intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Báo cáo nghiên cứu khoa học " Thử nghiệm dự báo lượng mưa ngày bằng phương pháp dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm mô hình số "

Chia sẻ: Nguyen Nhi | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST
Báo xấu
91
lượt xem 6
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trên thế giới có rất nhiều nhà khí t-ợng đã quan tâm tới mạng thần kinh nhân tạo (MTKNT) vì nó có khả năng học và xử lý tính phi tuyến của các quá trình biến đổi phức tạp mà các ph-ơng pháp dự báo khác không thực hiện đ-ợc. MTKNT đã đ-ợc ứng dụng trong rất nhiều lĩnh vực khoa học nh- điều khiển tự động, nhận dạng dấu vân tay, ... và cũng đ-ợc các nhà khí t-ợng sử dụng trong dự báo thời tiết, khí hậu. ...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Báo cáo nghiên cứu khoa học " Thử nghiệm dự báo lượng mưa ngày bằng phương pháp dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm mô hình số "

  1. T¹p chÝ Khoa häc ®hqghn, KHTN & CN, T.xxII, Sè 1PT., 2006 Thö nghiÖm dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p dïng m¹ng thÇn kinh nh©n t¹o hiÖu chØnh s¶n phÈm m« h×nh sè Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn Khoa KhÝ t−îng-Thuû v¨n vµ H¶i d−¬ng häc Tr−êng §¹i häc Khoa häc Tù nhiªn, §HQG Hµ Néi 1. Më ®Çu Trªn thÕ giíi cã rÊt nhiÒu nhµ khÝ t−îng ®· quan t©m tíi m¹ng thÇn kinh nh©n t¹o (MTKNT) v× nã cã kh¶ n¨ng häc vµ xö lý tÝnh phi tuyÕn cña c¸c qu¸ tr×nh biÕn ®æi phøc t¹p mµ c¸c ph−¬ng ph¸p dù b¸o kh¸c kh«ng thùc hiÖn ®−îc. MTKNT ®· ®−îc øng dông trong rÊt nhiÒu lÜnh vùc khoa häc nh− ®iÒu khiÓn tù ®éng, nhËn d¹ng dÊu v©n tay, ... vµ còng ®−îc c¸c nhµ khÝ t−îng sö dông trong dù b¸o thêi tiÕt, khÝ hËu. Cã thÓ kÓ ra mét sè c«ng tr×nh nghiªn cøu ®· sö dông MTKNT nh− dù b¸o gi¸ng thuû h¹n dµi ë California, m« h×nh ho¸ «z«n, dù b¸o m−a ®¸ nguy hiÓm, dù b¸o gi¸ng thñy h¹n ng¾n,... Tuy nhiªn, trong n−íc míi chØ cã rÊt Ýt c¸c nghiªn cøu vÒ lÜnh vùc nµy vµ ch−a cã c«ng tr×nh nµo ®−îc ¸p dông vµo thùc tiÔn. ë ®©y chóng t«i sö dông MTKNT ®Ó thö nghiÖm hiÖu chØnh s¶n phÈm cña m« h×nh sè, cô thÓ lµ l−îng m−a cña m« h×nh ph©n gi¶i cao HRM, theo sè liÖu quan tr¾c trong 3 th¸ng mïa m−a (6, 7, 8) n¨m 2004 nh»m n©ng cao chÊt l−îng cña s¶n phÈm dù b¸o sè. Tr−íc hÕt ta sÏ xem xÐt cÊu tróc vµ ho¹t ®éng cña mét m¹ng thÇn kinh ®¬n gi¶n còng nh− ph−¬ng ph¸p häc gi¶m gradient cña MTKNT, sau ®ã sÏ tiÕn hµnh hiÖu chØnh s¶n phÈm cña m« h×nh sè vµ ®¸nh gi¸ kÕt qu¶. 2. Kh¸i niÖm vÒ MTKNT vµ ph−¬ng ph¸p häc gi¶m gradient 2.1. CÊu tróc vµ ho¹t ®éng cña MTKNT Gi ¸ t rÞ ® Çu vµo 1 Tæ ng cã t rän g s è cñ a c¸c g i ¸ t rÞ ® Çu vµo Hµm t ruy Òn Gi ¸ t rÞ ® Çu vµo n (a) (b) H×nh 1. S¬ ®å m¹ng thÇn kinh sinh häc (a) vµ cÊu tróc cña MTKNT mét nót Èn (b). - M¹ng thÇn kinh sinh häc bao gåm nh¸nh thÇn kinh (dendrites), tÕ bµo thÇn kinh (cell body), trôc thÇn kinh (axon) vµ c¸c xung thÇn kinh (electrical spike) t−¬ng øng víi 3 phÇn chÝnh bao gåm ®Çu vµo, líp Èn vµ kÕt xuÊt cña MTKNT. 1
  2. Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn 2 - §Çu vµo cña MTKNT bao gåm N gi¸ trÞ xi vµ c¸c träng sè a ij t−¬ng øng. KÕt qu¶ lÊy tæng cã träng sè cña c¸c xi sÏ ®−îc nhËp vµo líp Èn : n ∑x a u j = ao + (1) i ij i =1 - Líp Èn bao gåm hµm truyÒn, cã thÓ lµ hµm sigma, hµm tang-hypebol,…Ng−êi ta th−êng sö dông hµm sigma cã d¹ng: 1 σ(x) = (2) 1 + e xp ( − x ) Thay gi¸ trÞ cña u j vµo hµm truyÒn sÏ ®−îc ®Çu ra cña líp Èn, ký hiÖu lµ yj (j=1,.., H). - C¸c gi¸ trÞ ®Çu ra cña líp Èn lµ ®Çu vµo cña kÕt xuÊt, thùc hiÖn t−¬ng tù nh− ®èi víi líp Èn ®−îc gi¸ trÞ kÕt xuÊt, ký hiÖu lµ zk (k = 1,.., K). - KÕt xuÊt ®Ých mµ ta muèn m¹ng häc ®−îc lµ c¸c gi¸ trÞ tk (k = 1,.., m). y j = σ (u j ) n b jk a ij h u j = a o + ∑ xi aij z k = bo + ∑ y j b jk yj xi i =1 j =1 H×nh 2. Qu¸ tr×nh lan truyÒn tiÕn - Mét qu¸ tr×nh ®i tõ ®Çu vµo, qua líp Èn vµ ®Õn kÕt xuÊt lµ mét qu¸ tr×nh lan truyÒn tiÕn (feed-forward) cña m¹ng (H×nh 2). Qu¸ tr×nh nµy còng t−¬ng tù nh− qu¸ tr×nh nhËn, xö lý th«ng tin vµ truyÒn th«ng tin ®Õn n·o bé cña mét tÕ bµo thÇn kinh sinh häc. 2.2. Ph−¬ng ph¸p häc gi¶m gradient (gi¶m dèc nhÊt) B¶n chÊt cña ph−¬ng ph¸p nµy lµ cùc tiÓu ho¸ hµm lçi (sai sè trung b×nh b×nh ph−¬ng) gi÷a kÕt xuÊt zk vµ kÕt xuÊt ®Ých tk . Hµm lçi E lµ hµm cña träng sè: r 1m E (ω ) = ∑ (t k − z k ) 2 (3) 2 k =1 r r víi ω lµ vect¬ c¸c träng sè, øng víi mçi vect¬ ω ta cã mét gi¸ trÞ sai sè vµ c¸c gi¸ trÞ nµy lËp thµnh mét mÆt lçi trong kh«ng gian. §Ó dÔ h×nh dung ta gi¶ sö cã 2 träng sè w1 vµ w2 vµ ta cã thÓ biÓu diÔn hµm E lµ mét mÆt lçi theo 2 biÕn nµy. E w2 w1 H×nh 3. MÆt lçi
  3. Thö nghiÖm dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p... 3 Môc tiªu cña m¹ng lµ t×m ®−îc ®iÓm tròng nhÊt trªn mÆt lçi, n¬i ®ã zk vµ tk gÇn nhau nhÊt. Ban ®Çu, khi chän mét cÆp träng sè bÊt kú ta ®−îc mét ®iÓm trªn mÆt lçi vµ m¹ng ph¶i ®i theo mét ®−êng nµo ®ã ®Ó t×m ®−îc ®iÓm tròng nhÊt. H−íng ®i cña m¹ng qua tõng b−íc lµ h−íng lµm gi¶m sai sè cña b−íc tr−íc nã. BiÓu diÔn to¸n häc cña qu¸ tr×nh cùc tiÓu ho¸ sai sè ®−îc tr×nh bµy d−íi d©y. ThiÕt kÕ mét MTKNT gåm ®Çu vµo bao gåm n mÉu, mçi mÉu gåm c¸c gi¸ trÞ input xi (i=1..N), líp Èn gåm c¸c nót yj (j=1..H) vµ kÕt xuÊt lµ c¸c gi¸ trÞ ®Ých tk (k=1..K). Ký hiÖu l¹i hµm truyÒn sigma lµ g(x): g (x ) = 1 (4) 1 + exp(− x ) a0 b0 a1 1 b11 x1 u1 y1 v1 z1 t1 a2 2 b21 x2 u2 y2 a1 H b1K bH1 … … g(uj) g(vk ) b2k … … … … … … aN 2 … xN uH yH vK zK tK §Çu vµo L íp È n ®Çu ra ® Ýc h H×nh 4: C¸c thµnh phÇn chñ yÕu cña mét mÉu cña MTKNT. §èi víi mçi mÉu, tr−íc hÕt ta tÝnh tæng träng sè c¸c gi¸ trÞ ®Çu vµo: N u j = a 0 + ∑ a ij .xi (5) i =1 Hµm truyÒn sigma ®−îc ¸p dông cho líp Èn: 1 y j = g (u j ) = 1 + exp(− u j ) (6) LÊy tæng träng sè c¸c nót Èn yj : H v k = b0 k + ∑ b jk . y j (7) j =1 ¸p dông hµm truyÒn sigma cho líp xuÊt: 1 z k = g (v k ) = (8) 1 + exp(− v k ) B−íc (8) ®−îc thùc hiÖn nÕu nh− gi¸ trÞ ®Ých lµ biÕn nhÞ ph©n. NÕu lµ c¸c gi¸ trÞ thùc th× zk ®−îc g¸n trùc tiÕp b»ng vk t−¬ng øng. Sai sè tæng céng cña mçi mÉu lµ:
  4. Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn 4 1K ∑ (zk − tk )2 E= (9) 2 k =1 §Ó sai sè nµy ®¹t cùc tiÓu th× ®¹o hµm cña E theo c¸c träng sè ph¶i tiÕn dÇn ®Õn 0. Ta tÝnh ®¹o hµm riªng cña E theo tõng träng sè. Tr−íc hÕt lµ theo träng sè cña líp xuÊt: ∂E ∂z k ∂v k ∂E = . . , (10) ∂b jk ∂z k ∂v k ∂b jk ∂E = zk − tk trong ®ã (11) ∂z k ∂z k = z k .(1 − z k ) (12) ∂v k ∂v k = yj vµ (13) ∂b jk ∂E ⇒ = y j .z k .(1 − z k ).( z k − t k ) Khi ®ã: (14) ∂b jk p k = z k .(1 − z k ).( z k − t k ) §Æt: (15) ∂E ⇒ = y j . pk VËy (16) ∂b jk TiÕp theo lµ ®¹o hµm theo träng sè cña líp Èn: ∂E ∂y j ∂u i ⎛ K ∂E ∂z k ∂v k ⎞ ∂y j ∂u i ∂E = ⎜∑ ⎟. = . . . . . (17) ∂aij ∂y j ∂u i ∂aij ⎜ k =1 ∂z k ∂v k ∂b jk ⎟ ∂u ∂a ⎝ ⎠ i ij Sö dông ph−¬ng tr×nh (16) ta ®−îc: ⎞ ∂y j ∂u i ∂E ⎛ K = ⎜ ∑ p k .b jk ⎟. . , (18) ∂aij ⎝ k =1 ⎠ ∂u i ∂aij ∂y j = y j .(1 − y j ) trong ®ã (19) ∂u i ∂u i = xi vµ (20) ∂aij ∂E ⎛ K ⎞ = ⎜ ∑ p k .b jk ⎟ y j .(1 − y j ).xi ⇒ VËy (21) ∂a ij ⎝ k =1 ⎠
  5. Thö nghiÖm dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p... 5 NÕu g(x) lµ hµm hybepol hay tang hypebol th× ®¹o hµm cña E theo c¸c träng sè sÏ kh¸c. C¸c träng sè aij vµ bjk ®−îc cËp nhËt sao cho gradient tæng céng cña sai sè theo mäi träng sè trªn tÊt c¶ c¸c mÉu gi¶m ®i. Gäi d lµ tæng gradient sai sè theo mäi träng sè (ký hiÖu chung lµ ω ) cña b−íc tr−íc nã: ⎛ ∂E ⎞ n d = ∑⎜ ⎟ (22) i =1 ⎝ ∂ω ⎠ i víi ∂E / ∂ω lµ ®¹o hµm riªng tæng céng cña E theo träng sè cña mÉu thø i, n lµ sè l−îng mÉu. H−íng gi¶m dèc nhÊt lµ h−íng ng−îc l¹i cña h−íng d. Nh− vËy, mçi träng sè sau mét b−íc sÏ ®−îc cËp nhËt míi: ω k +1 = ω k + ∆ω (23) ∆ω = −ε .d víi: (24) trong ®ã ε lµ hÖ sè häc, lµ hÖ sè thùc nghiÖm do ng−êi sö dông tù chän, ë ®©y chän hÖ sè häc ε = 0.05 . Theo dâi sù biÕn thiªn cña sai sè E theo thêi gian ®Õn khi E gi¶m Ýt hoÆc hÇu nh− kh«ng gi¶m n÷a th× dõng l¹i vµ chän sè thÕ hÖ luyÖn phï hîp. Qu¸ tr×nh luyÖn ®−îc thùc hiÖn nhiÒu lÇn ®Ó tr¸nh r¬i vµo c¸c cùc tiÓu ®Þa ph−¬ng trªn mÆt lçi hay cßn gäi lµ bÞ r¬i vµo “bÉy”. Nh− vËy, trªn lý thuyÕt MTKNT cã thÓ t×m ®−îc sai sè cùc tiÓu, cã thÓ b»ng 0 vµ kÕt xuÊt sÏ hoµn toµn trïng khíp víi kÕt xuÊt ®Ých. Nh−ng cã mét sè vÊn ®Ò lµm cho MTKNT kh«ng t×m ®Õn ®−îc ®iÓm tròng nhÊt cña mÆt lçi. ViÖc häc cña MTKNT hoµn toµn ®éc lËp víi con ng−êi, con ng−êi kh«ng t¸c ®éng ®Õn bÊt cø mét ho¹t ®éng nµo cña nã nh−ng viÖc chän sè nót, sè líp Èn, sè thÕ hÖ qu¸ nhiÒu hoÆc qu¸ Ýt l¹i cã thÓ lµm cho MTKNT kh«ng t×m ®−îc sai sè cùc tiÓu. Ngoµi ra m¹ng cßn th−êng gÆp ph¶i mét vÊn ®Ò n÷a lµ vÊn ®Ò qu¸ khíp. Khi kiÓm nghiÖm cho thÊy ®èi víi tËp sè liÖu luyÖn, sai sè rÊt nhá nh−ng víi tËp sè liÖu ®éc lËp dïng ®Ó ®¸nh gi¸ th× sai sè l¹i t¨ng lªn. §iÒu nµy phÇn lín lµ do m¹ng ®· luyÖn víi qu¸ nhiÒu thÕ hÖ. Nh÷ng vÊn ®Ò nµy chØ cã thÓ h¹n chÕ ®−îc nhê viÖc luyÖn nhiÒu lÇn vµ lÊy tæ hîp c¸c kÕt qu¶ nhËn ®−îc hoÆc tiÕn hµnh kiÓm nghiÖm chÐo (kh«ng tr×nh bµy chi tiÕt ë ®©y). Sau ®©y sÏ sö dông MTKNT ®Ó thö nghiÖm hiÖu chØnh cho l−îng m−a dù b¸o cña m« h×nh ph©n gi¶i cao HRM. 3. Thö nghiÖm hiÖu chØnh l−îng m−a dù b¸o cña m« h×nh HRM 3.1. Sè liÖu sö dông - Sè liÖu bao gåm c¸c gi¸ trÞ l−îng m−a ngµy dù b¸o tr−íc 24h bëi m« h×nh HRM víi ®é ph©n gi¶i ngang 14km vµ 31 mùc th¼ng ®øng, ®−îc néi suy vÒ 314 tr¹m trªn khu vùc ViÖt Nam vµ l−îng m−a quan tr¾c t¹i c¸c tr¹m ®ã trong thêi gian tõ th¸ng 6 ®Õn th¸ng 8 n¨m 2004. - Hai tËp sè liÖu nµy ®−îc xö lý lo¹i bá nh÷ng ngµy kh«ng ®ñ sè liÖu quan tr¾c hoÆc dù b¸o. Sau khi luyÖn m¹ng xong sÏ phôc håi c¸c vÞ trÝ thiÕu gi¸ trÞ b»ng –9999 vµ ®¸nh gi¸ chÊt l−îng dù b¸o theo c¸c chØ sè, chñ yÕu lµ l−îng m−a trung b×nh ngµy, sai sè trung b×nh toµn ph−¬ng (RMSE), sai sè hÖ thèng (BIAS) vµ ®é lÖch tuyÖt ®èi trung
  6. Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn 6 b×nh (MAE) cho tõng tr¹m, tõng vïng (B¾c Bé, Trung Bé, Nam Bé) vµ toµn bé ViÖt Nam. 3.2. Ch¹y m« h×nh PhÇn xö lý sè liÖu ®Çu vµo, sè liÖu ®Çu ra ®−îc thùc hiÖn b»ng lËp tr×nh Fortran trªn hÖ ®iÒu hµnh Linux. PhÇn luyÖn m¹ng, kiÓm nghiÖm vµ hiÓn thÞ ®−îc thùc hiÖn nhê phÇn mÒm Matlab. a/ PhÇn luyÖn m¹ng: Sè liÖu ®Çu vµo (input) cña m¹ng lµ chuçi gi¸ trÞ l−îng m−a ngµy dù b¸o ®· ®−îc néi suy vÒ 314 tr¹m trªn ViÖt Nam. §Ých cÇn häc lµ c¸c gi¸ trÞ m−a quan tr¾c trªn c¸c tr¹m t−¬ng øng. M¹ng ®−îc thiÕt kÕ bao gåm 2 líp Èn vµ 1 líp xuÊt. Líp Èn thø nhÊt cã 3 nót Èn, líp thø 2 cã 5 nót Èn, sè thÕ hÖ häc lµ 300 thÕ hÖ. Sè thÕ hÖ nµy ®−îc chän sau mét vµi lÇn luyÖn m¹ng. C¸c bé träng sè t¹i 2 líp Èn vµ 1 líp xuÊt ®−îc l−u l¹i ®Ó kiÓm nghiÖm. b/ PhÇn t¸i t¹o, kiÓm nghiÖm vµ ®¸nh gi¸: - T¸i t¹o: Nh©n bé träng sè víi chÝnh sè liÖu input ®−îc ®−a vµo m¹ng häc, kÕt qu¶ so s¸nh víi ®Ých häc xem møc ®é trïng khíp ®−îc bao nhiªu. - KiÓm nghiÖm: Nh©n bé träng sè ë trªn víi chuçi dù b¸o cña tËp sè liÖu kiÓm nghiÖm, kÕt qu¶ so s¸nh víi chuçi quan tr¾c cña tËp sè liÖu kiÓm nghiÖm. - §¸nh gi¸: HiÓn thÞ gi¸ trÞ m−a trung b×nh theo thêi gian cho 314 tr¹m ®èi víi cÆp sè liÖu input-t¸i t¹o vµ input-kiÓm nghiÖm. TÝnh c¸c chØ sè RMSE, BIAS, MAE ®èi víi qu¸ tr×nh luyÖn vµ qu¸ tr×nh kiÓm nghiÖm. 1N ∑ (fcst i − obsi )2 ; RMSE = N i =1 1N ∑ fcst i − obsi ; MAE = N i =1 1N ∑ (fcst i − obsi ) BIAS = N i =1 trong ®ã N lµ sè ngµy cña chuçi, fcsti lµ dù b¸o thø i, obsi lµ quan tr¾c thø i t−¬ng øng. 4. KÕt qu¶ thö nghiÖm Sau ®©y lµ mét sè kÕt qu¶ dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p dïng MTKNT hiÖu chØnh s¶n phÈm cña m« h×nh HRM. Sè liÖu luyÖn vµ dù b¸o bao gåm c¶ 314 tr¹m trªn ViÖt Nam sau ®ã t¸ch ra lµm 3 chuçi gåm 159 tr¹m trªn B¾c Bé (19.5-24 ®é B¾c, 100-110 ®é §«ng), 95 tr¹m trªn Trung Bé (12-19.5 ®é B¾c, 100-110 ®é §«ng) vµ 57 tr¹m trªn Nam Bé (7-12 ®é B¾c, 100-110 ®é §«ng), lo¹i ra 3 tr¹m n»m ngoµi ®¶o vµ trªn n−íc Lµo. Trªn mçi h×nh vÏ biÓu diÔn l−îng m−a ngµy trung b×nh theo thêi gian cña c¸c tr¹m trªn tõng khu vùc, ®−êng chÊm chÊm lµ sè liÖu dù b¸o 24h cña HRM, ®−êng liÒn
  7. Thö nghiÖm dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p... 7 nÐt cã dÊu hoa thÞ lµ sè liÖu ®−îc hiÖu chØnh bëi MTKNT vµ ®−êng liÒn nÐt lµ sè liÖu quan tr¾c t−¬ng øng. H×nh 5. L−îng m−a ngµy (mm/ngµy) trung b×nh th¸ng 6 vµ th¸ng 7 cña B¾c bé, tËp sè liÖu input vµ t¸i t¹o H×nh 6. L−îng m−a ngµy (mm/ngµy) trung b×nh th¸ng 8 cña B¾c bé, tËp sè liÖu input vµ kiÓm nghiÖm H×nh 7. L−îng m−a ngµy (mm/ngµy) trung b×nh th¸ng 6 vµ th¸ng 7 cña Trung bé, tËp sè liÖu input vµ t¸i t¹o
  8. Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn 8 H×nh 8. L−îng m−a ngµy (mm/ngµy) trung b×nh th¸ng 8 cña Trung bé, tËp sè liÖu input vµ kiÓm nghiÖm H×nh 9. L−îng m−a ngµy (mm/ngµy) trung b×nh th¸ng 6 vµ th¸ng 7 cña Nam bé, tËp sè liÖu input vµ t¸i t¹o H×nh 10: L−îng m−a ngµy (mm/ngµy) trung b×nh th¸ng 8 cña Nam bé, tËp sè liÖu input vµ kiÓm nghiÖm
  9. Thö nghiÖm dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p... 9 B¶ng 1: §¸nh gi¸ sai sè tæng qu¸t cña qu¸ tr×nh luyÖn m¹ng vµ qu¸ tr×nh kiÓm nghiÖm BIAS MAE RMSE Trung b×nh dù Trung b×nh (mm/ngµy) (mm/ngµy) (mm/ngµy) b¸o (mm/ngµy) quan tr¾c (mm/ngµy) ViÖt HRM 6.585 7.547 9.835 13.654 7.069 Nam MTKNT 0.002 2.710 3.563 7.071 LuyÖn B¾c Bé HRM 9.692 10.265 12.516 17.872 8.180 (06- MTKNT 0.276 2.577 3.609 8.457 07/2004) Trung HRM 3.337 4.721 6.065 9.014 5.678 Bé MTKNT -0.288 2.840 3.456 5.390 Nam Bé HRM 3.445 4.843 5.759 9.881 6.432 MTKNT -0.341 2.912 3.666 6.090 ViÖt HRM 6.179 7.663 9.884 13.898 7.719 Nam KiÓm MTKNT -0.499 3.007 4.058 7.220 nghiÖm B¾c Bé HRM 10.306 10.704 12.677 20.265 9.959 (08/2004) MTKNT -0.673 2.823 3.939 9.287 Trung HRM 0.980 4.153 5.384 5.942 4.961 Bé MTKNT -0.518 3.454 4.462 4.444 Nam Bé HRM 3.469 5.249 6.355 9.730 6.261 MTKNT -0.077 2.824 3.744 6.184 Tõ h×nh 5 ®Õn h×nh 10 vµ b¶ng 1 ta thÊy MTKNT ®· hiÖu chØnh s¶n phÈm cña HRM vÒ gÇn víi quan tr¾c h¬n, sai sè ë tËp luyÖn nhá h¬n sai sè trªn tËp kiÓm nghiÖm. Nh×n chung, tÝnh trung b×nh cho c¶ chuçi thêi gian (2 th¸ng ®èi víi tËp luyÖn vµ 1 th¸ng ®èi víi tËp kiÓm nghiÖm) th× c¸c ®−êng biÓu diÔn l−îng m−a trung b×nh theo thêi gian t¹i 314 tr¹m cña MTKNT vµ quan tr¾c kh¸ s¸t nhau, trong khi ®ã s¶n phÈm cña HRM th−êng cho l−îng m−a lín h¬n nhiÒu so víi quan tr¾c. §iÒu nµy thÓ hiÖn râ h¬n trong c¸c chØ sè ë b¶ng 1. TÝnh cho tÊt c¶ c¸c ngµy vµ tÊt c¶ c¸c tr¹m th× l−îng m−a dù b¸o trung b×nh cña HRM kho¶ng h¬n 13mm/ngµy trong khi l−îng m−a trung b×nh cña quan tr¾c vµ MTKNT chØ kho¶ng 7-8mm/ngµy. Do ®ã, c¸c sai sè RMSE, BIAS vµ MAE cña MTKNT nhá h¬n h¼n so víi HRM. Tuy nhiªn, nh÷ng ngµy m−a lín trong tËp sè liÖu luyÖn rÊt Ýt so víi sè ngµy kh«ng m−a hoÆc m−a rÊt nhá, nªn MTKNT häc ®−îc Ýt th«ng tin vÒ m−a lín. V× vËy, MTKNT kh«ng hiÖu chØnh tèt ®èi víi nh÷ng ngµy cã m−a lín. Nh− thÊy trªn h×nh 5 ®Õn h×nh 10, t¹i mét vµi tr¹m th−êng cã m−a lín trong 3 th¸ng mïa hÌ n¨m 2004, ®−êng m« pháng cña MTKNT kh«ng gÇn víi ®−êng quan tr¾c vµ chØ sè BIAS cã gi¸ trÞ ©m, trong khi ®ã dù b¸o cña HRM l¹i n¾m b¾t tèt. 5. KÕt luËn - MTKNT ®· hiÖu chØnh s¶n phÈm cña HRM vÒ gÇn víi quan tr¾c h¬n, sai sè ë tËp luyÖn nhá h¬n sai sè trªn tËp kiÓm nghiÖm. - MTKNT ®· thiÕt lËp cã thÓ hiÖu chØnh tèt ®èi víi nh÷ng sè liÖu m−a võa vµ m−a nhá trong kho¶ng 5-15mm, ch−a hiÖu chØnh tèt ®èi víi nh÷ng ngµy m−a lín vµ nh÷ng tr¹m th−êng cã m−a lín.
  10. Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn 10 §Ó c¶i tiÕn kÕt qu¶ hiÖu chØnh cÇn thay ®æi mét sè tham sè cña m¹ng nh− hÖ sè häc, sè líp Èn, sè nót Èn cña mçi líp Èn vµ luyÖn m¹ng nhiÒu lÇn ®Ó chän ®−îc mét MTKNT phï hîp nhÊt. Phøc t¹p h¬n, ta cã thÓ thiÕt lËp nªn MTKNT víi môc tiªu häc kh«ng chØ lµ cùc tiÓu ho¸ sai sè trung b×nh b×nh ph−¬ng mµ cßn t¨ng thªm träng sè ®èi víi nh÷ng quan tr¾c ®Ých cã gi¸ trÞ lín ®Ó ®−a thªm th«ng tin vÒ nh÷ng ngµy m−a lín cho m¹ng häc. Sau khi chän ®−îc m¹ng phï hîp nhÊt ta cã thÓ l−u tr÷ l¹i m¹ng ®Ó dïng cho c¸c m« pháng tiÕp sau mµ kh«ng cÇn luyÖn l¹i m¹ng. Bµi b¸o ®−îc hoµn thµnh víi sù hç trî kinh phÝ cña ®Ò tµi NCCB 733104. Tµi liÖu tham kh¶o 1. Caren Marzban and Arthur Witt, A Bayesian Neural Network for Severe-Hail Size Prediction, Weather and Forecasting, Volume 16, 2000, p600-610. 2. David Silverman and John A. Dracup, Artificial Neural Networks and Long-Range Precipitation Prediction in California, Monthly weather review, JANUARY 2000, p.57-66. 3. Narasimhan et al., Ozone Modeling Using Neural Networks, Monthly weather review, MARCH 2000, p291-296. 4. Robert J. Kuligowski and Ana P. Barros, Experiments in Short-Term Pricipitation Forecasting Using Artifical Neural Networks, Monthly weather review, 2000, Volume 126, p.470-482. 5. Tom M. Mitchell, Machine Learning, Chapter 4, 1996, p81-127. VNU. JOURNAL OF SCIENCE, Nat., Sci., & Tech., T.xXII, n01AP., 2006 An Experiment in Daily Rainfall Forecasting Using Artificial Neural Network to Adjust Numerical Model Output Ho Thi Minh Ha, Nguyen Huong Dien Department of Hydro-Meteorology & Oceanography College of Science, VNU Artifical Neural Network (ANN) is one kind of Decision Support Systems. It has the similar structure and behaviours to that of biological neuron. It can learn and simulate the information as a brain through a learning course. The most common learning method is folowing the gradient descent rule. In this paper it’s used for HRM rainfall output adjustment. The input data is rainfall field predicted by HRM (with the horizontal resolution14km and 31 vertical levels) and the observation data, respectively in the period of time between 01th June 2004 and 31th August 2004 at 314 stations in Vietnam. Data is divided into 2 parts. One part is used for neural network learning and the other one for prediction and test. The average rainfall, root mean square error (RMSE), mean absolute error (MAE) and mean bias error (BIAS) are the indices used to verify the results. All the indices show that the rainfall adjusted by ANN is closer to observation than that of HRM output in general. In particle, however the rainfall of ANN is smaller than that of HRM in the heavy rainfall days. The best results are get in the North of Vietnam and they’re very not good in the South of Vietnam. The reason is maybe the lack of station in this area.
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.09: Bộ Luận Văn Tốt Nghiệp Chuyên Ngành Quản Trị Kinh Doanh
81 tài liệu
1620 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2