文档介绍：乌鲁木齐能见度短时预报方法研究
摘要:本文选用乌鲁木齐2011和2012年冬季的逐3h的大气能见度和实况气象要素(大气温度、相对湿度、变压和风速)资料,利用支持向量机(SVM)和Elman神经网络方法建立3h能见度预报模型。通过检验发现,支持向量机(SVM)预测结果相比Elman神经网络预测结果更加准确,支持向量机(SVM),%,为短时能见度预报提供了一种重要参考,同时表明支持向量机的泛化能力具有显著优势。
关键词:短时能见度预报;支持向量机(SVM);Elman神经网络
中图分类号: 文献标识码:A
1 前言
雾是由空气中水汽凝结或凝华而形成的,是大气能见度下降的主要原因。中华人民共和国气象行业标准地面气象观测规范第3部分气象能见度的观测上把水平能见度小于10km的叫轻雾,水平能见度小于1km的叫雾。当雾出现时,地面风速一般较小,近地层气层稳定,不利于污染物的扩散、稀释。近几年来随着城市的发展,城市和工厂、汽车排放到空中的污染物增多,在风力微弱、相对湿度较大、大气层结稳定或有逆温层存在的晴朗夜晚,大量的烟和极细微的粉尘漂浮在城市上空,形成烟尘雾。使得大气能见度进一步减小,大气能见度差对陆、海、空交通运输造成不便,这种影响是显而易见的。雾对人类的危害并非仅仅如此,因而提前向居民提供雾和能见度预报具有重要的实际意义。
目前,乌鲁木齐市还没有大气能见度定量客观预报,对于短时能见度预报开展较少,本文应用SVM和Elman神经网络方法分别建立乌鲁木齐市3h能见度预报模型,并对预测结果进行检验对比分析,以确定乌鲁木齐冬季能见度预报方法。
2 资料和方法
资料
乌鲁木齐是新疆维吾尔自治区首府,拥有人口超过330万,是新疆经济、文化、政治中心,也是新疆最大的城市。乌鲁木齐位于天山北麓,准噶尔盆地南端,城市面积大约为339km2,年平均降水量约208mm,℃,年平均相对湿度为57%,最高月平均相对湿度出现在1月,为77%,最低月平均相对湿度出现在7月,为41%。本文资料选用乌鲁木齐市2012年11月~2013年2月自动站气象要素,其中包括温度、湿度、风速、3h变压和能见度。
Elman神经网络方法简介
Elman神经网络是一种典型的动态回归神经网络,一般分为四层即输入层、隐层、承接层和输出层。隐层的输出通过承接层的延迟与储存、自联到隐层的输入,这种自联方式使其对历史数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到动态建模的目的。
SVM与Elman网络方法的比较
支持向量机(SVM)是基于统计学理论的新一代机器学****技术,能较好的解决小样本、非线性、高维数和局部极小点等时机问题,已成为人工智能研究领域的研究热点之一。其遵循结构风险最小化原则,预测性能和推广能力非常好,因而成为应用领域研究的热点。Elman神经网络为动态回归网络,最主要的特点是具有
“记忆”功能,且能够更好的反映系统的动态特性。本文选用以上两种方法建立乌鲁木齐市逐3h大气能见度预报模型主要是支持向量机(SVM)和Elman神经网络的以上优势。
3 能见度与气象要素的关系
王旭等新疆雾的时空统计特征中写道:天山北麓