英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
使用人工神经网络
对雷暴进行预测和分类
S.MAHESH ANAD
Assistant. Professor (Senior), DSP/ISP Division, School of Electrical Sciences
Vellore Institute of Technology University, Vellore-632014, INDIA.
ANSUPA DASH
Under Graduate Telecommunication Engineering Student, School of Electrical Sciences
Vellore Institute of Technology University, Vellore-632014, INDIA
M.S.JAGADEESH KUMAR
Assistant. Professor (Senior), Applied Mathematics Division, School of Science and Humanities
Vellore Institute of Technology University, Vellore-632014, INDIA
AMIT KESARKAR
Scientist-SD, National Atmospheric Research Laboratory, Gadanki, INDIA
摘要：自然灾害对生命财产造成严重破坏。提前预测这种灾难是必要的。本文提出了使用人工神经网络（ANN）对雷暴进行预测和分类。目前使用的数值天气预报（NWP）模式存在过程分辨率和不准确的问题。我们的研究考虑了两个地区，印度西海岸的Paradeep和新南威尔士的Wollemi国家公园（澳大利亚）。 ANN的目的是预测这些地区雷暴的发生。 在ANN设计中输入参数选择是非常关键，8个输入参数被确定为训练网络。输出节点明确区分了有雷暴和无雷暴的天数，从而成功预测了特定地区的雷暴活动。
关键词：人工神经网络（ANN），反向传播网络（BPN），雷暴预报，
GRIB、最好的抬升指数，数值天气预报（NWP）。
1.介绍
雷暴，亦称电风暴或闪电风暴，是一种以闪电为特征的天气形式，并且伴随着雷声。在过去的二十年中进行了大量的研究工作，了解雷暴的生命周期和雷暴的预测仍然是具有挑战性的问题。雷雨的预测行为仍然受到预报员对数值天气预报（NWP）模型的经验和解读的影响。大多数时候，预报员选择的方法是统计或启发性的。在印度，沿海地区（如西海岸，奥里萨邦，安得拉邦和西孟加拉邦）以及东北部地区多次遭受雷暴和大雨的影响。 自然灾害是无法预料的，并在生命和财产方面造成巨大损失。最近，北方邦（UP）和勒克瑙的雷暴发生在2008年15月15日期间，共有110人丧生，并摧毁了UP的著名芒果带。如果早些时候预测，那么损失将大大减少。称为数值天气预报模型的大规模计算机程序有助于确定条件是否有利于雷暴发展。这些模型是从世界各地摄取观测数据并使用复杂数学方程来预测天气的计算机程序。关于天气现在正在做什么的准确观察是帮助预测未来将会如何做的关键。 除了从卫星，飞机，温度剖面和地表气象站进行的测量之外，每天还会从全球范围内发射数据。 网格点越多，模型将会预测得更好[1]。
使用ANN预报雷暴是当天的顺序，少数文献显示成功实施预测对流启动。 ANN被认为是人造智能的一种形式，它具有很高的非线性关系建模能力。在本文中，我们介绍了在澳大利亚新南威尔斯州的两个地理位置Paradeep（印度）和新西兰Wollemi国家公园的雷达预报中获得的初步结果。 数据来自印度气象局网格二进制（GRIB）归档数据。每个GRIB文件由一系列的GRIB记录组成。一个GRIB记录在一个时间和一个级别保存一个参数的网格数据。使用MatLab 7.0 Toolbox对GRID数据进行解码。 GRIB数据的解码能够访问234个参数。在解码之后从所得到的数据中提取所需数据已经完成以防止一个参数与另一个参数的干扰。从整个234个参数中，最终确定了8个大气参数，如最大的抬升指数、K指数、湿度、降水量、降水率、相对湿度、U（纬向）风和V分量（经向）风的分量是完成后的定量分析。设计的反向传播网络（BPN）成功地将有雷暴和无雷暴的数据区分开来。
2.方法论
2.1。数据准备
根据与正常天气天相比，在雷暴发生状态下变化多少，选择八个输入参数。 以下是参数和相关的理由。
2.1.1 .抬升指数（LI）
抬升指数是大气中对流层（最多天气发生的最低层）给定压力高度的绝热升压Tp（p）的气体与环境温度Te（p）之间的温差，通常为500hPa （mb）。 当值为正时，气氛（各自的高度）是稳定的，当该值为负时，气氛不稳定。
2.1.2 .K指数
K指数用0-9范围内的整数对地球磁场的水平分量进行量化，1为平静，5以上表示地磁风暴。 它是从在3小时间隔内在磁力计上观察到的水平分量的最大波动得出的。因此，KI（K指数）是用于评估对流势的指标。 KI是垂直总数（VT）和较低的对流层湿度特征的组合。 VT是850和500 mb之间的温差，而湿度参数为850 mb露点和700 mb露点下降。 同时，高达850 mb的露点和700 mb的露点下降，表明对流层中下部有一层较深的暖湿空气。 这对于产生不稳定性非常有益，特别是当VT高时。
2.1.3.湿度
水分通常是指水的存在，通常是微量的。它也用于指任何类型的降水。水分在我们的气氛中绝对必不可少。它有三种形式：气体（湿度），液体（降水）和固体（冰雪）。当发生快速冷凝时，云中会出现降水。堕落的水分返回到海洋，河流和溪流，作为径流和地下水，再次蒸发。水分循环是水文循环。水蒸气是云和雨的隐形来源，也是传热的一种形式。当水汽附着在称为细胞核的微观物质时，云会发展。空气的保湿能力随温度而变化。如果24小时内的总含水量没有变化，夜间相对湿度会增加。最高的读数发生在日出，这说明潮湿的草坪和雾化的车窗。天气加热时，相对湿度会降低，因为暖空气比冷空气具有更大的容纳湿气的能力。2.1.4.降水量
可沉淀的水（以毫米或英寸为单位）是大气柱中的水量。如果该列中的所有水都以雨水的形式沉淀，则可降水量就是达到的水平。数据可以在Lifted-K索引中查看。这些数字表示上述针对地理位置的水位英寸。因此，如果一列空气中的所有水蒸气冷凝，则可沉淀的水是会产生的液体沉淀量。可沉淀的水分值是表面与500mb（18,000ft）之间空气中水分含量的指标。
2.1.5.降水率
它被定义为以水平施加到场地表面上的以小时为单位表示的速率。
2.1.6.相对湿度
S.Mahesh Anad等/国际工程科学与技术学报（IJEST）
其定义为在给定温度下，空气和水蒸汽的气体混合物中的水蒸气的分压与水的饱和蒸汽压的比率。
2.1.7.风的U分量
风的U分量在水平面中给出风流的方向。强风可以引发对流。因此，这个参数在处理雷暴时非常重要。一个区域的水平面的西向东方向流动的风的分量被称为u的分量。
2.1.8.风的V分量
风的v分量在水平面中给出风流的方向。强风可以引发对流。因此，这个参数在处理雷暴时非常重要。在区域的水平面的北向南方向流动的风的分量被称为风的v分量。
2.2.预处理数据
神经网络的每个输入节点由不同时间段的不同大气参数值的阵列组成。 NWP数据的解码导致了全球数据的访问。因此，选择一个特定的区域进行预测考虑。本次研究考察了Paradeep，奥里萨邦（印度）与纬度（115 - 125）和经度（280 - 290），Wollemi国家公园，新南威尔斯州（澳大利亚），纬度（52 - 62）和经度（326 - 336） 。基于所需位置的纬度和经度固定尺寸为11 o X 11 o的适当网格。对于每个参数，通过取平均值将二维数据转换为一维数据1times;11。类似地，提取并排列了所有不同的八个参数以形成大小为1times;88的单个阵列。在6天的时间段内以12小时的间隔考虑NWP数据。然后，输入数据集的大小为12times;88.之后，将每个输入参数归一化为具有-1到1之间的值，以提高ANN的输出。
2.3.人工神经网络设计
我们设计的ANN架构是一个具有两层的前馈，监督，多层感知器网络，具有一个隐藏层和一个具有反向传播算法训练的输出层。本研究的ANN模型是使用MatLab 7.0开发，训练和测试的。 ANN的输入层由十二个输入节点组成（因为连续6天采集了12小时数据）。每个输入节点具有1 X 88值的数组
衍生自八个大气参数。因此，12 X 88数据集作为输入馈送到网络。对于只有一个隐层的多层感知器（MLP），高斯丘陵和山谷需要大量的隐藏单元来近似得到。因此网络设计为单一隐藏层。如果隐藏单位太多，则可能导致训练误差较低，但由于过度配合，仍然具有较高的泛化误差
和高差异。经验法则是隐藏层的大小在输入层大小和输出层大小之间。为我们设计选择的隐藏层节点数量为9.每层都被S形激活功能激活。设计如图1所示。 ANN模型需要一个完整的输入集。一旦选择了预测时间和地理区域，就进行输入和目标数据的筛选。
图1.拟议设计建筑
神经网络的一个关键特征是迭代学习过程，其中一次将数据呈现给网络，每次调整与输入值相关的权重。在提出所有案件之后，过程通常会重新开始。在这个学习阶段，网络通过调整权重来学习，以便能够预测输入样本的校正类标签。对于不同的实时天气数据集，正确地发现了所需的输出，即有雷暴或无雷暴。
三.结果与讨论
设计的神经网络根据所提出的架构实现。它已经使用不同的天气数据进行了培训和测试。 每次迭代更新权重和偏差。 显然发现，如图2所示，错误次数随着迭代次数的增加而急剧减小。在图3和图4中也显示了各种迭代次数的误差的比较分析。随着迭代方法达到45000，误差接近 0.005
图2错误分析1999年10月29日，00hrs数据
图4 不具有雷暴数据的各种迭代次数的误差分析
对雷暴和非雷暴数据进行了ANN训练后，进行了测试。 观察到输出节点在雷暴和非雷暴日产生了显着的不同结果。 表一和表二显示了Paradeep和新南威尔士地区的ANN分类。
表1显示了1999年10月29日在印度奥里萨邦帕拉代德地区正确预测的雷暴发生情况，表2显示了2000年12月6日在澳大利亚新南威尔士州Wollemi国家公园进行的准确预测。
表一：Paradeep, Orissa的ANN输出
表2：新南威尔士州Wollemi国家公园的ANN输出
ANN的结果显示了良好的预测水平，训练和测试时间不到一分钟。此外，输出节点可以根据强度的雷暴分类进行复位。
4。结论
因此，得出的结论是，ANN可以有效地用于雷暴预测和分类，具有可观的准确度。 这项工作能以最小的输入参数集来报告ANN设计; 但输入参数的增加将有效地提高预测的准确度。
致谢
作者要感谢Vellore技术管理学院为电气科学学院信号处理实验室提供的设施，成功实施该项目。
参考文献
[1] Abolfazl.A etal, (2008):“Magnitude of earthquake prediction using Neural Network”, 4 th International Conference on Natural
Computation, Iran.
[2] Brooks H.E., Doswell C. A.(1998): “Precipitation forecasting using a neural network”, NOAA/ERL, National severe storms
laboratory, Norman, Oklahoma.
[3] Brooks H.E., Doswell C. A, Kay .M. P(2003): “Climatological estimates of local daily tornado probability for the United States”,
American Meteorological society, Oklahoma.
[4] Chen .T,Takagi.M(2001): “Rainfall prediction of geostationary Meteorological satellite images using Artificial Neural Network”,
Minato-ku, Tokyo.
[5] Choudhury.S, Mitra.S, Chakraborty. H,(2004): “A connectionist approach t
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27165]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
