(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111649235.X (22)申请日 2021.12.2 9 (71)申请人 青岛市气象台 地址 266003 山东省青岛市 市南区伏龙山 33号 申请人 青岛市气象局气象探测保障中心 (72)发明人 时晓曚　刘树霄　 (74)专利代理 机构 青岛海昊知识产权事务所有 限公司 37201 专利代理师 邱岳 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/06(2006.01) G06Q 10/04(2012.01) G06F 16/29(2019.01) (54)发明名称 基于深度神经网络的岸滨地区海雾能见度 预报方法 (57)摘要 基于深度神经网络的岸滨地区海雾能见度 预报方法。 以岸滨地区气象观测站数据建立能见 度标签集， 从再分析数据中获取多个预报因子数 据集， 将两者进行匹配建立预报因子与能见度样 本集； 建立深度神经网络结构， 训练岸滨地区海 雾能见度与诸多相关预报因子的非线性关系模 型； 以数值模式预报的诸多预报因子数据实现海 雾能见度预报。 本发明利用深度神经网络方法在 解决复杂非线性问题中的优势， 基于观测数据与 再分析数据， 充分建立了诸多预报因子与能见度 之间的非线性复杂关系， 并在数值模式预报基础 上应用， 为岸滨地区海雾能见度预报提供一种新 的算法和技术， 以进一步提高岸滨地区海雾能见 度预报水平。 权利要求书2页 说明书5页 附图2页 CN 114511061 A 2022.05.17 CN 114511061 A 1.基于深度神经网络的岸滨地 区海雾能见度 预报方法， 其特征在于该方法包括以下步 骤： 1） 建立预报因子与能见度样本集、 2建立并筛选能见度预报DNN模型、 3） 预报海雾能见 度； 所述1） 建立预报因子与能见度样本集， 包括以下步骤： 步骤1.1： 选择需要进行预报的岸滨区域， 获取此地理范围内气象观测站数据并从中提 取能见度数据， 以能见度数值<0.5、 0.5 ‑1、 1‑2、 2‑4、 >4km为标准划分成5级， 作为能见度标 签集； 步骤1.2： 获取以上地理范围内再分析数据， 对该再分析数据的每格点提取多个相关的 气象要素， 其中地面气象要素包括： 地表以上10m处风(m/s)， 地表以上2  m处温度(K)， 地表 以上2m处露点温度(K)， 地表以上2m处温度露点差(K)， 低云量， 以及地表温度(K)； 高空气象 要素包括： 9 25hPa等压面上的相对湿度(%)，  850hPa等压面上的温度(K)； 并计算FSI指数： FSI=2 * |Ts‑Td|+2 * |Ts‑T850|+ W10 ， 其中Ts为地表温度(K)， Td为地表以上2m露点温度(K)， T850为850hPa等压面上的温度 (K)， W10为地表以上10m处的风(m/s)； 步骤1.3： 建立预报因子数据 集， 每格点上预报因子包括： 地表以上10m处风(m/s)， 地表 以上2 m处温度(K)， 地表以上2m处露点 温度(K)， 地表以上2m处温度露点差(K)， 925hPa等压 面上的相对湿度(%)， 低云量， 以及FSI指数； 步骤1.4： 统计以上地理范围内的再分析数据格点与气象观测站点位置， 每选定一个格 点， 计算每个气象观测站与该格点的水平距离， 将水平距离小于经纬度0.3o的站点的能见 度等级作为该格点的标签， 将该标签与该格点上 的相同时次预报因子数据建立一个样本； 若存在多个水平距离小于0.3o的站点， 则选择水平距离最小的一个站点的能见度等级作为 该格点的标签， 并将该标签与该格点上相同时次的预报因子数据建立一个样本； 若不存在 水平距离小于 0.3o的站点， 则该格点 不列入样本范围； 步骤1.5： 对上述每个样本 中的预报因子进行归一化； 将归一化之后的预报因子及其标 签作为预报因子与能见度样本集； 所述2） 建立并筛 选能见度预报DN N模型， 包括以下步骤： 将上述预报因子与 能见度数据样本集， 按照4:1随机分为训练集、 测试集； 通过训练集 和测试集， 通过训练得到多个深度神经网络模型， 即能见度预报DNN模型， 输入端为各项预 报因子， 输出端为能见度等级， 建立预报因子与能见度之间的非线性复杂关系； 评估该模型效果的损失计算， 是计算当前输出的能见度等级与输出端能见度等级之间 的误差， 实现能见度预报DN N模型的效果评估， 并与反向传播配合以使误差不断减小； 更新网络参数的反向传播， 即依据损 失反向更新每层关系权重， 使得权重更新后的损 失比原损失小； 经过上述深度神经网络的不断自主反馈学习与多次调 整权重， 训练出一个能见度 预报 DNN模型； 通过DNN模型的学习率、 隐藏层层数、 每个隐藏层上神经元个数这些参数的调整， 从而 训练出多个表现不一的能见度预报DNN模型； 依据测试集在多个DNN模型中的准确率、 损失 指标的优劣， 从 中筛选出表现最为优益的DNN模 型， 作为最 终所用该岸滨区域海雾能见度预 报DNN模型；权　利　要　求　书 1/2 页 2 CN 114511061 A 2所述3） 预报海雾能见度， 包括以下步骤： 步骤3.1： 采用现有的需要进行预报的岸滨区域内未来某时次的数值模式预报， 对该数 值模式预报 中每格点提取步骤1.2所列多个相关气象要素， 计算并获取当前格点多个预报 因子数据， 包括地表以上10m处风(m/s)， 地表以上2  m处温度(K)， 地表以上2m处露点温度 (K)， 地表以上2m处温度露点差(K)， 9 25hPa等压面上的相对湿度(%)， 低云量， 以及FSI指数； 步骤3.2： 以上述每个格点多个预报因子数据集， 作 为能见度预报DNN模型的输入， 运行 能见度预报DN N模型； 模型输出即为当前时 次该岸滨区域海雾能见度等级预报。 2.如权利要求1所述的基于深度神经网络的岸滨地区海雾能见度预报方法， 其特征在 于还包括步骤3.3： 按照每格点的地理坐标， 写成适用于MICAPS系统规定的第4类数据格式， 以便该岸滨区域海雾能见度预报方法在业 务中应用。 3.如权利要求1所述的基于深度神经网络的岸滨地区海雾能见度预报方法， 其特征在 于步骤1.5采用mi n‑max 归一化方法： X’=(X  ‑Xmin)/(Xmax ‑Xmin) ， 其中， X是样本集中某个预报因子的值， Xmin是样本集中该预报因子的最小值， Xmax是 样本集中该 预报因子的最大值， X ’是归一化的值。 4.如权利要求1所述的基于深度神经网络的岸滨地区海雾能见度预报方法， 其特征在 于所述步骤2） 中， 能见度预报DNN模 型由输入层、 多个隐藏层、 输出层构成； 由输入层负责接 收归一化后的预报因子值， 由输出层获取能见度等级， 隐藏层介于输入层和输出层之 间， 隐 藏层个数、 每层神经 元个数都可以根据现有技 术来设置； 每层上的每个神经元， 都与上层所有神经元建立线性关系， 即第i层的任意一个神经元 一定与第i+1层的任意 一个神经 元相连， 建立 一个线性关系：  ， 其中i为层数； wi为第i层上的权重， 权重的大小取决于 该输入相比于其他输入值的重要 性， 为自行设置； x为第j个神经元的输入； b为第i层上的偏倚量， 用于提供给每个神经元一 个可训练的常量 值； 隐藏层之间引入ReLU激活函数， 将上一层隐藏层的线性输出进行多重非线性变换， 得 到的非线性结果即为下一层隐藏层的输入； 经 由多个隐藏层与激活函数变换后， 得到了预 报因子和能见度之间的非线性关系， 即为前向传播过程。权　利　要　求　书 2/2 页 3 CN 114511061 A 3