長期天氣過程

長期天氣過程

長期天氣過程是指某種天氣及其相應的天氣系統長期發生髮展的演變過程,是天氣分析和天氣預報需考慮的重要步驟。

基本介紹

  • 中文名:長期天氣過程
  • 外文名:long term weather process
  • 描述:天氣系統長期發生髮展的演變過程
  • 屬性:氣象術語
  • 行業:氣象
含義,長期天氣過程的可預報性研究的進展,神經網路在長期天氣過程預報中的套用試驗,日、月相機率計算方法,BP神經網路的原理和方法,預報模型建立,研究結論,

含義

長期天氣過程是指:天氣或天氣系統長期發生、發展、消失及其演變的全部歷程。

長期天氣過程的可預報性研究的進展

在數值天氣預報中,大氣可預報性問題是一個重要的研究課題。有的研究是從數值預報模式探討初值場誤差在計算過程中增長的大氣可預報的時間尺度,有的是從天氣變化穩定性進行探討。不少氣象學家認為大氣的振動是由內部動力和緩慢外力之間複雜的相互作用產生的。系統內部由動力所產生的擾動的影響只能持續幾天,對長期天氣變化尺度而言,可看成為雜亂無章的噪音,稱為氣候噪音(climate noise)。當然,這種稱呼是相對而言的。從短期預報來說,這部分由動力所產生的變化是主要的預報對象,它們可以用數值模式進行預報。但對長期天氣過程來說,它又可看成為隨機噪音部分。對長期天氣過程,大氣系統受的外部動力與熱力影響是應主要考慮的。這種外力緩慢變化來自下墊面狀況變化,如土壤濕度、火山爆發、海溫、海冰及雪蓋等大氣邊界外力,也包括地球本身和外星體如地球自轉速度、太陽活動、月亮及其他行星運行軌道等外力。它們的緩慢變化對大氣長期變化有決定性的影響。這部分稱為氣候信號(elimate signal)。對上述兩部分的描述和比較是大氣長期過程可預報性研究的重要內容。
長期夭氣過程的可預報性與大氣運動的時間尺度和空間尺度有密切關係。分析南方濤動的可預報性時,曾比較過不同時間尺度可預報性的差異。同尺度天氣系統是否有不同的可預報性?對冬季500hPa環流形勢場,用EOF分析不同空間尺度的環流特徵。對應大的特徵值的特徵向量場反映大尺度的環流特徵。它所對應的時間分量是描述這種特徵的時間變化。因此,通過對不同的時間分量分析它們的信噪方差比,就可以分析不同空間尺度環流的可預報性
不同變數的相互關茶也可以作預報對象的氣象要素可預報性的估計。例如在兩個變數的情況下,利用一個變數在長期變化過程中與另一變數有密切關係,則可用此變數作另一變數的長期預報。
研究用同期500hPa高度場作我國夏季(6、7、8月)降水場預報的可預報性。如用高度場單個格點建立回歸方程作我國10個測站逐站降水預報,可預報性可用回歸方程的解釋方差來度量。結果發現方程最高的解釋方差可達0.53(安陽),最低的為0.11(西寧)。即使是最低的解釋方差亦達到顯著標堆(5%顯著水平)。這表明用50hPa高度場是可以作同期我國降水場預報的。若使用多個格點的回歸方程。試驗表明,在各個站上回歸方程的復相關係數的平方(即解釋方差)均大大地超過5%的顯著水平。6、7和8月10個站平均解釋方差分別為0.44、0.42和0.41。比較而言,6月份我國降水的可預報性較7,8月要好。可預報性較高的區域面積逐月縮小,位置從北向南移。6月,從青藏高原和黃河流域到華北有一片較大範圍的高可預報性區。7月高可預報性區範圍有所縮小,主要分布在長江流域中下游地區。到8月高可預報性區大大縮小,有由兩、三站組成的區域,主要分布在東北和長江中游。
還用類似的方法研究用同期北太平洋海溫場作我國夏季(6、7、8月)降水場的預報的可預報性。把北太平洋海區分為四個區域,分別研究不同海區的區域平均海溫作為因子對我國各地降水量的可預報性。結果發現海溫場中對我國降水有較強影響的地區並不是赤道東太平洋地區,而是中緯度東太平洋地區。

神經網路在長期天氣過程預報中的套用試驗

隨著社會經濟的發展,氣候預測顯得越來越重要,對氣候預測的要求也越來越高。如今,各級政府和社會公眾不僅需要了解月、季、年的氣溫、降水變化趨勢,有時還需要了解一個月、幾個月、一年甚至更長時間後某個時段的天氣過程。為了提高天氣預報準確率,氣象學家大力發展數值預報模式,取得較大進展,並已成功套用於10天以內的中短期天氣預報中。但由於地球表面大氣不是孤立系統,它受到陸地、海洋、冰雪、生物等圈層的影響,物理化學過程十分複雜,世界上最先進的計算機也難以作出10天以上的準確預報,對更長時效的天氣預報更顯得無能為力,以傳統數理統計為主的長期天氣預報方法的準確率也難以滿足實際需求。
一些研究表明,日、地、月3星的相對位置不僅改變著地球表面及大氣層的熱力狀況,而且影響著地球表面大氣層所受到的日、月引潮力,這對天氣過程的演變起著重要作用。由於現行的公曆農曆曆法較好地反映了日、地、月3星的相對位置,具有明顯的季節意義和氣候特點,實踐證明,可以利用某地溫度、降水等氣象要素的日、月相機率預報長期天氣過程。人工神經網路(ANN)是一種並行分散處理模式,其構建思想來源於人的大腦神經運作模擬。ANN不但具有較好的模式識別能力,而且可以克服數理統計等方法的局限性,更重要的是它具有學習能力,可隨時進行自適應性的學習、訓練,調整其內部的存儲權重參數以任意精度逼近一個非線性函式。神經網路作為一種人工智慧技術,活躍於眾多學科領域。利用日、月相機率與神經網路技術建立長期天氣過程預報模型既是一個探索性的科學問題,又是一個社會迫切需要的套用問題,開展這一研究具有十分重要的意義。本文以站點逐日降水、變溫的日、月相機率為輸入因子,採用BP網路建立長期天氣預報模型,通過對歷史樣本的擬合訓練,以及對預測效果的試驗,分析驗證該預測方法在長期天氣過程預測中的套用前景。

日、月相機率計算方法

朔、望月是我國農曆的歷月長度,月球的暗與亮、圓與虧,不但與月球繞地球旋轉的位置有關,而且與地球相對於太陽的方位有關,我們所看到的月球相貌(月相)每天都有變化,由於月球是距離地球最近的星球,根據萬有引力定律計算,月球對地球大氣引潮力比太陽對地球大氣的引潮力大1倍多。因此,月相變化實際上反映地球大氣所受到的引潮力的變化,在朔、望日,引潮力最大;在上玄、下玄日,引潮力最小。為了突出天氣過程的月相特點和季節特點,採用分旬統計月相機率的方法,即首先把歷史同期(某旬)的降水(變溫)天氣過程映射到農曆日期上,然後計算出該旬各級降水(變溫)在農曆各日的降水(變溫)機率(月相機率)。
另一方面,我國古代發明的24節氣能夠準確描述日、地的相對位置,除了日、地間的萬有引力可以引起“大氣潮汐”,太陽高度角的變化還反映出某地獲取能量的差異,從而對該地天氣產生影響。因此,按節氣統計出各級降水(變溫)機率可以得到降水(變溫)的日相機率。在統計日、月相機率時按照表1進行分級。

BP神經網路的原理和方法

人工神經網路(ANN)方法是一種並行分散處理模式,其構建思想來源於人類大腦神經運作的模擬。BP神經網路全稱為誤差反傳(errorbackpropa-gation)前向網路,是氣象預報研究中套用較為普遍的一種ANN方法。它具有非線性、準動力的特徵,較傳統的處理線性問題的數理統計方法而言,它的判別精度不受樣本的噪聲影響。此外,它還具有高度靈活可變的拓樸結構(圖1),有很強的自適應學習能力和容錯能力。因此,BP神經網路非常適用於天氣氣候的非線性統計預測建模,已廣泛地套用在天氣氣候預測中。
長期天氣過程
圖1 BP神經網路的拓樸結構
BP神經網路的基本原理是:把一系列輸入層的預報因子經過連線權重加權輸送給隱含層,隱含層各神經元匯總所有輸入後,通過一種轉移函式產生某種回響輸出,並通過下一層連線權重加權輸送給輸出層,輸出層各神經元匯總所有輸入後又產生一種回響輸出。將其輸出與期望輸出進行比較,並將二者間的誤差送回,通過調整各連線權重進行重複的訓練學習,如此循環直到模型能產生逼近實際答案的輸出結果為止。
研究採用算法較成熟、套用較廣泛的前向3層網路建模,模型包括輸入層、輸出層和中間的隱含層,在每2個相鄰層之間的節點,用連線權重係數作連線,節點函式採用一種非線性的轉移函式———Sigmoid函式

預報模型建立

以重慶市沙坪壩站逐日降水和變溫為例,首先利用長年代降水和氣溫資料(1951~1990年)統計出各級別降水(變溫)的日、月相機率;然後利用BP神經網路建立預報模型。考慮到預報模型建立的獨立性,建模的資料樣本選取1991~2000年,預報因子為各級別降水(變溫)的日、月相機率,預報對象為逐日降水(變溫)實況等級。為保證運算的收斂速度,訓練樣本量不宜過大,故採用分旬建模。由於可以事先得知未來某一天的日相月相,該模型就可以預報未來任一天的降水(變溫)情況。在建立預測模型時,輸入層節點為10,即5個等級降水(變溫)的日相和月相機率,隱含層節點為10,輸出層節點為5(各級降水和變溫對應的模型期望輸出值見表1),動量因子取0.7,學習因子取0.9。
長期天氣過程
表1 降水和變溫分級

研究結論

以日、月相降水機率為預報因子的BP神經網路預報模型對站點的降水和變溫預測效果較好,對較大降水和升(降)溫過程均有一定預報能力,特別是對跨級預報,無論是變溫預報還是降水預報,其準確率較高,可以套用於實際業務中。相對於傳統的單純運用日、月相機率預報長期天氣過程的方法,BP神經網路方法具有預報較客觀、準確率較高等特點,在長期天氣預報理論和數值預報模式尚不能用於實際業務的情況下具有較大套用前景。

相關詞條

熱門詞條

聯絡我們