發(fā)布時間：2020-11-03 13:39

　　 大氣再分析數(shù)據(jù)在應(yīng)用過程中需要根據(jù)需求將低分辨率數(shù)據(jù)插值成高分辨率數(shù)據(jù)。傳統(tǒng)方法多采用線性插值和指數(shù)插值。這些方法誤差較大,因此在二維空間序列計算中,通常采用單一尺度高斯過程回歸進(jìn)行插值;在一維時間序列計算中,通常采用循環(huán)神經(jīng)網(wǎng)絡(luò)對風(fēng)速值進(jìn)行預(yù)測。但是上述方法都建立在被插值變量組分單一且與其他變量相互獨立的假設(shè)上,這些方法都忽略了氣象數(shù)據(jù)的物理意義和物理約束。風(fēng)速信號本身是多個物理過程導(dǎo)致的結(jié)果,與溫度、氣壓、密度等氣象變量有復(fù)雜的非線性關(guān)系,因而風(fēng)速序列的插值計算需要考慮多尺度特征和多變量約束,否則可能會丟失序列中隱藏的重要信息。本文將在不同方面對風(fēng)速空間插值和時間預(yù)測方法進(jìn)行改進(jìn),以提高再分析數(shù)據(jù)應(yīng)用計算的準(zhǔn)確率。本文的主要工作和貢獻(xiàn)是以下兩個方面:(1)本文提出了一種風(fēng)速多尺度插值核函數(shù),改進(jìn)了用于風(fēng)速空間序列插值的高斯過程回歸方法。傳統(tǒng)的核函數(shù)是由一個單一尺度的風(fēng)速協(xié)方差函數(shù)和獨立高斯噪聲項組成。本文根據(jù)風(fēng)速多尺度特點,將核函數(shù)構(gòu)造為由大尺度風(fēng)速協(xié)方差函數(shù)、中小尺度風(fēng)速協(xié)方差函數(shù)、空間相關(guān)噪聲協(xié)方差函數(shù)和獨立高斯噪聲組成的組合核函數(shù)。實驗選取16°E不同高度和17°E~27°E50km高度緯向風(fēng)和經(jīng)向風(fēng)再分析數(shù)據(jù)為樣本數(shù)據(jù),以2°為間隔建模,以1°為間隔插值驗證。實驗結(jié)果表明,相對于線性插值、指數(shù)插值和單一平方指數(shù)協(xié)方差核函數(shù)插值,本文提出的風(fēng)速多尺度插值方法緯向風(fēng)和經(jīng)向風(fēng)插值均方根誤差(RMSE)更低,使用緯向風(fēng)和經(jīng)向風(fēng)分量計算的誤差遠(yuǎn)小于使用風(fēng)速向量之模和風(fēng)速向量角度計算的誤差。風(fēng)速多尺度插值方法的優(yōu)化效果隨垂直高度增加而增大。由于數(shù)據(jù)是沿著經(jīng)線選取,因此多尺度核函數(shù)經(jīng)向風(fēng)分量插值的均方根誤差比單一尺度核函數(shù)插值、線性插值的均方根誤差減小了30%以上,這表明本文提出的風(fēng)速多尺度插值核函數(shù)是有效的。(2)本文提出了一種采用風(fēng)速狀態(tài)向量進(jìn)行多變量約束短期風(fēng)速預(yù)測方法。本文將風(fēng)速時間序列元素由單一緯向風(fēng)(或經(jīng)向風(fēng))標(biāo)量改進(jìn)為緯向風(fēng)(或經(jīng)向風(fēng))與溫度、位勢高度、相對濕度組成的狀態(tài)向量,分別應(yīng)用到基于長短期記憶網(wǎng)絡(luò)(LSTM)的序列到序列(Seq2Seq)預(yù)測方法中。實驗選取115°E和130°E北半球區(qū)域的1948年-1972年再分析數(shù)據(jù)進(jìn)行訓(xùn)練,選取1973-1975年數(shù)據(jù)進(jìn)行驗證。在相同時間步長情況下,由風(fēng)速、溫度、位勢高度組合構(gòu)成的三種狀態(tài)向量明顯改善了向量整體預(yù)測結(jié)果和緯向風(fēng)分量(或經(jīng)向風(fēng)分量)預(yù)測結(jié)果。其中,由風(fēng)速u、溫度t、位勢高度h組成的3維狀態(tài)向量(u,t,h)的兩種預(yù)測均方根誤差(RMSE)都達(dá)到最低。而包含相對濕度rh的狀態(tài)向量(u,t,h,rh)不僅未改善預(yù)測結(jié)果反而使均方根誤差(RMSE)更大。上述實驗結(jié)果表明,基于長短期記憶網(wǎng)絡(luò)(LSTM)的多變量約束風(fēng)速預(yù)測方法能夠有效地優(yōu)化風(fēng)速時間序列預(yù)測結(jié)果,但是優(yōu)化程度取決于風(fēng)速狀態(tài)向量各個分量的相關(guān)程度。相關(guān)度高的變量構(gòu)成的風(fēng)速狀態(tài)向量優(yōu)化效果明顯,而不合適的狀態(tài)向量可能會讓結(jié)果變差。在中高緯度,狀態(tài)向量(u,t)、(u,h)、(u,t,h)會整體提高向量的預(yù)測準(zhǔn)確性,也會單獨提高風(fēng)速變量的預(yù)測準(zhǔn)確性。其中,狀態(tài)向量(u,t,h)在實驗區(qū)域所有范圍中(115°E~130°E 10°N~80°N)預(yù)測的準(zhǔn)確性最高,且適用范圍最廣。本文方法在西雅圖地表風(fēng)預(yù)測中的預(yù)測結(jié)果比NOAA的高空風(fēng)預(yù)報的預(yù)測結(jié)果準(zhǔn)確性更高。
【學(xué)位單位】：國防科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：P425;P413
【部分圖文】：

圖 2-3 幾種常見激活函數(shù)中（b）tanh 雙曲正切函數(shù)，（c）是 logistic sigmoid 函數(shù)：221tanh( )1xxexe (2-38)1( )1xxe (2-39)2tanh'( a ) 1 tanh( a)(2-40) '( a ) ( a )(1 ( a))(2-41)這些不同的激活函數(shù)本質(zhì)是相同的，可以經(jīng)過一些運算關(guān)系相互轉(zhuǎn)化。也是說，某個隱藏層用tanh作為激活的任意網(wǎng)絡(luò)都可以用另一個隱藏層用logisticigmoid作為激活的網(wǎng)絡(luò)表示。而區(qū)分這些激活函數(shù)的原因是，對于相同的輸入，不同的應(yīng)用場景可能需要不同的輸出，例如如果輸出的內(nèi)容是一個概率，那么活函數(shù)就需要用logistic sigmoid。tanh 和 logistic sigmoid 的一個重要特點是——非線性。在非線性分類界限劃

向傳播和只有一個隱藏層的多層感知機類似，不同之處在源于該時刻的外部輸入和前一個時刻的該隱藏層激活函數(shù)x的時間長度是T ，I 代表輸入神經(jīng)元x的個數(shù)，H 個隱藏神元。tix 表示時刻 t 時第 i 個輸入，tja 和tjb 分別是時刻 t 的第 活函數(shù)。隱藏層神經(jīng)元有1' '1 ' 1I Ht t th ih i h h hi ha w x w b ( )t th h hb a微的， 和thb 可從 t 1時刻遞推逐時次計算，通常0ib 的初絡(luò)的輸出層：1Ht kk hk hha w b 傳播
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃安;楊聯(lián)安;杜挺;張彬;宋英強;王安樂;秦進(jìn);;基于多元成土因素的土壤有機質(zhì)空間分布分析[J];干旱區(qū)地理;2015年05期

2 張升堂;張楷;;橢圓指數(shù)函數(shù)降水空間插值模型[J];南水北調(diào)與水利科技;2015年03期

3 張玉虎;劉凱利;陳秋華;胡欣欣;;區(qū)域氣象干旱特征多變量Copula分析——以阿克蘇河流域為例[J];地理科學(xué);2014年12期

4 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

5 楊成生;張勤;張雙成;趙超英;;改進(jìn)的Kriging算法用于GPS水汽插值研究[J];國土資源遙感;2013年01期

6 曾耀;李春峰;;基于RBF多變量時間序列的滑坡位移預(yù)測研究[J];長江科學(xué)院院報;2012年04期

7 管孝艷;王少麗;高占義;呂燁;王長生;;基于多變量時間序列CAR模型的地下水埋深預(yù)測[J];農(nóng)業(yè)工程學(xué)報;2011年07期

8 李權(quán);周興社;;基于KPCA的多變量時間序列數(shù)據(jù)異常檢測方法研究[J];計算機測量與控制;2011年04期

9 吳棟梁;王揚;郭創(chuàng)新;楊健;;基于改進(jìn)GMDH網(wǎng)絡(luò)的風(fēng)電場短期風(fēng)速預(yù)測[J];電力系統(tǒng)保護(hù)與控制;2011年02期

10 張宇;郭振海;張文煜;黃鶴;;中尺度模式不同分辨率下大氣多尺度特征模擬能力分析[J];大氣科學(xué);2010年03期

相關(guān)碩士學(xué)位論文 前1條

1 蘇鵬宇;考慮風(fēng)速變化模式的風(fēng)速預(yù)報方法研究[D];哈爾濱工業(yè)大學(xué);2013年

本文編號：2868650