基于MLP神经网络的中国南方地区多因子PWV预测模型.pdf
《基于MLP神经网络的中国南方地区多因子PWV预测模型.pdf》由会员分享,可在线阅读,更多相关《基于MLP神经网络的中国南方地区多因子PWV预测模型.pdf(10页珍藏版)》请在咨信网上搜索。
1、第 19 卷 第 1 期2024 年 1 月Vol.19 No.1Jan.2024中 国 科 技 论 文CHINA SCIENCEPAPER基于MLP神经网络的中国南方地区多因子PWV预测模型刘俊文1,谢劭峰1,钟雁琴2,曾印1,张继洪1,廖发圣1(1.桂林理工大学测绘地理信息学院,广西桂林 541006;2.桂林理工大学理学院,广西桂林 541006)摘 要:针对利用全球导航卫星系统(global navigation satellite system,GNSS)反演高精度大气可降水量(precipitable water vapor,PWV)时需要获取大气加权平均温度(Tm)从而影响结果精
2、度的问题,在充分探究PWV与对流层天顶湿延迟(zenith wet delay,ZWD)等诸多因子相关性的基础上,利用中国南方地区40个探空站在20152017年的探空数据,基于多层感知器(multi layer perceptron,MLP)神经网络及多元回归拟合算法分别建立预测PWV的MLP模型、线性回归(linear regression,LR)模型与非线性回归(non-linear regression,NLR)模型。为充分探究2种建模方法对PWV精度的影响,利用2018年探空数据为参考值进行模型精度检验,并与传统 PWV 预测模型(PWV-SC2 模型)进行精度对比分析。结果表明:M
3、LP 模型的年均均方根误差(RMSE)、偏差(bias)和相对误差(RE)分别为0.66 mm、0.06 mm和2.18%,相比LR模型和NLR模型年均RMSE分别降低了0.11 mm(14.6%)和 0.17 mm(20.5%),年均 bias 分别降低了 0.04 mm(43.7%)和 0.28 mm(82.3%),年均 RE 分别降低了50.7%和57.3%;相比PWV-SC2模型,年均RMSE和bias分别降低了0.17 mm(20.5%)和0.15 mm(71.4%),年均RE降低了47.7%。因此,MLP模型在中国南方地区有较好的精度及适应性,可应用于中国南方地区高精度PWV预测。
4、关键词:GNSS;大气可降水量;多层感知器;神经网络模型;回归模型;精度分析;中国南方地区中图分类号:P228 文献标志码:A文章编号:2095-2783(2024)01-0099-09开放科学(资源服务)标识码(OSID):A multi-factor PWV prediction model based on MLP neural network for southern ChinaLIU Junwen1,XIE Shaofeng1,ZHONG Yanqin2,ZENG Yin1,ZHANG Jihong1,LIAO Fasheng1(1.College of Geomatics and
5、Geoinformation,Guilin University of Technology,Guilin,Guangxi 541006,China;2.College of Science,Guilin University of Technology,Guilin,Guangxi 541006,China)Abstract:To address the problem related to the effects on the precision in the inversion of precipitable water vapor(PWV)using global navigation
6、 satellite system(GNSS)arisen by the necessity of obtaining key parameters such as atmospheric weighted mean temperature(Tm),the correlation between PWV and based on the correlation between PWV and the tropospheric zenith wet delay(ZWD)and other factors was investigated.The 20152017 sounding data fr
7、om 40 sounding stations in southern China to establish the MLP model,the linear regression model(LRM)and the multiple regression fitting algorithm to predict PWV based on the multilayer perceptron(MLP)neural network.MLP model,linear regression(LR)model and nonlinear regression(NLR)model were develop
8、ed respectively based on the multilayer perceptron(MLP)neural network and multiple regression fitting algorithm.To fully investigate the influence of the two modeling methods on the accuracy of PWV,the accuracy of the model was examined using the 2018 sounding data as the reference value and compare
9、d with the traditional PWV prediction model(PWV-SC2 model).The results show that the average annual RMSE,bias,and RE of the MLP model are 0.66 mm,0.06 mm,and 2.18%,respectively,which are 0.11 mm(14.6%)and 0.17 mm(20.5%)lower compared to the LR model and the NLR model in terms of average annual RMSE,
10、0.04 mm(43.7%)and 0.28 mm(82.3%)in terms of average annual bias,and 50.7%and 57.3%lower annual mean RE,respectively;compared to the PWV-SC2 model,the annual mean RMSE and bias are reduced by 0.17 mm(20.5%)and 0.15 mm(71.4%),respectively,and the annual mean RE is reduced by 47.7%.Therefore,the MLP mo
11、del has better accuracy and adaptability and can be applied to high-precision PWV prediction in southern China.Keywords:GNSS;atmospheric precipitable water;multilayer perceptron;neural network model;regression model;accuracy analysis;southern China收稿日期:2023-05-15基金项目:广西自然科学基金资助项目(2023GXNSFAA026434)第
12、一作者:刘俊文(1996),男,硕士研究生,主要研究方向为GNSS气象学通信作者:谢劭峰,教授,主要研究方向为GNSS气象学,第 19 卷 中 国 科 技 论 文大气水汽是对流层气体的重要组成部分,在全球大气辐射、能量平衡、水循环中扮演着重要角色。由于传统的水汽探测存在设备价格昂贵、时空分辨率低、无法实时获取水汽信息等缺点,且GNSS反演PWV 是通过获得 Tm与 ZWD 等相关气象参数以及ZWD与PWV之间的转化系数再利用转化公式计算得出,因此,Tm信息的精度也成为GNSS获取高精度PWV的主要影响因素。虽然Tm值可以由探空站数据或大气再分析资料通过积分方法计算得到,但所需数据量大且计算过程
13、复杂会导致Tm计算结果精度较低,进而影响PWV的获取效率与精度。针对以上问题,本文基于MLP神经网络建立一种顾及多因子的PWV预测模型,MLP神经网络具有强大的非线性拟合及多参数拟合能力,从而避免了解算Tm信息时产生的误差累积。此外,MLP神经网络能通过多个非线性变换来进行复杂数据的特征提取,并拟合出最优模型,且进一步提高了 PWV 获取的结果精度。本文的创新之处在于利用MLP神经网络可以处理规则不明确的多参数非线性拟合问题,建立一种同时估计ZWD、水汽压(es)等关键参量的多因子PWV预测模型,并且可进一步提升PWV获取的效率与结果精度。随着 GNSS在气象学中的发展逐渐趋于成熟,GNSS水
14、汽反演技术成为近年来国内外学者研究的热点1。Bevis 等2提出了一种基于全球定位系统(global positioning system,GPS)的水汽遥感新方法,用来预测从GPS卫星传播到地面GPS接收机的信号被大气水汽延迟的程度,从而对ZWD转化为GPS接收机上方接收的大气水汽进行预估,还可感知周边大气可降水的水平分布与垂直分布。这些研究可用于预报天气和全球气候变化的相关研究。杨鹏飞等3对黄土高原地区 PWV的主要影响因素进行了探究,得出ZWD是影响反演PWV理论误差的关键因 素,天 顶 静 力 学 延 迟(zenith hydrostatic dealy,ZHD)次之,大气水汽转换系数
15、()对反演PWV理论误差的影响相对较小。谢劭峰等4在大气水汽关键参量模型研究中引入了一种新方法,即通过MLP神经网络建立Tm模型,结果表明,基于MLP的Tm模型精度得到进一步提升,该模型可为GNSS反演PWV提供高精度的Tm值。韦云等5对对流层天顶总延迟(zenith total delay,ZTD)、测站处地表气压(Ps)和测站处地表气温(Ts)与PWV之间进行了相关性分析,并通过多因子线性回归建立了一种新的多因子PWV拟合模型,结果表明,通过多元线性拟合反演PWV可以得到较高精度的PWV值。刘彦等6利用连续运行参考站与探空数据,通过线性回归拟合建立多因子分季节的 PWV 模型,验证了分季节
16、的PWV 模型结果在各个季节平均精度也有所提升。虽然以上研究实验结果精度有所提升,但与目标参量有强相关性的研究因素种类太少,导致实验精度影响因素探究不充分。因此,针对这些问题,本文将在以上研究基础上建立一种基于MLP神经网络的PWV多因子预测模型。传 统 的 PWV 获 取 方 法 是 通 过 GNSS 获 得ZWD、Tm等相关参数,再利用公式计算出 PWV,但该计算方法涉及的参数较多,所需数据量大且计算过程复杂。另一种获取PWV的方法是利用ZTD、Ps等相关气象参数来构建多因子线性回归模型从而计算得到PWV,对比传统获取PWV方法,该方法的精度得到进一步提升。易正晖等7利用线性回归构建季节和
17、全年转换模型,季节回归模型的结果要优于全年回归模型结果。李黎等8采用线性回归和构建多因子PWV直接转换模型,基于ZTD、Ts和Ps的多因子PWV模型精度明显高于单因子PWV模型。以上研究大多采用线性回归拟合方法对目标参量进行建模,未考虑目标参量与影响因子之间存在的非线性关系,因此存在目标参量与所顾及影响因子之间的函数关系及非线性关系等复杂性数学关系探究不充分等问题。故而,针对以上问题,本文基于 MLP神经网络可处理规则不明确的多参数非线性拟合问题的特性,利用中国南方地区 40 个探空站 20152017年的探空数据建立中国南方地区顾及ZWD、es、Ps、Ts和年积日(doy)等相关气象参数的多
18、因子GNSS大气可降水量预测模型(MLP模型),再通过多元回归拟合方法建立顾及ZWD、es等气象参数的多因子PWV回归模型,最后对各个模型进行精度检验及分析9。结果表明,本文通过MLP神经网络算法建立顾及ZWD、es等关键参量的PWV直接转换模型可获取高精度PWV,这对GNSS反演PWV具有借鉴指导意义。1数据来源及相关性分析1.1数据来源及ZWD、es计算方法本文以中国南方地区为研究区域,选取该区域20152017 年 40 个探空站数据为建模数据,并以2018年探空站数据进行精度验证分析。探空数据可从美国怀俄明州立大学网站(http:weather.uwyo.edu/upperair/so
19、unding.html)免费下载,时间分辨率为 12 h。无线电探空资料可提供相关探空剖面信息,根据这些探空剖面信息计算每层的大气折射率等信息,然后通过积分法计算得到 ZWD 和 es等信息。具体积分计算公式如下:es=ShPs0.622,(1)100刘俊文,等:基于MLP神经网络的中国南方地区多因子PWV预测模型第 1 期Nw=k1esTs+k2esTs2,(2)ZWD=10-6HLHT(k1esTs+k2esT2s)dH。(3)式中:Sh为比湿,g/g;Nw为湿折射率;H为海拔高度,m;k1=22.97 K/hPa,k2=375 463 K2/hPa,二者均为常系数;HL为探空资料积分计算
20、的最底层高度,m;HT为探空资料积分计算的最顶层高度,m。1.2关键参数相关性分析ZWD、es、Ps和Ts均为计算PWV的重要参数,为充分探究中国南方地区PWV与ZWD、es、Ps和Ts等气象参数的相关性,本文利用皮尔逊相关系数(R)作为相关性强弱的评定指标,R的绝对值越大,证明其相关性越强。利用2015年中国南方地区探空站数据探究PWV与ZWD、es、Ps和Ts之间的线性关系,如图1所示。由图 1 可知:PWV 与 ZWD、es的相关系数分别达到0.998 2和0.912 1,PWV与ZWD、es均表现出极强的线性正相关关系;PWV与Ps、Ts的相关系数分别 为 0.762 9 与 0.79
21、1 8,二 者 相 关 性 较 PWV-ZWD、PWV-es稍弱,但均存在较强相关性,其中PWV-Ps之间表现为较强的负相关关系。由此可知,PWV与ZWD、es、Ps和Ts之间均存在强相关性,因此在构建中国南方区域 PWV 预测模型时需考虑ZWD、es、Ps和Ts等关键性参数。2PWV反演原理GNSS 地基技术反演 PWV 是 GNSS 气象学的一个重要组成部分。计算 GNSS 反演 PWV 需要ZWD 和转换系数(),因此 PWV 的精度主要受到ZWD和精度的影响。是一个变量,它的变化与Tm密切相关10。ZWD 与 PWV 之间的转化关系如下:PWV=ZWD。(4)其中,的表达式为=106R
22、(k3/Tm+k4)。(5)式中:为液态水密度,kg/m3;R为水汽气体常数,R=461.495 J kg-1 K-1;k3=3.739105 K/hPa、k4=22.13 K/hPa,二者均为大气物理参数。鉴于本文研究区域为中国南方地区,故在本文中所用Tm模型选取采用相同研究区域的Tm-SC2模型用于计算Tm,Tm-SC2模型是在GPT3模型基础上进一步顾及了地表温度、高程及纬度的新 GPT3精华模型,并且本文选取的Tm-SC2模型在中国南方地区相比 Bevis模型、GPT3模型及 Tm-SC1模型等 Tm模型均表现出更高的精度及稳定性11。Tm-SC2模型公式如下:Tm=a0+b0Ts+c
23、0sin()2doy365.25+d0cos()2doy365.25+e0sin()4doy365.25+f0cos()4doy365.25+g0hs+i0Lat。(6)式中:a0、b0、c0、d0、e0、f0、g0、i0为模型各个参数对应图1PWV 与ZWD、es、Ps和Ts的相关性分析Fig.1Correlation analysis of PWV with ZWD,water vapor pressure,surface air pressure and surface temperature101第 19 卷 中 国 科 技 论 文系数,取值分别为 80.975、0.706、0.016
24、、0.486、0.152、0.177、0.001、0.190;hs为测站高度,m;Lat为纬度。3南方地区多因子PWV预测模型构建3.1MLP基本原理MLP由单层感知器发展而来,是一种前馈式监督训练的人工神经网络模型,包含输入层、至少一个中间隐藏层和输出层。模型将一组输入向量映射到一组输出向量,且不同层之间进行全连接,即上一层的任意一个神经元与下一层的所有神经元都进行连接。模型利用内部含有的多个隐藏层的神经元以发现向量的分布式特征表现,神经元之间的连接赋予相关的权重,这些权重在迭代过程中通过MLP反向传播算法的监督学习方法不断调整,从而使得模型训练误差达到最小。与BP神经网络模型不同的是,ML
25、P在传统BP神经网络模型的基础上引入了多个隐藏层,这意味着MLP可以通过多个非线性变换对更加复杂的特征和模式进行训练学习。二者在结构、激活函数及训练算法上均存在一定差异。在结构方面,MLP是一种多层神经网络结构,包含输入层、隐藏层和输出层,而 BP 神经网络是 MLP 的一种实现方式,只是MLP中各层之间的连接权重通过反向传播进行迭代。在激活函数方面,不同激活函数可以影响神经网络的训练和表达性能。传统BP神经网络通常使用 sigmoid函数作为激活函数,而 MLP可以灵活使用不同的激活函数,这些激活函数能更好地处理规则不明确的多参数非线性关系。在训练算法方面,传统的BP神经网络利用反向传播算法
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MLP 神经网络 中国南方 地区 因子 PWV 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。