基于神经网络集合预报的台风路径预报优化要素探索

吴忱

中国卫星海上测控部 江苏江阴 214431

摘要：台风作为一种比较常见的气象灾害，我国每年大约有20个台风，由此会对我国人民群众的生命财产安全造成直接或间接的影响。台风本身破坏力巨大，为了有效的控制台风所产生的危害，就需要强化研究台风路径预报。近年来，基于不断发展与进步的气象学、计算机软硬件，促使台风路径预报研究日益成熟，且极大的提高了预报精度。

关键词：神经网络集合预报；台风路径预报；优化要素

基于神经网络集合预报的台风路径预报优化模型在的一定程度上有效避免预报精度低、预报时次高耦合等问题，能够提供一种新的思路来结合现有台风数值预报方法、人工智能技术^[1]。

1混合模式集合预报下的台风路径神经网络预测模型

1.1台风混合模式集合预报思想

动力随机预测技术发展到最新时期的一种重要产物就在于集合预报，其多会应用到纬度天气预报系统中，当前其体量较之前相比发生的了显著变化，并进一步向季节、气候预测进行扩展。短期结合预报，是当前应用的一个热点，主要涉及研究热带气旋预报，由于其预测时间短，因此相比较于中期预测更加复杂，再加上极易受到初始性扰动场的影响，因此必须选择一种科学的方法，其中方法的离散速度、初始数组的离散次数至关重要。对于预测空间规模而言，实际会应用全球大气模型来预测大规模气象环境，且中尺度预报领域也开始应用集合预报法，结果可知这一方法优势明显，特别是在预测极端气象现象时。

1.2基于BP算法的神经网络模型

神经网络作为一种重要的网络类型，自身所具有的自我调节能力、适应能力都比较强，能够依赖神经单元进行逐级互联，通过模拟动物可以对外界变化情况进行真实的反映、传递。随着这一方面研究的日益深入，促使其逐渐成为一门前沿学科，极具多元化与交叉性。基于神经网络、机器学习的神经网络模型，在大数据环境中本身存在一定预测能力。在训练效果方面，尽管多层网络明显优于单层感知机但是信息学习算法更加复杂。当前，最具代表性的一种神经网络学习算法就在于误差反向传播（BP）算法^[2]。

1.3台风路径集合预报倾向优化模型

一般情况下，会应用批归一化方法、Dropout技术来对台风路径集合预报倾向优化模型（TEPT）开展有效的训练。该模型根据不同站点集合预报结果数据所集中的历史预报，对各个站点的预报好坏情况进行了充分考虑，并将倾向度θ设置下来，其中0＜θ＜1。关于网络训练输出在一定程度上并不能直接推算出台风路径的经纬度，一般只能简单的推算出各个站点的倾向度，还可以对各个站点的预报精度进行表征。

1.4评价指标

所谓路径误差即两点之间的距离，在明确两个点经纬度的情况下，对二者之间的距离进行准确计算。假设地球为一个标准的球体，其半径为地球的平均半径R，基准为0度经线，在忽略因为地形所造成的误差的情况下，可以更为准确地计算两点之间的地表距离^[3]。

2实例验证与结果分析

2.1研究区概括

研究区域为西北太平洋、南海，可将这两个区域的活动台风基本覆盖，代表性良好。在受到西太平洋副热带高压、东风气流、季风槽的干扰下，导致这一区域所生成的台风会行进到许多国家，诸如中国、日本、韩国与越南等，由此所造成的经济损失、人员伤亡都非常大。在我国登陆的台风，通常会造成非常严重的雨情灾害，诸如高强度的暴雨、大范围的降水，范围会波及20多个省份，且因为台风所造成的洪水，极易导致多条中小河流的水位大于警戒线，由此会严重影响到当地人民的日常生活与生产。

通过研究这一区域的台风，可以提供一个重要的渠道来更好的研究气象学，且能够提供充足的知识服务、决策支持来帮助国家更好的开展防台与抗台工作。

2.2数据预处理

针对台风数据中的空缺或部分无用记录，在开展实验之前有必要进行提前处理。第一，针对经纬度数据为0的数据，需要及时删除，因为这部分数据本身就存在错误；第二，风圈半径内极有可能出现3种大小不同的数值极，而本文通常会选择最小风圈半径作为是对应的数据记录；第三，跨180°经线的台风在预报数据中普遍存在，在计算之前有必要转化这些精度Ing为（360-lng），输出时需要返回到正常值水平；第四，在训练神经网络之前，有必要预先开展数据差值并进行归一化处理，这对于训练效率、优化效果的提升十分有帮助^[4]。

另外，在神经网络进行优化训练之前，在整理整理Oracle中的数据为csv文件集有必要严格根据“年份-台风标号-起报时间”进行，以此可以更好的匹配数据并致力于训练效率的提高。

2.3结果分析

在图1中已经较为详细的罗列出训练集（橙线）、验证集（蓝线）的收敛过程。

图1：训练集、验证集的收敛过程

格局TEPT的平均预报结果，可将2018年的台风数据检验图绘制出来，在标记ECMWF、GEFS、CMA、TEPT预报结果时可以分别利用浅绿、黄、绿、红色进行准确的标记。由此可知，相比较于GEFS、CMA的精度，在预报时次60个小时以内，TEPT的精度更高；TEPT的预报精度在预报时次36个小时以内明显提升，明显高于其他预报精度；总体表现在60小时以外的预报时次范围内并不能取得良好的效果。

随着预报时次的增加，相应的会导致模型预报误差的增加。在大多数时次上TEPT的预报效果所存在的波动比较大，为此针对TEPT预报而言，有必要借助集合预报的延伸思想并利用集合的形式来呈现其预报结果，确保包络面更加贴近台风的实际走向，从而就可以对台风路径的实际波动范围做出准确的评估^[5]。

结束语

集合预报在一定程度上能够有效解除传统混合模式预报解算中的固有限制，可将其本身所具有的时序层次优势、偏差调节能动性充分发挥出来，还能够对现有的台风路径预报思路进行不断的优化与创新，这对于研究海洋气象、发展台风预报业务十分有帮助。同时，为了更好的探索多元可扩融合模型，有必要深入融合混合模式集合预报思想与神经网络模型方法，在此基础上建立相应的神经网络优化模型，这对于相关问题的解决十分有帮助，诸如单集合预报固化性、单神经网络预报模型随机性，以此可以将传统预报的线性相关局限进一步摆脱掉。在训练数据量、网络选型的影响下，有待进一步提高预测准确度、稳定性，在今后的研究中需要充分考虑数据分片集成方法、其他不同结构的学习器，这对于模型迭代预测能力的提升、预测方法健壮性的增强十分有帮助。

参考文献：

[1] 周笑天,张丰,杜震洪,等. 基于神经网络集合预报的台风路径预报优化[J]. 浙江大学学报（理学版）,2020,47(2):196-202,217.

[2] 黄小燕,金龙. 基于主成分分析的人工智能台风路径预报模型[J]. 大气科学,2013,37(5):1154-1164.

[3] 袁杰颖,陈永平,潘毅,等. 台风路径集合化预报方法的优化[J]. 海洋预报,2017,34(2):37-42.

[4] 张焱,孙飞飞,赵思远. 基于预估偏差的台风路径集合预报方法研究[J]. 水利信息化,2021(2):40-43.

[5] 詹奕哲,王振会,官莉,等. 卫星导风在台风路径预报中的应用进展[J]. 地球科学进展,2011,26(4):386-393.