大氣再分析數(shù)據(jù)在應用過程中需要根據(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)絡對風速值進行預測。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。風速信號本身是多個物理過程導致的結果,與溫度、氣壓、密度等氣象變量有復雜的非線性關系,因而風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速空間插值和時間預測方法進行改進,以提高再分析數(shù)據(jù)應用計算的準確率。本文的主要工作和貢獻是以下兩個方面:(1)本文提出了一種風速多尺度插值核函數(shù),改進了用于風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速協(xié)方差函數(shù)和獨立高斯噪聲項組成。本文根據(jù)風速多尺度特點,將核函數(shù)構造為由大尺度風速協(xié)方差函數(shù)、中小尺度風速協(xié)方差函數(shù)、空間相關噪聲協(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高度緯向風和經(jīng)向風再分析數(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,本文提出的風速多尺度插值方法緯向風和經(jīng)向風插值均方根誤差(RMSE)更低,使用緯向風和經(jīng)向風分量計算的誤差遠小于使用風速向量之模和風速向量角度計算的誤差。風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速狀態(tài)向量進行多變量約束短期風速預測方法。本文將風速時間序列元素由單一緯向風(或經(jīng)向風)標量改進為緯向風(或經(jīng)向風)與溫度、位勢高度、相對濕度組成的狀態(tài)向量,分別應用到基于長短期記憶網(wǎng)絡(LSTM)的序列到序列(Seq2Seq)預測方法中。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)進行訓練,選取1973-1975年數(shù)據(jù)進行驗證。在相同時間步長情況下,由風速、溫度、位勢高度組合構成的三種狀態(tài)向量明顯改善了向量整體預測結果和緯向風分量(或經(jīng)向風分量)預測結果。其中,由風速u、溫度t、位勢高度h組成的3維狀態(tài)向量(u,t,h)的兩種預測均方根誤差(RMSE)都達到最低。而包含相對濕度rh的狀態(tài)向量(u,t,h,rh)不僅未改善預測結果反而使均方根誤差(RMSE)更大。上述實驗結果表明,基于長短期記憶網(wǎng)絡(LSTM)的多變量約束風速預測方法能夠有效地優(yōu)化風速時間序列預測結果,但是優(yōu)化程度取決于風速狀態(tài)向量各個分量的相關程度。相關度高的變量構成的風速狀態(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測準確性,也會單獨提高風速變量的預測準確性。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)預測的準確性最高,且適用范圍最廣。本文方法在西雅圖地表風預測中的預測結果比NOAA的高空風預報的預測結果準確性更高。
【學位單位】：國防科學技術大學
【學位級別】：碩士
【學位年份】：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)本質是相同的，可以經(jīng)過一些運算關系相互轉化。也是說，某個隱藏層用tanh作為激活的任意網(wǎng)絡都可以用另一個隱藏層用logisticigmoid作為激活的網(wǎng)絡表示。而區(qū)分這些激活函數(shù)的原因是，對于相同的輸入，不同的應用場景可能需要不同的輸出，例如如果輸出的內容是一個概率，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 的初絡的輸出層：1Ht kk hk hha w b 傳播
【參考文獻】

相關期刊論文 前10條

1 黃安;楊聯(lián)安;杜挺;張彬;宋英強;王安樂;秦進;;基于多元成土因素的土壤有機質空間分布分析[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;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測研究[J];長江科學院院報;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測[J];農業(yè)工程學報;2011年07期

8 李權;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GMDH網(wǎng)絡的風電場短期風速預測[J];電力系統(tǒng)保護與控制;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;2010年03期

相關碩士學位論文 前1條

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

本文編號：2868650