深度神經(jīng)網(wǎng)絡(luò)方法在山東降水相態(tài)判別中的應(yīng)用

朱文剛，李昌義，曲美慧，溫曉培

(1.山東省氣象科學(xué)研究所，山東 濟南 250031；2.吉林省氣象科學(xué)研究所，吉林 長春 130062)

引 言

冬季一次降水過程往往存在多種相態(tài)或多種相態(tài)之間的相互轉(zhuǎn)換，而降水相態(tài)的判別是冬季降水預(yù)報成敗的關(guān)鍵，也是決定降水過程是否為災(zāi)害性天氣的重要指標。降水相態(tài)和大氣熱力學(xué)垂直廓線相關(guān)，例如完全低于冰點(0 ℃)的大氣溫度廓線會產(chǎn)生雪；近地面暖性大氣層結(jié)厚度較厚時會產(chǎn)生雨、毛毛雨或冰雹；高空暖層蓋住地面冷層時會產(chǎn)生雪、雨、冰?；騼鲇?，這種情況下的降水類型取決于暖層和冷層的厚度、層結(jié)內(nèi)最高和最低溫度、層結(jié)內(nèi)水成物的類型和大小[1]。

早期國外對降水相態(tài)的判別是利用大氣層結(jié)厚度來區(qū)分不同類型的降水[2-5]，后來發(fā)展成計算高空暖層的厚度及其最高溫度、地面冷層的厚度及其最低溫度，再綜合閾值判斷降水類型[6-9]。RAMER[10]提出使用各氣壓層的溫度、相對濕度和濕球溫度設(shè)置不同的閾值逐步診斷降水類型，SCHUUR等[11]在RAMER的基礎(chǔ)上又加入偏振雷達的判據(jù)，進一步提高降水相態(tài)的判斷。還有采用模式輸出的各氣壓層氣象要素作為預(yù)報因子，建立降水相態(tài)和預(yù)報因子的線性回歸方程進行降水相態(tài)預(yù)報[12-13]。國內(nèi)對于降水相態(tài)的判別研究多集中于分析單個降水過程的相態(tài)轉(zhuǎn)變以及不同天氣系統(tǒng)對降水相態(tài)的影響，給出降水相態(tài)在局部區(qū)域的經(jīng)驗閾值[14-20]，或者利用大量歷史資料統(tǒng)計分析對降水相態(tài)有影響的預(yù)報因子，得到一組混合判據(jù)指標[21-26]，或者利用混合判據(jù)指標建立降水相態(tài)判別方程[27-30]。隨著觀測手段的發(fā)展，發(fā)現(xiàn)風廓線雷達的強度和下落速度、雨滴譜儀的濃度和反射率因子對臨近降水相態(tài)變化的檢測預(yù)報有一定的指示意義[31-33]。近年來，隨著機器學(xué)習(xí)方法在氣象領(lǐng)域的廣泛應(yīng)用，利用人工神經(jīng)網(wǎng)絡(luò)法和線性回歸法對降水相態(tài)的預(yù)報結(jié)果表明前者的預(yù)報效果大都優(yōu)于后者[34]。另外，利用數(shù)據(jù)挖掘的C5.0決策樹和隨機森林算法構(gòu)建模型，嘗試判別降水相態(tài)，結(jié)果表明兩種方法預(yù)測結(jié)果均較準確，其中隨機森林算法表現(xiàn)更優(yōu)[35]。

之前對于降水相態(tài)識別的分析資料主要來源于探空站和地面自動站的觀測，實際上降水相態(tài)受海拔、下墊面、氣候背景等影響，局地性差異較大，且探空資料較稀疏，因此建立的降水相態(tài)預(yù)報方程不具有代表性。另外，雨滴譜參數(shù)和雷達參數(shù)在數(shù)值模式中難以表達，業(yè)務(wù)應(yīng)用時如何選擇降水相態(tài)預(yù)報因子，如何處理數(shù)值預(yù)報偏差等問題需要進一步研究討論。而且統(tǒng)計方法存在閾值精度較低的問題，而方程判別因子的權(quán)重很難達到最優(yōu)，且對雨夾雪判別能力不足等。針對這些問題本文首先分析ERA-Interim資料在山東降水相態(tài)識別方面的可行性，然后統(tǒng)計得到可用于降水相態(tài)判別的因子，進而利用判別因子建立降水相態(tài)判別方程和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，簡稱“DNN”)模型，檢驗判別方程和DNN法對雨、雪和雨夾雪的判別結(jié)果，分析存在的問題，最后，選擇最優(yōu)的降水相態(tài)判別模型應(yīng)用到歐洲中心細網(wǎng)格預(yù)報和山東省中尺度數(shù)值預(yù)報模式中，以期為預(yù)報員提供更加準確的降水相態(tài)預(yù)報客觀產(chǎn)品。

1 資料與方法

1.1 資 料

所用資料包括2008—2017年冬半年(11月至次年3月)山東省122個自動氣象站(剔除地形偏差較大的泰山站)觀測的地面2 m溫度(T2 m)、降水相態(tài)資料；同期歐洲天氣預(yù)報中心(ECMWF)ERA-Interim再分析資料(簡稱“ERAI”)，包括地面2 m溫度(T2 m)，1000、975、950、925、900、875、850、800、700 hPa 溫度(T1000、T975、T950、T925、T900、T875、T850、T800、T700)，1000～850 hPa、850～700 hPa、700～500 hPa位勢厚度(H1000-850、H850-700、H700-500)資料。ERAI資料是ECMWF繼ERA40之后推出的一套新的再分析資料，空間分辨率為0.125°×0.125°，每日4個時次(00:00、06:00、12:00、18:00，世界時，下同)分析場。ERAI資料在處理上有很大進步：由三維同化系統(tǒng)(3DVAR)變成四維同化系統(tǒng)(4DVAR)；更改了模型參數(shù)，增加了資料精度，水平分辨率提高；應(yīng)用了更多衛(wèi)星和地面觀測資料等。通過對比分析發(fā)現(xiàn)ERAI資料在中國東部地區(qū)有很高的適用性，和實況的偏差主要由模式地形和站點高度的地形差引起[36-37]。對比分析時利用反距離權(quán)重插值法將ERAI資料插值到山東省122個自動氣象站，與觀測的降水相態(tài)資料進行時間匹配。

1.2 方 法

1.2.1 判別方程法

基于線性權(quán)重方法建立判別方程，具體公式如下[29-30]：

(1)

1.2.2 深度神經(jīng)網(wǎng)絡(luò)(DNN)法

DNN指全連接的深度神經(jīng)網(wǎng)絡(luò)，形式上和多層感知機一樣，但DNN在訓(xùn)練算法上和人工神經(jīng)網(wǎng)絡(luò)(ANN)、多層感知機(MLP)不同，ANN和MLP容易過擬合，參數(shù)難以優(yōu)化，訓(xùn)練速度比較慢，優(yōu)化過程存在梯度彌散、收斂到局部最小值等問題。為克服神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的問題，HINTON等[38]提出在非監(jiān)督數(shù)據(jù)上建立多層神經(jīng)網(wǎng)絡(luò)的有效方法，具體分為兩步：一是每次訓(xùn)練一層網(wǎng)絡(luò)，使用自下上升非監(jiān)督學(xué)習(xí)；二是調(diào)優(yōu)，使用自上向下的監(jiān)督學(xué)習(xí)，通過帶標簽的數(shù)據(jù)去訓(xùn)練，誤差自上向下傳輸，對網(wǎng)絡(luò)進行微調(diào)。圖1為深度神經(jīng)網(wǎng)絡(luò)(DNN)結(jié)構(gòu)示意圖。

圖1 深度神經(jīng)網(wǎng)絡(luò)(DNN)結(jié)構(gòu)示意圖Fig.1 Structure diagram of deep neural network (DNN)

1.3 檢驗方法

根據(jù)中國氣象局《中短期天氣預(yù)報質(zhì)量檢驗辦法》的規(guī)定，使用降水相態(tài)判別的檢驗指標，以雨、雪判別為例，實況觀測為雨、判別也是雨的站次數(shù)(判別正確)記為“NA”，實況觀測為雨、判別為雪的站次數(shù)(判別錯誤)記為“NC”，實況觀測為雪、判別為雨的站次數(shù)(判別錯誤)記為“NB”，實況觀測為雪、判別也是雪的站次數(shù)(判別正確)記為“ND”。對于多種降水相態(tài)的判別，把一種降水相態(tài)看成一類，其余的降水相態(tài)看成另一類。雨、雪相態(tài)檢驗公式如下：

(2)

式中：PCall(%)為雨、雪總準確率，表示雨和雪都判別正確的站次與雨和雪的總站次之比。

降水相態(tài)檢驗公式如下：

(3)

式中：RCr、PCr、P0r、FARr(%)分別為雨的準確率、精確率、漏報率、空報率。

降雪相態(tài)檢驗公式如下：

(4)

式中：RCs、PCs、P0s、FARs(%)分別為雪的準確率、精確率、漏報率、空報率。模型準確率和精確率呈負相關(guān)，為平衡準確率和精確率引入綜合評價指標Fs，當Fs得分較高時說明試驗方法比較有效，具體公式如下：

(5)

式中：PC是雨或雪的精確率，RC是雨或雪的準確率。除了這些量化的評價指標，還可以使用P-R曲線、ROC曲線評價機器學(xué)習(xí)模型的好壞[39]。

2 氣象要素統(tǒng)計特征

降水相態(tài)判別因子的選取主要有溫度、位勢厚度、0 ℃層高度、露點溫度、相對濕度、濕球溫度、假相當位溫等，其中，溫度和位勢厚度作為常用的判別因子對降水相態(tài)的判斷具有重要指示意義。對不同降水相態(tài)的溫度和位勢厚度判別因子進行統(tǒng)計分析，最終選取8個降水相態(tài)判別因子(T2 m、T1000、T975、T950、T925、T850、H850-700、H1000-850)用于建立降水相態(tài)判別方程和訓(xùn)練降水相態(tài)DNN模型。

2.1 降水相態(tài)與溫度

大氣溫度垂直廓線能夠反映整層大氣垂直結(jié)構(gòu)及冷暖層結(jié)。雨滴在下落過程中，溫度直接影響雨滴的相態(tài)變化，同時小雨滴相態(tài)變化通過吸收和釋放潛熱，反過來影響大氣溫度，溫度廓線的微小變化(±0.5 ℃)也會對地面降水相態(tài)產(chǎn)生很大影響。

圖2為2008—2017年山東冬半年實況和ERAI資料對應(yīng)的不同降水相態(tài)(雨、雨夾雪、雪)的地面2m溫度箱線圖?？梢钥闯觯涤陿颖?，ERAI和實況箱線圖10%～90%分位數(shù)區(qū)間基本一致，10%分位數(shù)的T2m約為2.0 ℃，當T2m>2.0 ℃時，實況和ERAI判斷為降雨；降雪樣本，10%～90%分位數(shù)區(qū)間ERAI的T2m比實況略微偏高，實況90%分位數(shù)為0.4 ℃，ERAI 90%分位數(shù)為0.9 ℃，而降雪90%分位數(shù)和雨夾雪10%分位數(shù)有交叉，因此降雪時T2 m閾值設(shè)為0 ℃，即當T2 m<0 ℃時，判斷為降雪；雨夾雪樣本，ERAI 10%分位數(shù)和實況比較一致約為0 ℃，但ERAI 90%分位數(shù)T2 m為3.3 ℃，而實況為2.5 ℃，即ERAIT2m比實況偏高，對雨夾雪的判斷有一定影響，雨夾雪時T2 m閾值設(shè)為0～2.0 ℃。整體上，無論實況還是ERAI資料，T2 m有區(qū)分不同降水相態(tài)的能力，具有適用性，能夠作為降水相態(tài)判別的因子。

圖2 2008—2017年山東冬半年實況和ERAI資料不同降水相態(tài)(雨、雨夾雪、雪)的地面2 m溫度箱線圖Fig.2 The boxplot of T2m for different precipitation types (rain, sleet, snow) corresponding to the actual situation and ERAI data in winter half year in Shandong Province during 2008-2017

圖3為2008—2017年山東冬半年ERAI資料不同降水相態(tài)下、不同氣壓層的溫度箱線圖?？梢钥闯?，雨和雨夾雪有明顯的溫度界限，雨夾雪和雪的溫度界限不明顯，高度越高溫度對區(qū)分降水相態(tài)的能力越弱，850 hPa以上，不同降水相態(tài)的箱線圖10%～90%交叉較大。雨和雨夾雪在1000、975、950、925 hPa有明顯的溫度特征，不同相態(tài)箱線圖10%～90%基本沒有交叉，但1000 hPa接近地面，受地形影響誤差較大，綜合考慮當各層溫度同時滿足以下條件時判別為降雨：T850>-3 ℃，T925>-1 ℃，T950>0 ℃，T975>0 ℃，T1000>2 ℃，T2 m>2 ℃。而雨夾雪和雪的溫度特征不明顯，箱線圖10%～90%溫度區(qū)間在各氣壓層交叉都較大，因此取20%～80%溫度區(qū)間，得到雪的各層分類閾值指標：T850<-7 ℃，T925<-4 ℃，T950<-3 ℃，T975<-3 ℃，T1000<-1 ℃，T2 m<0 ℃。

2.2 降水相態(tài)與位勢厚度

位勢厚度能夠反映大氣的冷暖結(jié)構(gòu)，影響小水滴下落過程中吸收和釋放潛熱，圖4為2008—2017年山東ERAI資料冬半年不同降水相態(tài)對應(yīng)的位勢厚度箱線圖?？傮w上，在區(qū)分降水相態(tài)能力上，位勢厚度指標不如溫度指標特征明顯，平均值和中位數(shù)比較接近，滿足正態(tài)分布，且H1000-850優(yōu)于H850-700、H700-500。在雨、雨夾雪、雪的判斷上，H1000-850雨和雨夾雪的10%～90%分位數(shù)交叉范圍較小，H1000-850>130 dagpm時判斷為降雨，H1000-850雨夾雪和雪的10%～90%分位數(shù)有交叉范圍，因此取雨夾雪20%分位數(shù)和雪80%分位數(shù)作為閾值指標，H1000-850<128 dagpm判斷為降雪，H1000-850位于128～130 dagpm之間判斷為雨夾雪。H850-700雨和雨夾雪的10%～90%分位數(shù)交叉范圍較大，因此取雨25%分位數(shù)和雨夾雪75%分位數(shù)作為閾值，H850-700>153 dagpm為降雨，H850-700取雨夾雪25%分位數(shù)和雪75%分位數(shù)作為閾值指標，H850-700<150 dagpm判斷為降雪，H850-700位于150～153 dagpm之間為雨夾雪。H700-500不同降水相態(tài)間的箱線圖交叉范圍較大，散點圖也沒有明顯的邊界特征(圖略)，因此不考慮H700-500作為降水相態(tài)判斷的預(yù)報因子。

圖3 2008—2017年山東冬半年ERAI資料不同降水相態(tài)下、不同氣壓層的溫度箱線圖Fig.3 Temperature boxplot of different precipitation types on different pressure layers based on ERAI data in winter half year in Shandong Province during 2008-2017

圖4 2008—2017年山東冬半年ERAI資料不同降水相態(tài)的位勢厚度箱線圖Fig.4 Boxplot of geopotential thickness of different precipitation types based on ERAI data in winter half year in Shandong Province during 2008-2017

3 試驗設(shè)計和檢驗

3.1 試驗設(shè)計

通過對降水相態(tài)和溫度、位勢厚度的分析，選取T2 m、T1000、T975、T950、T925、T850、H850-700、H1000-850共8個因子建立降水相態(tài)判別方程和訓(xùn)練DNN模型。經(jīng)統(tǒng)計2008—2017年山東冬半年雨、雪和雨夾雪分別有14 801、8730、979站次，將數(shù)據(jù)隨機分成訓(xùn)練樣本和測試樣本，比例為9:1。訓(xùn)練樣本用來建立判別方程和訓(xùn)練DNN模型并驗證模型，雨、雪和雨夾雪分別有13 321、7857、882站次，測試樣本用來進行檢驗，雨、雪和雨夾雪分別有1480、873、97站次。

3.1.1 建立降水相態(tài)判別方程

利用8個判別因子的閾值分別進行降水相態(tài)識別，檢驗得到雨、雪和雨夾雪的準確率如表1所示，近地面的準確率較高，但在實際業(yè)務(wù)應(yīng)用時，地面預(yù)報誤差較大，單一判據(jù)得分并不理想。因此，將8個判據(jù)利用公式(1)建立3種降水相態(tài)的判別方程，具體公式如下：

(6)

式中：y0、y1、y2分別為雨、雪和雨夾雪的判別方程。表2為2008—2017年山東冬半年判別方程訓(xùn)練樣本降水相態(tài)判別檢驗結(jié)果：雨的準確率為88.5%，實況為雨判別成雪占0.8%、實況為雨判別為雨夾雪占10.7%，雨的漏報率為11.5%；雪的準確率為81.8%，實況為雪判別為雨占0.8%、實況為雪判別為雨夾雪占17.4%，雪的漏報率為18.2%；雨夾雪的準確率為63.6%，實況為雨夾雪判別為雨占13.3%、實況為雨夾雪判別為雪占23.1%，雨夾雪的漏報率為36.4%。相比用單個判別因子，判別方程的結(jié)果更合理，但是雨夾雪的準確率較低，這和前人研究結(jié)論一致[29-30]。

表1 2008—2017年山東冬半年訓(xùn)練樣本8個判別因子降水相態(tài)判別準確率Tab.1 Accuracy of precipitation type discrimination based on 8 discriminant factors of training samples in winter half year in Shandong Province during 2008-2017 單位：%

表2 2008—2017年山東冬半年判別方程訓(xùn)練樣本降水相態(tài)判別檢驗結(jié)果Tab.2 Test results of precipitation type discrimination of training samples using discrimination equation in winter half year in Shandong Province during 2008-2017

3.1.2 訓(xùn)練DNN模型

訓(xùn)練模型之前對數(shù)據(jù)進行標準化、上采樣等預(yù)處理，為驗證模型的有效性，采用10次交叉驗證策略。DNN方法的參數(shù)設(shè)置：迭代算法使用隨機梯度算法adam，激活函數(shù)使用relu，包含5個隱含層，每個隱含層神經(jīng)元的個數(shù)分別為64、64、32、32、16。

表3為2008—2017年山東冬半年訓(xùn)練樣本DNN方法10次交叉驗證的結(jié)果，圖5為DNN方法的ROC曲線和P-R曲線，ROC曲線越左凸越好，P-R曲線越右凸越好，AUC為ROC曲線和坐標軸圍成的面積，其值越接近1越好。10次交叉訓(xùn)練結(jié)果接近平均值，說明數(shù)據(jù)隨機劃分合理，模型穩(wěn)定。從平均值來看，雨的識別最高，精確率(PC)、準確率(RC)、Fs得分分別為95%、90%、93%，其次為雪的識別，PC、RC、Fs得分分別為90%、81%、86%，雨夾雪的識別最差，PC、RC、Fs得分分別為76%、87%、81%。雪的精確率大于雨夾雪的精確率，但雪的準確率小于雨夾雪的準確率，雨夾雪的空報率高于雪的空報率，雪Fs得分大于雨夾雪Fs得分。另外，雨、雪和雨夾雪ROC曲線的左凸趨勢、P-R曲線右凸趨勢和AUC值(雨、雪、雨夾雪分別為0.99、0.96、0.93)也說明DNN方法對雨識別最高，其次為雪、雨夾雪的識別。

對比DNN(表4)和判別方程(表2)的結(jié)果，DNN方法雨、雪、雨夾雪的準確率分別為90.7%、82.8%、87.2%，判別方程雨、雪、雨夾雪的準確率分別為88.5%、81.8%、63.6%，說明DNN方法優(yōu)于判別方程方法。

3.2 檢 驗

3.2.1 隨機檢驗

利用測試樣本進行隨機檢驗，雨、雪和雨夾雪樣本分別有1480、873、97站次。表5和表6分別為2008—2017年山東冬半年利用2種判別方法對降水相態(tài)判別的檢驗結(jié)果，可以看出判別方程的總準確率為85.8%，DNN方法的總準確率為87.9%，提高2.1%；判別方程雨、雪和雨夾雪的準確率分別為88.4%、83.5%、66.0%，DNN方法雨、雪和雨夾雪的準確率分別為90.3%、83.7%、87.6%，分別提高1.9%、0.2%和21.6%，說明DNN方法大大提高了雨夾雪的判別能力。

表3 2008—2017年山東冬半年DNN方法訓(xùn)練樣本10次交叉驗證結(jié)果Tab.3 The 10 times cross validation results of training samples using DNN method in winter half year in Shandong Province during 2008-2017

圖5 DNN方法ROC曲線(a)和P-R曲線(b)Fig.5 ROC curve (a) and P-R curve (b) of DNN method

表4 2008—2017年山東冬半年DNN方法訓(xùn)練樣本降水相態(tài)判別檢驗結(jié)果Tab.4 Test results of precipitation type discrimination of training samples using DNN method in winter half year in Shandong Province during 2008-2017

表5 2008—2017年山東冬半年判別方程測試樣本降水相態(tài)判別檢驗結(jié)果Tab.5 Test results of precipitation type discrimination of test samples using discriminant equation in winter half year in Shandong Province during 2008-2017

表6 2008—2017年山東冬半年DNN方法測試樣本降水相態(tài)判別檢驗結(jié)果Tab.6 Test results of precipitation type discrimination of test samples using DNN method in winter half year in Shandong Province during 2008-2017

3.2.2 個例檢驗

以上建立了降水相態(tài)判別方程和訓(xùn)練DNN模型，并對兩種方法進行了對比檢驗。然而在實際業(yè)務(wù)應(yīng)用時，需將降水相態(tài)預(yù)報模型應(yīng)用到實時數(shù)值預(yù)報模式中，由于不同模式預(yù)報偏差不同，且預(yù)報時效越長預(yù)報偏差也越大，預(yù)報偏差會嚴重影響降水相態(tài)的判別能力。因此利用ERAI資料訓(xùn)練的降水相態(tài)預(yù)報模型能否應(yīng)用到數(shù)值預(yù)報？兩種方法的預(yù)報效果如何？以ECMWF細網(wǎng)格模式預(yù)報為例，2016年12月26日06:00山東省出現(xiàn)一次大范圍的雨、雪、雨夾雪天氣過程。圖6為歐洲中心2016年12月25日12:00起報未來16～18 h累計降水量空間分布和實況觀測、判別方程法、DNN方法判別的12月26日06:00雨、雪和雨夾雪站點填圖?？梢钥闯?，全省實況觀測109站出現(xiàn)降水，其中雨39站，雪53站，雨夾雪17站，模式漏報3站[圖6(a)]。通過對106站的檢驗結(jié)果表明：判別方程對雨和雪的判別有一定的識別能力，但在不同降水相態(tài)的分界線上誤差較大[圖6(b)]，雨、雪和雨夾雪的準確率分別為83.3%、69.8%和58.8%(表7)，說明該方法雪和雨夾雪的識別能力不足，有30.2%的雪漏報成雨夾雪，29.4%的雨夾雪漏報成雪。目前業(yè)務(wù)上常把雨夾雪和雪都當做雪來預(yù)報，此時判別方程雨和雪準確率分別為83.3%和89.2%，但純雪24 h降水量超過10 mm則為暴雪，雨夾雪24 h降水量超過10 mm則達不到暴雪級別，因此需要提供更精細化的預(yù)報服務(wù)。表8為2016年12月26日06:00 DNN方法降水相態(tài)判別檢驗結(jié)果，通過對比，DNN方法的判別能力明顯優(yōu)于判別方程法，全省106站判別方程判別錯誤29站[圖6(b)、表7]， DNN方法判別錯誤14站[圖6(c)、表8]，DNN方法雨、雪和雨夾雪的準確率分別為91.7%、84.9%和82.4%，比判別方程分別提高了8.4%、15.1%和23.6%。個例檢驗結(jié)果表明將DNN降水相態(tài)預(yù)報模型應(yīng)用到實時數(shù)值預(yù)報模式中取得了較好的應(yīng)用效果，對降水相態(tài)的識別能力優(yōu)于判別方程。

圖6 歐洲中心2016年12月25日12:00起報未來16～18 h累計降水量空間分布(a、b、c，陰影，單位：mm)和實況觀測(a)、判別方程判別(b)、DNN方法判別(c)的2016年12月26日06:00雨、雪和雨夾雪站點填圖(其中紅色符號為判別錯誤站，黑色符號為判別正確站)Fig.6 The distribution of cumulative precipitation of 16～18 hours in the future starting from 12:00 UTC on 25 December 2016 fore casted by the European center (a, b, c, shadow, Unit: mm) and the map of rain, snow and sleet station at 06:00 UTC on 26 December 2016 from actual observation (a), discriminant equation (b) and DNN method (c) discrimination(the red symbol for incorrect station, black symbol for correct station)

表7 2016年12月26日06:00判別方程降水相態(tài)判別檢驗結(jié)果Tab.7 Results of discriminant test of precipitation type using discriminant equation at 06:00 UTC on 26 December 2016

表8 2016年12月26日06:00 DNN方法降水相態(tài)判別檢驗結(jié)果Tab.8 Results of discriminant test of precipitation type using DNN method at 06:00 UTC on 26 December 2016

4 結(jié)論和討論

(1)分析ERAI不同降水相態(tài)的溫度特征和位勢厚度特征，得到8個可用于降水相態(tài)判別的因子(T2 m、T1000、T975、T950、T925、T850和H850-700、H1000-850)及其閾值指標，并利用這些要素建立適合山東區(qū)域的降水相態(tài)判別方程，相比較用單個判別因子，判別方程的結(jié)果更加合理，但雨夾雪的準確率較低。

(2)考慮判別方程的閾值精度低和權(quán)重難以取最優(yōu)，利用DNN方法訓(xùn)練降水相態(tài)預(yù)報模型，通過隨機檢驗和利用歐洲中心細網(wǎng)格預(yù)報進行個例檢驗，結(jié)果表明DNN方法的降水相態(tài)識別能力優(yōu)于判別方程，尤其是提高了對雨夾雪的識別能力。

ERAI地面2 m溫度和近地面層溫度受地形的影響偏差較大，應(yīng)該進行地形訂正。在實際的業(yè)務(wù)應(yīng)用時由于數(shù)值預(yù)報存在系統(tǒng)性偏差，且隨著預(yù)報時效越長偏差越大，預(yù)報偏差會嚴重影響降水相態(tài)的判別能力，因此需要偏差訂正；DNN方法對降水相態(tài)的識別能力優(yōu)于判別方程方法，能夠得到較好的效果，但是無論哪種方法都依賴于數(shù)值模式的降水預(yù)報和溫度預(yù)報；對降水相態(tài)的識別研究只考慮了雨、雪和雨夾雪3種相態(tài)，將來進一步研究凍雨、冰雹等天氣現(xiàn)象的特征識別，另外只分析溫度和位勢厚度的降水相態(tài)特征，濕球溫度、相對濕度、露點等氣象要素能否進一步提高降水相態(tài)識別的準確率有待進一步研究，尤其是降水相態(tài)實施自動觀測以后，需要根據(jù)儀器觀測原理增加雷達垂直速度重新訓(xùn)練機器學(xué)習(xí)模型用于降水相態(tài)的預(yù)報。