英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料

用雷达反射率和气象常规数据对台风降水预报的模拟

Chih-Chiang Wei

台湾稻江科技暨管理学院数据内容设计与管理学系

摘要:在这项研究中，一个有效的实用的台风暴雨临近预报模型被用于实时预报。燕鸥模型来自一个数据驱动的自适应神经网络模糊推理系统。模型输入包括气象数据和雷达反射率数据。模型仿真过程开始由台湾中心气象局发布一个在线台风警报。然后根据中心气象局预测台风路径确定台风是否靠近责任区。当台风袭击台湾，利用天气雷达、雷达反射率因子、多普勒产品，从传感器仪器接收各种数据，包括地面降水资料、台风气候数据。实验地点为石门集水，从2000年至2010年，该地最大的10个台风事件的信息被收集。对于模型的构建，将地面降水和反射率因子在流域的输入组合作为最优输入变量。为了验证基于ANFIS的燕鸥模型的实用性，2007年袭击台湾的的台风 Krosa被模拟。模拟结果表明，所提出的方法在实时降雨预报台风期间取得了良好的绩效水平，并根据1h至6h预测视角进行了可靠的预测。

1.引言

台风这种灾害性天气系统常在夏季发生，他们的登陆使得有关的台风暴雨影响了亚洲东部的水文循环(乐和寿，2011)。台湾位于西太平洋，一个鲸鱼形状的岛屿，长轴在南北方向延伸约3度纬度，短轴在东西方向约1.5度经度（蔡，1994）。台湾地形的特点是有很多陡峭而短的斜坡，以及汹涌流动的河流（常等，1993；Hsu和魏，2007）。在台湾，台风降水预报是台风季节期间的一项重要且具有挑战性的天气预报和减灾任务。因此，对于预测台风暴雨和管理台风引起的灾害，当务之急是开发精准的降雨预报模型。

自从遥感信息在水文预报业务上被引入，利用卫星和雨量计测量的多传感器算法已经在水文气象学上被公认为最有效以及最具前景的方法步骤（Borga等，2000；陈等，2001；Chiang等人，2007；迪奥普et al.，2013；租税等，2001；基德等，2003；李和民2013；，SEO和巴赫，2002）。魏（2012）提出的定量降水预报模型在台风降水期间预测降水。QPF模型的输入包括由中心气象局提出的天气数据以及采用自动气象仪得到的台风的气候特征。这是一个简单方便的方法，然而，它的缺点是，它产生了不全面的空间表征(格丽等，2002；Grecu和anagnostou，2001)。魏和罗恩(2012)和魏(2013)尝试使用特殊的传感器/微波成像仪的微波数据, 作为QPF模型的输入。我们对台风降雨率的微波传感器数据的可用性进行了检查。然而，缺点是，卫星上的传感器仪表不能提供每小时在线的微波数据，这限制降雨预测能力。

基于地面雷达气象观测的降水估计是一个有吸引力的工具，因为它与卫星数据相比，具有优异的分辨率，并具有一定的可用性。此外，通过采用地面测量方法，雷达降水测量质量有了大幅提高(郭士纳和Heinemann，2008)。与雨量计相比，精准的时间和空间分辨率的雷达观测包括高强度的细胞分离，那也许使用雨量计不能检测到。雷达测量的优点是，由于雷达数据的高时空分辨率，可以建立大面积的降雨。天气雷达测量降水率最有吸引力的能力是基于雷达回波功率与降水强度之间的关系；这些都作为反射率因子（Z）和降雨率（R）的关系苏瓦乔( 1992 )。众多的业务预报系统包括使用静态Z和R的关系，如马歇尔-帕尔默公式，将雷达回波转换为降雨率(马歇尔和Palmer，1948 )。雷达测量已广泛应用于各种降雨模型的校准(李黎，2004；玉和程，2008)。以前的研究已经证明，雷达和基于规范的降雨估计通常是一致的，特别是当降水强度大的时候。(贝勒比等，2000；乔加科寇思，2000；Hazenberg等，2013；黄等，2012；Krajewski 和Smith，2002；Mimikou和Baltas，1996)根据这些研究，雷达反射率因子构成了一个重要的变量，可以作为定量降水预报模型的输入。

降水预报是一个极其复杂的问题。这是很难使用传统的方法在建模降雨时间序列进行模拟，因为水文过程是复杂的，而各种内在的复杂的预测所涉及的内容仍然是模糊的(吴和Chau，2013)。因此，复杂系统的行为预测是人工神经网络广泛的应用领域。由于其高度非线性，弹性，以及建筑模型需要排水行为无需任何先验知识和数据驱动学习，神经网络技术已成为在降水预报有吸引力的归纳的方法。通过使用不同的人工神经网络技术对QPF的研究已经在进行中，如多层感知器、径向基函数神经网络，支持向量回归，和模糊逻辑( asklany et al.，2011；查德威克和格里姆斯，2012；红，2008；林和吴，2009；Orlandini和morlini等，2000；。Shukla等，2011；吴等，2010)。最近，流行的自适应神经网络模糊推理系统引入了水文循环处理预测模型(常和常，2006；罗哈尼et al.，2012；Hsu等，2013；Nourani和Komasi，2013；舒，瓦尔达，2008；talebizadeh和moridnejad，2011；塔雷等人。，2013；王等人，2009)。此外，雷达反射率数据用于构建数据驱动的模型(trafalis et al.，2002)；例如，Chiang等人。(2007)利用递归神经网络和雷达反射率设计逐时降水预报。陈等(2011)提出了两种机器学习方法，即SVR和RBFNN，用来调整雷达雨量估计。

主要的想法是建立有效降雨预报台风系统模拟实时雨量预报预测业务过程模型。正如前面所讨论的，解决卫星传感器的数据不能提供每小时的微波数据的问题，在这项研究中，反射率测量雷达传感器的指示，结合地面降水资料和台风气候资料进行。此外，采用ANFIS预测技术，结合神经网络和模糊系统的构建基于ANFIS的系统模型。从10个雨量计得来的雷达测量数据是用来描述在台湾太和河的历史台风事件，用于校准和数据驱动的ANFIS模型。

本文组织如下：第2部分介绍了ANFIS算法定理。第3和4部分描述试验区，记录台风和雷达反射率因子，结果包含基于各种预测视角和统计分析。这些结果与所观察到的数据进行比较，以确定模型情况下的性能水平。第5部分提出台风降水的实时预报的发展方法和历史上是如何模拟台风。最后，第6部分给出了在发现基础上的一个结论。

2.基于自适应网络的模糊推理系统理论

神经网络和模糊系统模拟人脑的运行。ANFIS是模糊Sugeno模型放置在一个自适应系统框架，来促进学习和适应(Jang，1992；Jang，1993)。一个模糊神经系统包括神经网络和模糊系统，将底层学习和神经网络模糊控制系统和高水平的计算能力结合起来，IF-THEN规则推理了对于神经网络的模糊控制系统( Keskin等人，2006)。与其他模型相比，这样一个框架，使模型更加系统和减少对专家知识依赖。

图1：ANFIS的结构

图1显示，系统由输入、规则、标准化，结果，输出层组成。每个层的计算和传输特性的描述包含以下几点：1，输入层（第1层）这个层将一个输入投射到一组模糊集合，并估计一组隶属函数的值。在这项研究中，一组高斯函数， 采用隶属函数，可表示如下：

其中（）是隶属函数，和的前提参数，N是输入的数，和是第i层的输入。规则层（2层）

这一层是变量之间的模糊逻辑规则的前件匹配，应用T——模产品操作确定每个规则的加权值，如下：

其中p为加权值，P为规则数。该层的节点计算节点和所有节点之间的输出比，如下：

结果层（第4层） 的顺层节点的输出是标准化的层的输出和Sugeno模糊Takagi和Sugeno模型( 1983 )，产品，如下：

其中是随之而来的参数，等于1。

输出层（第5层）

该层总结了前一层的输出来计算模型输出，如下：

因此，ANFIS前馈神经网络是基于监督学习的构建。网络参数可分为前期（非线性参数：，）和随之而来的（线性参数：）参数

图2：石门水库集水区和五分山天气雷达站的地图

3.模式进展

研究地点是石门水库集水区，涵盖763.4平方千米。石门集水范围为经度从121°E到 121.5 E°，纬度从24.5°N 到25°N（图2）。五分山天气雷达站（121分山天′22Prime;E，25°04′22Prime;N）是位于台湾北部的五分山山顶，海拔在766m（扫描半径= 230千米）( 2006 )时。图2显示了10个地面气象测量仪器在流域的分布，包括Shihmen、Hsiayung、Kaoyi、Paling、yufeng、Chihduan、Kalahe、Chenhsipao、Paishih、和Shichiusan。

在这项研究中，在五分山天气雷达站使用了高分辨率空间反射率测量（图2）。雷达是一种新一代雷达，气象局的雷达，1988，多普勒使用S波段或10cm波长。全岛WSR-88D多普勒雷达网于2000年又中心气象局建成于台湾。用来提高实时洪水预警系统和减轻台风灾害。WSR-88D多普勒型气象雷达是一种监视雷达反射率、平均径向速度和谱宽为每5–10min。不同的研究人员展示了使用WSR-88D获得的良好的反射率产品 (富尔顿et al.，1998；史米斯等人，2007 )。

从2000 年至2010年，10次最大的台风事件在该流域被记录，如表1所示。降雨强度是根据中心气象局定义确定，持续的降雨强度分类如下：（1）lt;lt; 5.4mm / H 为小雨，（2）5.4–8.3mm / H 为大雨，（3）8.3–14.6mm / H 为暴雨，和（4）gt; 14.6mm / H 为倾盆大雨。因此，这10次台风可以使用这个系统进行分类。表1显示，台风“艾利”，导致了961.9mm降雨，在评估台风中排名第一。艾利台风最大小时持续降雨达到48.6mm/h，它被归类为倾盆大雨。

3.1. 源数据预处理

本节介绍的原始数据包括流域的台风气候资料{ C}，地面降水{R}，和雷达反射率因子{Z}。

1. 台风气候数据

台风气候资料气候数据集由中心气象局发布，包括台风的气候特征，收集的数据包括台风中心气压（10 2 Pa），台风中心纬度（°N），台风中心经度（°E）、台风半径（公里），台风速度（公里/小时），在台风中心最大风速（公里/小时）。

表1：在2000—2010年期间台风事件的研究

2. 地面降水资料

由Shihmen、Hsiayung、Kaoyi、Paling、yufeng、Chihduan、Kalahe、Chenhsipao、Paishih和Shichiusan等地的地面气象测量仪器得到了降水资料（图2）。原始降雨观测记录为1h间隔。由于台风的平均半径往往大于200公里，汇水面积的百分比除以受台风影响的地区比约占0.5%，表明与台风入侵的地区相比，流域相对较小，因此，平均每小时的降雨量在集水区被用来代表每小时降水量，并采用算术平均法计算平均降雨量。

3. 雷达反射率因子

从五分山天气雷达站到石门集水的水平距离大约是65km。反射率的测量显1.5公里空间分辨率，6分钟的时间分辨率，都被转换为小时降雨量。为了确定在每小时的基础上，各测点的雷达反射率因子，按照以下步骤实现：（1）对于空间的领域，一个特定的网格代表某一测量仪器在嵌套网格位置（网格大小= 1.5平方千米）由WSR-88D雷达进行选择；和（2）对于时间域的平均反射率，记录（10条记录）按照每小时计算。因此，基于小时的雷达数据在10个测量仪器可以生成。以估计在流域的平均反射率，每小时的反射率因子采用算术平均法，从10个测量仪器的数据选择计算。

3.2. 输入选择

许多技术对于势模型的输入和输出是可行的(波顿等，2005；Maier等，2010；talei and Chua，2012年)。两种主要方法通常用于选择输入，“基于模型的方法”和“模型-自由的方法。“基于模型的方法”取决于各种数据驱动模型的发展（结构选择，校准，和评价）（比如 ANFIS）以及不同输入决定哪种输入被引入。对比之下，模型自由方法并不根据数据驱动模型的变现去选择适当的输入。Maier等（2010）对于两种方法提供了额外的细节。在接下来的段落的分析描述中，为了选择适合模型输入，我们最常用的统计相关性的方法去测试势模型的输入和输出的长处和关系。这个方法可以描述为模型自由方法。

表2显示了从台风气候资料获得的平均，最小，最大的价值，以及地面降水量和雷达反射率因子。此外，潜在的输入变量的符号模型已经列出。相对于集水区，台风的地理角度和台风和集水区的距离,可以计算使用以下：

表2：台风气候的属性特征统计

在t时刻，纬度t和经度t分别为台风中心经度和纬度；经度0纬度0分别是石门集水区的中心经纬度。

为了了解属性之间的相关性（即，C 1 - C 6，R，以及表2的Z）和降雨量，三子集{C，R，Z}被进行了测试。图3a显示了气候数据之间的相关系数（r）。

(a)台风气候数据

（b）地面降水数据

（c）雷达反射数据

表3：数据模型以及数据输入

{C}（即，-）和目标R（即，在集水区的降雨率）。如图所示，和与降雨量呈负相关，而和,呈正相关。这里的呈现的相关性最强，而是最弱的相关性。图3b显示从0–16h地面降水量和滞后时间之间的相关性（即）。正如预期的那样，R值随着时间的增加下降滞后。相同的方法可以用来评估反射率因子的基础上不同的滞后时间（即，）。图3c，表现出较强的相关性（R·0.7）。在这项研究中，以前的相关性分析，选择模型输入变量。通常情况下，| R | gt; 0.7代表了很强的相关性，而| R |＜0.3

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26544]，资料为PDF文档或Word文档，PDF文档可免费转换为Word