论文部分内容阅读
本论文中，利用合肥的中国新一代S波段雷达资料和覆盖区域内的雨量计资料，引入径向基函数网络(RBF)、广义回归网络(GRNN)、小波BP网络(BPNN)三种人工神经网络(ANN)应用于雷达定量降水估测，与传统Z-R关系法进行了对比；在TREC的基础上，结合ANN和支持向量机(SVM)，对雷达反射率因子进行一小时的临近预报研究，并与交叉相关法(TREC)外推预报的结果进行了比较。研究所用资料是利用雷达的原始体扫资料经过补漏测方位处理、水平方向双线性插值、垂直方向线性插值后得到的直角坐标下的等高度上雷达回波CAPPI资料。使用相关系数CC、均方根误差RMSE、平均相对误差Wabs，平均偏差Bias和平均相对均方根差σ五个评价参数来综合比较人工神经网络和Z-R关系的定量测量降水的效果；使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这六个指标检验人工神经网络、支持向量机和TREC的预报效果。下面是本论文的主要研究结果和结论：（1）基于人工神经网络解决非线性问题的能力，建立雷达反射率因子-降雨强度的人工神经网络模型结构性能较好，推广能力较强，能够从时空变率复杂的反射率因子-降雨强度序列中找出一定的演变规律，在相似的降雨过程能够对降雨进行较高精度的估测。（2）相比于Z-R关系，人工神经网络每小时估测降水量与实测值较为吻合，即使降水强度较大时(>20mm/h),估测值与实测值的误差也相对较小。而Z-R关系对于强降水中心强度（>45mm/h）会出现明显的高估,对于降水强度介于5-45mm/h时，Z-R关系会出现明显的低估。（3）神经网络的性能受其结构和参数设置的影响较大。当结构选的不理想或者参数设置不合理时，网络的性能较差。（4）使用RBF、GRNN、小波BP网络以及支持向量机可以预报雷达反射率因子回波的时空分布。（5）在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响。以小阈值使用多个个例平均的命中率、虚警率、漏报率和临界预报成功指数并结合相关系数和均方根误差评价SVM和TREC的预报效果表明：当预报时间较短时(约小于30min)，TREC的预报效果较好而当预报时间较长时(约大于30min)，SVM的预报效果较好。（6）与TREC相比，支持向量机(SVM)比TREC总体上能更好地预报未来1小时以内强对流性天气的发展变化情况