呂凱鑫，祝銘駿，馮 帥

(天津城建大學 地質(zhì)與測繪學院，天津 300384)

近年來，許多城市頻繁發(fā)生強降水并且造成了嚴重的經(jīng)濟損失和社會影響。因此，強降水預測成為當今社會較為關注的城市問題。降水發(fā)生的預測需要考慮多種因素，而水汽與降水的發(fā)生關系密切。因此，準確、實時探測大氣水汽含量對于短臨天氣預測具有重要意義[1]。利用現(xiàn)代技術手段，掌握對流層中水汽的時空變化，對大氣結(jié)構(gòu)的垂直穩(wěn)定度、暴風雨以及強對流等災害性天氣的形成和演變都具有重要影響[2]。隨著GNSS技術在氣象學領域的發(fā)展和應用，獲取高精度、高時空分辨率的水汽成為可能[3]。目前已有多數(shù)研究者通過實驗證實了該技術應用的可行性。單路路等人利用GNSS觀測數(shù)據(jù)和降水量信息對該方法進行驗證，結(jié)果表明該方法對于降水的短臨預測具有較好的適用性和較高的預測精度[4]。此外，水汽序列與降水發(fā)生的時間也有密切關系。王勇等人通過研究河北省水汽通道，得出GNSS水汽序列峰值超前降水發(fā)生時間約為1～2 h[5]。水汽數(shù)值在30 mm以上時，每當有水汽的急劇波動時大多會發(fā)生降水事件[6]。本文將利用此種技術方法，選擇河北省作為降水預測的研究對象。河北省地貌復雜多樣，屬于溫帶大陸性季風氣候，大部分地區(qū)四季分明，夏季經(jīng)常會發(fā)生暴雨和瞬時強降水等對流天氣。如何綜合考慮影響降水的因素，選用合適的方法，準確預測降水時間以及降水量，對于河北省政府部門的預防以及公眾的防范具有很好的應用價值。本文將綜合GNSS水汽和氣象要素開展降水預測研究，構(gòu)建降水預測模型，進行短時降水預測，為河北省對于強降水的預防提供參考。

1 研究數(shù)據(jù)與研究方法

1.1 研究數(shù)據(jù)

本文采用河北省GNSS站點2013年6～8月的數(shù)據(jù)進行研究。由相關性分析及文獻查詢綜述可知，降水與水汽、氣溫、氣壓氣象要素相關性較高，其余氣象要素相關性較低。因此，降水預測模型綜合選用GNSS水汽、溫度、氣壓數(shù)據(jù)，時間采樣率均為1 h。

1.2 研究方法

1.2.1 水汽反演過程

GNSS衛(wèi)星發(fā)射的電磁波信號穿過對流層產(chǎn)生對流層延遲。當前，GNSS測量數(shù)據(jù)處理精度高，利用高精度解算軟件可估算對流層延遲，通過模型計算出天頂靜力學延遲，而對流層延遲與干延遲之差得到濕延遲，再進行一定的換算，可以計算出對應的水汽值[7]。

1.2.2 快速傅里葉變換(FFT)

水汽受氣象要素變化的影響，為構(gòu)建水汽和氣象要素的降水量預測模型，使用傅里葉變換來確定各種觀測要素的共同變化周期，可以將影響水汽變換的各種因素的時間序列視為一系列的時域信號，并且在進行FFT處理之后，將時域信號轉(zhuǎn)換為頻域信號。該方法得到的降水空間變異函數(shù)值能夠有效反映不同時間尺度上的降水在空間上的各向異性變化特征[8]。頻譜分析方法FFT下，計算每個元素的空間頻率，以此來確定他們的公共周期。

1.2.3 RBF-BP神經(jīng)網(wǎng)絡

對降水的預測主要有數(shù)值法和統(tǒng)計法兩種方法[9]。BP網(wǎng)絡采用反向傳播算法，收斂速度慢，會遇到局部極小值問題[10]。因此本文采用徑向基函數(shù)(Radial Basis Fuction,RBF)神經(jīng)網(wǎng)絡先進行各項氣象數(shù)據(jù)的預測，再由BP(Back Propagation)神經(jīng)網(wǎng)絡直接預測降水量及降水時間，從而提高預測精度。

2 影響降水的氣象要素分析

興隆站在2013年6月11日下午1時發(fā)生降水，時長10 h，最大降水量達到2.8 mm，降水前后氣壓由936 kPa上升至937.3 kPa，溫度由19.1 ℃下降至11.7 ℃，水汽由18.8 mm下降至13.9 mm； 在2013年6月16日中午12時發(fā)生小規(guī)模降水，相較于前日無降水發(fā)生同時間12時溫差為4.9 ℃，于17日凌晨4時停止降水，溫差較前一天低了0.8 ℃，在此時間段降水發(fā)生時氣壓由932.7 kPa最高增至到933.6 kPa，降水結(jié)束后，氣壓則成緩慢平緩波動，而GNSS水汽從16日中午12時的40.6 mm最大增至43.9 mm，再跌到26.8 mm，較平時水汽波動有明顯的幅度值，如圖1所示。由圖1及相關數(shù)據(jù)可知，站點在2013年6月發(fā)生降水過程時，無論降水規(guī)模大小，降水都與GNSS水汽、溫度、氣壓氣象要素有一定的相關性。其中與水汽相關性較大，出現(xiàn)過延時降水以及連續(xù)降水，往往水汽在達到一定峰值發(fā)生降水時水汽數(shù)據(jù)會降低。

3 利用FFT確定水汽與氣象要素的公共周期

選擇FFT方法將各類觀測要素的時域和頻率聯(lián)系在一起，提取各類觀測要素的公共周期，再根據(jù)各類觀測要素之間的相關性，選取最佳公共周期。選取河北省9個觀測站點的GNSS水汽和氣溫、氣壓數(shù)據(jù)，將各類觀測要素時間序列數(shù)據(jù)進行線性變換處理，一天的采樣點數(shù)為24，以采樣頻率fz對S(t)采樣，之后對變換處理所得頻譜以頻率fz/2對稱，即頻譜可見范圍 0～fz/2 Hz，獲得9個觀測站點的GNSS水汽和氣溫、氣壓的FFT處理結(jié)果，橫軸為頻率，1代表的是1 d，也就是24 h。因為水汽的日波動是單峰型的，而氣溫和氣壓的日波動是多峰型的，所以這兩種的日波動明顯不同。因此，在周期的提取中不考慮一天之內(nèi)的周期變化。為進行比較研究，選擇頻率在0～1(周期大于1 d)之間的FFT結(jié)果。

圖1 降水與氣象要素的比較(興隆)

圖2 傅里葉變換提取公共周期

如圖2所示，不同的觀測要素在不同的頻率下?lián)碛胁煌闹芷谧兓?，選擇時間為2013年6～8月的數(shù)據(jù)分析圖像，如安新站的各個要素波峰在頻率為0.15、0.25、0.42處相近，再用24 h分別除以頻率得出安新站的公共周期。因為篇幅限制，圖2為其中的3個站點，全部站點的公共周期尋找過程和結(jié)果如表1所示。

表1 各站點間公共周期提取

根據(jù)各個站點的公共周期，利用SPSS對各個要素進行相關性分析，結(jié)果如表2所示。

表2 各站點間要素的相關性分析

以安新站為例，當周期變短時相關性越來越差，在96 h時水汽與其他要素的相關性最好，所以安新站的最佳公共周期為96 h。通過對表2分析，得到了各個站點的最佳公共周期，只有涉縣的最佳公共周期為56 h，懷來的最佳公共周期為72 h，其他站的最佳公共周期均為96 h。

4 RBF-BP模型

考慮到GNSS水汽達到峰值時未發(fā)生降水的情況，探究興隆站在2013年6～8月發(fā)生的降水事件中，GNSS水汽序列峰值超前發(fā)生時間1～3 h的次數(shù)，占總降水次數(shù)的64%，因此可用2～3 h的GNSS水汽增量數(shù)據(jù)作為基準值來預測超前或延后降水。通過統(tǒng)計降水事件發(fā)生時的水汽增量值，發(fā)現(xiàn)在降水前后8～12 h內(nèi)的水汽增量值普遍在1～8 mm之間，當GNSS水汽增量值峰值超過基準值且在8～12 h內(nèi)出現(xiàn)降水，則認為對應一次降水。分別利用興隆2013年6～8月2 h、3 h GNSS水汽增量與本站發(fā)生降水的關系進行比較，如表3和表4所示。

表3 2 h GNSS水汽增量

表4 3 h GNSS水汽增量

本文將興隆站6～8月的GNSS水汽、溫度、氣壓數(shù)據(jù)進行RBF神經(jīng)網(wǎng)絡預測。通過序列滑差的方法，以96 h為一個周期預測后12 h的GNSS水汽及溫度、氣壓數(shù)據(jù)，如圖3所示，為各個要素的RBF預測值與真實值對比圖，可判斷出誤差較小。通過該模型增大數(shù)據(jù)量以及其余8個站點數(shù)據(jù)的輸入預測，當預測值與實際差值較低時認定為預測準確，通過RBF神經(jīng)網(wǎng)絡輸入前96 h真實值來預測后12 h GNSS水汽及氣象要素數(shù)據(jù)準確率可達83%以上。

圖3 RBF預測圖

為評價降水預報模型的性能和12 h內(nèi)降水預報的準確率，減少未知不定的其他因素影響，以及考慮到帶入氣象要素較少的情況，同時涉及實際工作需要，根據(jù)降水量標準將12 h內(nèi)降水情況進行分級，如表5所示。

表5 降水情況分級

通過RBF神經(jīng)網(wǎng)絡已獲取12 h的GNSS水汽及氣象要素數(shù)據(jù)，要通過BP神經(jīng)網(wǎng)絡直接進行降水預測，需提前建立BP降水預測模型。將興隆2013年6～8月的GNSS水汽、溫度和氣壓數(shù)據(jù)作為輸入要素，時間序列對應的降水數(shù)據(jù)作為輸出要素，帶入BP神經(jīng)網(wǎng)絡中進行降水模型建立。

圖4 BP神經(jīng)網(wǎng)絡預測

由圖4可知，在無降水發(fā)生時預測降水值較少超過2 mm，而在暴雨發(fā)生前，第18 h的位置處，預測數(shù)據(jù)出現(xiàn)了明顯波動，由上文推論可以將這3 h內(nèi)的降水量歸類于一次降水，模型預測出在21 h降水量為8.3 mm，而第18～21 h降水量總和(13.7 mm)與實際降水量(14.5 mm)對比差值較小。先后進行了20次的BP神經(jīng)網(wǎng)絡預測，對于無雨、小雨、中雨及大雨的情況下預測較為準確，對降水預測的準確度在70%左右，出現(xiàn)暴雨情況下實際降水量的預測準確度在30%左右，但對降水發(fā)生時間預測準確次數(shù)共14次，精確度在70%左右。因此可用GNSS水汽數(shù)據(jù)及氣象數(shù)據(jù)直接進行降水預測。

將圖3 RBF神經(jīng)網(wǎng)絡預測出的12 h GNSS水汽、溫度及氣壓數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡預測降水數(shù)據(jù)，并查閱到預測時間為2013年6月4日10～22時降水數(shù)據(jù)，與預測值畫圖分析對比，預測值12 h的暴雨降水時間較為準確，但對于暴雨的降水量預測準確度較低，如圖5所示，為截取預測較為準確的情況。

圖5 降水預測

5 結(jié) 論

本文綜合GNSS水汽、氣溫和氣壓等觀測要素，利用FFT與RBF、BP神經(jīng)網(wǎng)絡方法構(gòu)建降水模型，對模型進行外部可靠性檢驗。獲得結(jié)論如下：

(1)每次降水發(fā)生時都會伴隨著GNSS水汽峰值的出現(xiàn)及溫度、氣壓的相應變化；

(2)安新、滿城、興隆、三河、晉州、平山、趙縣的最佳公共周期為96 h，涉縣的最佳公共周期為56 h，懷來的最佳公共周期為72 h；

(3)RBF神經(jīng)網(wǎng)絡周期滑差的方法預測GNSS水汽及氣象要素數(shù)據(jù)以及BP神經(jīng)網(wǎng)絡進行短時降水預報，對于強降水的預測準確度較高。

本文僅選用氣溫、氣壓與水汽數(shù)據(jù)進行預測，但降水事件的發(fā)生還有很多其他因素影響；同時RBF-BP模型未構(gòu)建出更多的約束條件，模型較為簡單，有待進一步研究。