用, 是近岸數(shù)值海溫預(yù)報(bào)釋用不可忽略的重要影響因子;

(3) 通過(guò)學(xué)習(xí)算法, BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)誤差略高于調(diào)訓(xùn)誤差, 但仍保持在合理水平, 與經(jīng)驗(yàn)預(yù)報(bào)的預(yù)報(bào)能力持平;

(4) 舟山站表層海溫釋用的影響因子應(yīng)包含短波輻射通量、氣溫、比濕和緯向風(fēng), 通過(guò)這些因子建立的釋用模型的預(yù)報(bào)誤差約為0.88°C。

通過(guò)本文的研究可以看出, 基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)釋用技術(shù)確實(shí)可以充分挖掘數(shù)值系統(tǒng)和觀測(cè)網(wǎng)絡(luò)中的重要信息, 同步提高預(yù)報(bào)產(chǎn)品的客觀性和準(zhǔn)確性, 突出預(yù)報(bào)產(chǎn)品的客觀解釋?xiě)?yīng)用特征, 提供具有優(yōu)良服務(wù)體驗(yàn)、更好適用性和更高準(zhǔn)確性的定點(diǎn)海溫預(yù)報(bào)產(chǎn)品, 具有十分廣闊的拓展空間和應(yīng)用前景;同時(shí), 結(jié)合海洋基本原理和物理背景的預(yù)報(bào)因子的優(yōu)選和模型調(diào)訓(xùn), 以及單點(diǎn)預(yù)報(bào)模型在區(qū)域預(yù)報(bào)產(chǎn)品中的適用性等, 仍將是這一工作繼續(xù)深化提升的難點(diǎn)和重點(diǎn)。

王 華, 姚圣康, 珣龔茂等, 2007. 東海區(qū)域?yàn)?zāi)害性海浪長(zhǎng)期預(yù)測(cè)方法研究. 海洋通報(bào), 26(5): 35—42

王業(yè)宏, 金 龍, 2003. 基于自然正交展開(kāi)的神經(jīng)網(wǎng)絡(luò)長(zhǎng)期預(yù)報(bào)模型. 自然災(zāi)害學(xué)報(bào), 12(2): 127—132

王建華, 于紅兵, 宋運(yùn)法等, 2007. 人工神經(jīng)網(wǎng)絡(luò)在潮汐數(shù)值預(yù)報(bào)中的應(yīng)用. 海洋預(yù)報(bào), 24(2): 47—51

王 輝, 2016. 全球海洋環(huán)境數(shù)值預(yù)報(bào)關(guān)鍵技術(shù)系統(tǒng)集成研究及應(yīng)用. 中國(guó)科技成果, 17(3): 18—19

方長(zhǎng)芳, 張 翔, 尹建平等, 2013. 21世紀(jì)初海洋預(yù)報(bào)系統(tǒng)發(fā)展現(xiàn)狀和趨勢(shì). 海洋預(yù)報(bào), 30(4): 93—102

盧 海, 2007. 基于人工神經(jīng)網(wǎng)絡(luò)的冰情預(yù)測(cè)研究. 天津: 天津大學(xué)碩士學(xué)位論文

劉 輝, 王 靜, 2008. 人工神經(jīng)網(wǎng)絡(luò)方法估算海洋上混合層深度的初步研究. 熱帶海洋學(xué)報(bào), 27(3): 9—13

齊義泉, 張志旭, 李志偉等, 2005. 人工神經(jīng)網(wǎng)絡(luò)在海浪數(shù)值預(yù)報(bào)中的應(yīng)用. 水科學(xué)進(jìn)展, 16(1): 32—35

嚴(yán)明良, 2004. 數(shù)值產(chǎn)品釋用方法在預(yù)報(bào)業(yè)務(wù)系統(tǒng)中的應(yīng)用.推進(jìn)氣象科技創(chuàng)新加快氣象事業(yè)發(fā)展——中國(guó)氣象學(xué)2004年年會(huì)討論文集. 北京: 中國(guó)氣象協(xié)會(huì)

李 云, 萬(wàn)莉穎, 劉欽政, 2011. 衛(wèi)星高度計(jì)資料在三維海溫和鹽度數(shù)值預(yù)報(bào)中的應(yīng)用. 海洋學(xué)報(bào), 33(6): 64—72

李 冬, 劉克修, 韓桂軍, 2004. 變分伴隨數(shù)據(jù)同化方法在斷面海溫?cái)?shù)值計(jì)算中的應(yīng)用研究. 海洋通報(bào), 23(4): 1—8

李江萍, 王式功, 2008. 統(tǒng)計(jì)降尺度法在數(shù)值預(yù)報(bào)產(chǎn)品釋用中的應(yīng)用. 氣象, 34(6): 41—45

楊建強(qiáng), 羅先香, 丁德文等, 2003. 赤潮預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)方法初步研究. 海洋科學(xué)進(jìn)展, 21(3): 318—324

吳京洪, 楊秀環(huán), 唐寶英等, 2001. 大亞灣澳頭增養(yǎng)殖區(qū)赤潮與環(huán)境的關(guān)系研究 I. 浮游植物總生物量與環(huán)境因子的關(guān)系. 中山大學(xué)學(xué)報(bào)(自然科學(xué)版), 40(3): 37—40

何恩業(yè), 李 海, 任湘湘等, 2008. BP人工神經(jīng)網(wǎng)絡(luò)在渤海灣葉綠素預(yù)測(cè)中的應(yīng)用. 海洋預(yù)報(bào), 25(2): 1—10

張 權(quán), 王 燕, 王關(guān)鎖等, 2011. 高分辨率浪-潮-流耦合數(shù)值預(yù)報(bào)系統(tǒng)的業(yè)務(wù)化運(yùn)行與檢驗(yàn)分析. 海洋科學(xué)進(jìn)展,29(2): 129—136

張 韌, 蔣國(guó)榮, 2000. 赤道東太平洋海溫及El Nino/La Nina的反演及預(yù)測(cè). 解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 1(5):7—12

張文孝, 高國(guó)棟, 慕光宇等, 2006. 基于BP神經(jīng)網(wǎng)絡(luò)的海水鹽度建模研究. 海洋技術(shù), 25(4):39—41

張宏秋, 汪麗新, 張繼贏, 2004. 夏季溫度預(yù)報(bào)綜合統(tǒng)計(jì)釋用技術(shù). 遼寧氣象, (3): 18—19

苗世光, 孫桂平, 馬 艷等, 2009. 青島奧帆賽高分辨率數(shù)值模式系統(tǒng)研制與應(yīng)用. 應(yīng)用氣象學(xué)報(bào), 20(3): 370—379

歐素英, 楊清書(shū), 2008. 人工神經(jīng)網(wǎng)絡(luò)模型在航道、港口潮水位預(yù)報(bào)中的應(yīng)用. 水利水運(yùn)工程學(xué)報(bào), (2): 67—70

周 林, 楊成蔭, 王漢杰等, 2009. 基于 CCA-BP-BPNN釋用模型的太平洋 SST預(yù)報(bào). 解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 10(4): 391—396

胡 波, 杜惠良, 郝世峰等, 2014. 一種統(tǒng)計(jì)技術(shù)結(jié)合動(dòng)力釋用的沿海海霧預(yù)報(bào)方法. 海洋預(yù)報(bào), 31(5): 82—86

胡春梅, 余 暉, 陳佩燕, 2006. 西北太平洋熱帶氣旋強(qiáng)度統(tǒng)計(jì)釋用預(yù)報(bào)方法研究. 氣象, 32(8): 64—69

堵盤(pán)軍, 王麗琳, 管琴樂(lè)等, 2013. 人機(jī)交互式臺(tái)風(fēng)浪業(yè)務(wù)預(yù)報(bào)系統(tǒng)的研制及應(yīng)用. 中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版),43(10): 16—24

黃良民, 錢(qián)宏林, 李錦蓉, 1994. 大鵬灣赤潮多發(fā)區(qū)的葉綠素α分布與環(huán)境關(guān)系初探. 海洋與湖沼, 25(2): 197—205

蔣宗禮, 2002. 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論. 北京: 高等教育出版社, 10—13

程戴暉, 楊美川, 2001. 上海浦西地區(qū)霧持續(xù)時(shí)間的統(tǒng)計(jì)釋用預(yù)報(bào). 氣象, 27(7): 16—19

曾瑾瑜, 劉愛(ài)鳴, 高 珊等, 2015. 福建省沿海冬半年?yáng)|北大風(fēng)的數(shù)值預(yù)報(bào)釋用方法研究. 海洋預(yù)報(bào), 32(5): 61—68

魏澤勛, 徐騰飛, 王永剛等, 2015. 南海及周邊海域風(fēng)浪流耦合同化精細(xì)化數(shù)值預(yù)報(bào)與信息服務(wù)系統(tǒng)簡(jiǎn)介. 海洋技術(shù)學(xué)報(bào), 34(3): 86—90

Chaudhari S, Balasubramanian R, Gangopadhyay A, 2008.Upwelling detection in avhrr sea surface temperature (SST)images using neural-network framework. In: IEEE International Geoscience and Remote Sensing Symposium,2008. Boston, MA, USA: IEEE, IV-926—IV-929

Deshmukh A N, Deo M C, Bhaskaran P K et al, 2016.Neural-network-based data assimilation to improve numerical ocean wave forecast. IEEE Journal of Oceanic Engineering, http://dx.doi.org/10.1109/JOE.2016.2521222 Filippo A, Torres A R Jr, Kjerfve B et al, 2012. Application of artificial neural network (ANN) to improve forecasting of sea level. Ocean & Coastal Management, 55: 101—110

Liu S Y, Xu L Q, Li D L, 2016. Multi-scale prediction of water temperature using empirical mode decomposition with back-propagation neural networks. Computers & Electrical Engineering, 49: 1—8

Tissot P E, Cox D T, Michaud P, 2002. Neural network forecasting of storm surges along the gulf of Mexico. In:Edge B L, Hemsley J M eds. Ocean Wave Measurement and Analysis. San Francisco, California, United States: ASCE,1535—1544

Vilibi? I, ?epi? J, Mihanovi? H et al, 2016. Self-organizing maps-based ocean currents forecasting system. Scientific Reports, 6: 22924

Zhao N, Han Z, 2015. A Simulation model of seawater vertical temperature by using back-propagation neural network.Polish Maritime Research, 22(S1): 82—88