基于BP神经网络的地温推演模型

发布时间：2020-06-30 23:41

【摘要】：针对地温观测中数据缺测和国家一般气象站无深层地温观测的问题,提出了采用BP神经网络建立的实时地温推演模型和深层地温推演模型(40~160 cm地温模型和320 cm地温模型)。前者可用于整点地温观测数据缺测的填补,后者用于无深层地温观测地区的地温估算。以样本站的小部分数据训练网络,用样本站全部数据测试,反复调试神经网络参数,筛选出误差性能好的地温模型,再用对比站数据测试地温模型的输出误差。实时地温模型样本站推演正确率为77.705%,对比站推演正确率为66.168%;40~160 cm地温模型72%以上的输出误差不大于0.5℃;320 cm地温模型83%以上的输出误差不大于1℃。实验结果表明,该方法建立的地温推演模型具有较高的精度和实用性。
【图文】：

之外的影响，含不确定性因素;用历年观测资料建立的地温回归方程一般是周期函数，输出的是某一地层平均温度，函数线形固定，不能体现气候变化的影响;ＲBF神经网络一次只能输出1个值，对训练样本的质量要求很高。本文采用BP神经网络，以江苏苏北地区某基准站2004年1月到2014年12月的气温和地温数据为样本，构建地温推演模型，训练好的模型使用与该基准站直线距离80km的某国家基本气象站［1］(基本站，该站也有深层地温观测)的数据进行比对测试，检验地温模型的实用性和泛化能力［8-11］。1地温变化规律分析图1演示了基准站2009～2012年气温和各层地温随时间变化情况，图2演示了基准站2011年7～8月62d的图1基准站2009～2012年气温和各层地温变化情况Fig．1Airtemperatureandgroundtemperaturechangesituationofbasestationin2009～2012

第10期基于BP神经网络的地温推演模型·1563·图2基准站2011年7～8月气温和各层地温变化情况Fig．2AirtemperatureandgroundtemperaturechangesituationofbasestationfromJulytoAugustin2011气温和各层地温随时间变化情况。为了方便表述，本文中以T代表温度，字母T的下标代表土层深度，T0表示0cm土层地温，T－20表示20cm深土层的地温，以此类推。通过计算相关系数(表略)可以看出:气温对浅层地温的影响较大;各地温层之间相关性最大的是其相临的上下层地温;T－320与T－160相关，与T－80、T－40中等相关，与气温、T－5、T－10、T－15、T－20之间弱相关，与T0不相关。结合图1、2可以看出，1)T0的日变化幅度最大。0cm土层是空气和土壤的交界，各种土层外的气象要素对地温的影响和改变正是从这里开始的，T0的数据是综合影响的结果。距离地表越深的土层，其温度受T0波动的影响越校2)下一层的地温相对上一层的地温，在时序上的变化趋势呈现出延迟响应系统的特征，随着土层深度的增加，延迟的时间逐渐变长。T－160的变化趋势对比浅层地温，延迟时间约为33d。2神经网络模型设计BP神经网络是一种按误差反向传播的算法［12］，在信号前向传递中，输入信号从输入层经隐藏层逐层处理至输出层，如果输出层没有得到期望输出，则进行误差反向传播，调整网络权值阈值，再正向传播，直到网络输出的误差减小到预设值。根据各层地温变化延时响应的特性，在构建输入层(输入向量的选择)的时候，输入向量包含了目标时间节点的前一段时间内的特定时间点的相关地温数据［13-15］，考虑到气温和浅层地温的相互影响时效性很强，相应时间点的气温数据也作为输入向量的组成部分。本文将构成?

本文编号：2735983