基于RBF算法的探空湿度太阳辐射误差预测

冒晓莉 张鹏 张加宏 赵雪伟

摘  要： 针对传统BP神经网络算法预测的探空湿度太阳辐射温度误差偏大的问题，基于南京大桥的GTS1?2湿度传感器及其防雨帽模型，采用计算流体动力学（CFD）软件，通过PRO/E建模、ICEM划分网格及FLUENT仿真，以高空实际探测中典型气压、太阳高度角和太阳辐射量为变量仿真出2 530组温度误差的数据样本。数据样本通过BP，PSO?BP，GA?BP，RBF神经网络算法进行优化对比，最终采用RBF神经网络算法构建预测模型，可预测出不同环境下探空的湿度太阳辐射温度误差，且预测出的温度误差最小。

关键词： 气象探测; GTS1?2湿度传感器; 计算流体动力学; 太阳辐射偏干误差; 粒子群优化神经网络算法; 遗传神经网络算法; 径向基函数神经网络算法

中图分类号： TN911.1?34; TP183                    文献标识码： A                   文章编号： 1004?373X（2020）19?0146?06

Abstract： In view of the large error of the radiosonde humidity solar radiation temperature predicted by the traditional BP neural network algorithm， the CFD （computational fluid dynamics） software， including PRO/E modeling， ICEM meshing and FLUENT simulation is adopted to simulate 2 530 groups of data samples of temperature error on the basis of the GTS1?2 humidity sensor and its rainproof cap model of Nanjing Bridge. In the simulation， the typical air pressure， solar altitude and amount of solar radiation in high altitude actual detection are taken as variables. The data samples are optimized and compared with BP （back propagation）， PSO?BP （particle swarm optimization?back propagation）， GA?BP （genetic algorithm?back propagation） and RBF （radial basis function） neural network algorithms. Finally， the RBF neural network algorithm is used to build the prediction model， which can predict the radiosonde humidity solar radiation temperature error in different environments， and the error of the predicted temperature is the minimum.

Keywords： meteorological detection; GTS1?2 humidity sensor; CFD; solar radiation dry bias; PSO neural network algorithm; genetic neural network algorithm; RBF neural network algorithm

0  引  言

近年来环境的恶化导致气候多变、气象灾害频发，这就愈发要求天气预报更为及时和精准，而精准的天气预报离不开高空温度和湿度的精确测量，所以精确的湿度测量在高空气象探测中具有举足轻重的作用[1]。

目前国内大部分探空站使用的是GTS1型湿度传感器，而GTS1?2探空仪湿度测量较少，相关的理论研究也匮乏。当前无线探空仪测量的高空气象要素之中的气压、温度、风速已经相当准确，但湿度传感器易受高空温度和气压等因素影响，这在一定程度上限制了湿度传感器的测量精度。南京大桥的GTS1?2湿度传感器带有防雨帽，虽然防雨帽可以阻止高空雨云的干扰，但是在太阳辐射的影响之下，防雨帽内部的空气升温导致GTS1?2感湿膜周边的温度大于实际的大气温度，这种现象被称为太阳辐射偏干误差[2]（Solar Radiation Dry Bias，SRDB）。

为了解决这一问题，需要对SRDB进行修正。目前主要有风洞实验法和经验估测法两种研究方法，但是这两种方法均存在明显的不足[3]。目前比较热门的计算流体动力学（CFD）技术正在被科研者应用到太阳辐射误差修正上[4]。根据研究发现：时空分布变化后，SRDB也明显改变。如果每一次探空都采用CFD方法对SRDB进行修订，过于浪费物力和人力。近年来，国内学者针对GTS1湿度传感器模型也提出了基于PSO?BP神经网络算法的探空湿度太阳辐射误差的预测和修正，但PSO?BP神经网络算法预测的误差精度不太理想[5]。

针对PSO?BP算法预测精度不足，及国内GTS1?2湿度传感器理论模型研究的欠缺问题，本文基于南京大桥的GTS1?2湿度传感器及其防雨帽模型获取样本数据。样本数据采用BP，PSO?BP，GA?BP，RBF神经网络算法开展优化对比，提出了一款RBF神经网络算法预测模型，不但避免了仿真软件重复使用，而且预测精度高。

1  相关理论

1.1  CFD

CFD软件主要包括三维建模软件PRO/E、网格划分软件ANSYS ICEM CFD和流体动力学计算软件ANSYS FLUENT[6]。

PRO/E是采用参数化设计，基于特征的实体模型系统，用参数化的数据代替湿度传感器模型的各个特征，方便在搭建模型过程中随时随地地修改形状、大小及修补纰漏。

ICEM网格划分主要把所需要计算的区域划分为有限个单元，进行数据的离散化，并在划分的单元上进行计算求解。ICEM通过离散化方法控制方程离散，使网格节点上的数据（如温度、压力、速度等）可以更好地通过数值方法获取[7]。

FLUENT首先对ICEM划分好的网格进行条件设置，包括模型材料选型、尺寸上的设置、区域条件的设置、边界条件的设置、监视窗口的设置等，然后进行收敛计算。

1.2  SRDB

湿度通常用相对湿度、绝对湿度等物理量表示[8]。探空仪上湿敏电阻所测量的是相对湿度[RH]，[RH]表示空气的干湿状况，由式（1）表示：

式中：[ e]为大气环境下的实际水汽压;[E]为此温度下的饱和水汽压[9]。而饱和水汽压[E]与环境温度有关， 当温度上升时，饱和水汽压也会跟着变大，相对湿度RH则相对变小。因环境气压对饱和水气压的影响微乎其微，本文忽略环境气压的干扰。已知温度[T]的情况下，根据饱和水汽压逼近公式可推算出温度在-100～100 ℃范围内的任意饱和水汽压。

当探空仪处于高空某处，原本温度传感器所测量的大气环境温度为[T0]，此时饱和水气压值为[ET0]，但因太阳辐射的加热效果导致温度升高了[ΔT]，此时的GTS1?2湿度传感器表面温度升至[T1]，感湿膜周围的饱和水气压值为[ET1]。若已知当前高度下的实际水汽压值为[e]，则相对湿度为：

同理，升温后[T1]时的湿度传感器的相对湿度为：

由式（2）和式（3）可得，因太阳辐射引起的湿度相对误差[er]为：

由式（4）可得出：太阳辐射引起的湿度测量偏干相对误差与[E（T0）]和[E（T1）]有关，而[T1=T0+ΔT]，所以，SRDB与[ΔT]直接相关。[ΔT]的温度误差越小，SRDB也相应越小，温度误差[ΔT]测量和预测的精确性越高，测量的大气的相对湿度[RH0]的精确性也越高。

1.3  BP，PSO?BP，GA?BP，RBF神经网络算法

BP算法拥有复杂的神经元网络系统，具有强大的非线性模糊逼近能力[10]，但也有明显的缺点，比如：算法收敛慢、收敛效果差、容易陷入收敛局部极小误区、对数据样本依赖性强等。为弥补上述缺陷可通过PSO算法对BP的初始训练权值、阈值进行优化，通过群体中个体之间的信息共享和互相协作寻求最优结果[11]，或者采用收敛能力更强、全局搜索范围更广、全局优化效果更好的GA神经网络算法[12]。

RBF算法对比于传统的BP算法全局逼近能力更强，理论上可高精度逼近任何的非线性函数[13]。RBF算法训练速度和收敛速度也优于传统的BP算法。BP算法一般采用梯度下降的方法反复地调整优化神经元的权值、阈值来逼近最小的温度误差[ΔT]，且隐含层节点数量的确定太过于依赖经验去试凑，这就很难得到最优解。而前馈型的RBF算法具备超强的输出输入映射能力，泛化能力更强，改变部分的节点数和权值就能解决BP算法存在的局部最优的问题。RBF算法的基本思想就是将样本数据转化到二维、三维甚至高维空间，使数据在空间内线性分布。RBF神经网络算法主要由三个目标参数构成：选取基函数的中心;确定方差参数;训练隐含层到输出层的权值。激活函数是RBF算法的关键，常用的表达形式为：

2  实验过程及结果分析

2.1  三维实体建模

南京大桥的GTS1?2湿度传感器实物如图1所示。根据实际测量，支架里面的传感器尺寸为6.6 mm×2.9 mm×0.66 mm，防雨帽尺寸为16.5 mm×15.4 mm×1 mm。本文采取CAD软件绘制PRO/E模型的大体结构，所建模型如图2所示。

在探空仪上升的过程中，气体分子会流进传感器表面带走一定的热量，但随着海拔升高，大气气压逐渐降低，带走热量的能力降低，这就会导致太阳辐射加热效应引起的温度误差增大。探测仪探空的天气状况也会影响太阳辐射量，太阳辐射量的大小变化也会导致太阳辐射加热效应引起的温度误差的变化。即使在相同气压、太阳辐射的环境下，太阳高度角的变化也会直接影响太阳所辐射到的有效面积，进而也会产生不同的温度误差[ΔT]。所以气压值、太阳辐射量、太阳高度角这三个因素主要会影响温度误差[ΔT]。在FLUENT仿真软件中通过设置气压值、太阳辐射量和太阳高度角的值，计算获取典型环境条件下的太阳辐射温度误差[ΔT]。

2.2  CFD建模过程

PRO/E建模步骤如下：

1） 新建零件，零件包括湿度传感器、支架、防雨帽、空气域等，包含模型中的每一部分;

2） 新建组件，将步骤1）建好的每一个单一零件组装成一体。GTS1?2湿度传感器测量系统组件如图3所示。

最后将生成的model文件进行ICEM网格划分。

ICEM非结构网格划分步骤如下：

步骤1：导入PRO/E中生成的model文件并修复;

步骤2：创建面、创建体，分别定义模型的表面和实体部分;

步骤3：划分网格，设置非结构化网格参数并计算;

步骤4：检查网格质量并且输出.

GTS1?2非结构化网络如图4所示。

最后， 将ICEM划分成功后的网格模型导入FLUENT仿真软件中进行计算。选取气压为：10 hPa，11 hPa，12.5 hPa，15 hPa，20 hPa，25 hPa，30 hPa，40 hPa，50 hPa，60 hPa，70 hPa，80 hPa，90 hPa，100 hPa，200 hPa，300 hPa，400 hPa，500 hPa，600 hPa，700 hPa，800 hPa，900 hPa，1 000 hPa;选取太阳高度角为：5°，15°，25°，30°，40°，50°，60°，70°，80°，90°;选取太阳辐射量为：500 W/m2，600 W/m2，700 W/m2，800 W/m2，900 W/m2，1 000 W/m2，1 100 W/m2，1 200 W/m2，1 300 W/m2，1 400 W/m2。在FLUENT软件中设置以上所示的变量得到不同环境条件下的温度误差[ΔT]。以气压10 hPa、太阳高度角为90°、太阳辐射量为1 400 W/m2为例，此时得到的误差[ΔT]为8.481 16 K（FLUENT设置的初始温度为300 K），仿真图如图5所示。同理，ANSYS FLUENT反复进行仿真计算，从气压10 hPa、太阳高度角为90°、太阳辐射量为1 400 W/m2一直到氣压1 000 hPa、太阳高度角为5°、太阳辐射量为500 W/m2，最终历经大量FLUENT仿真，得到神经网络算法所需的2 530组温度误差[ΔT]数据。

因为本文用CFD软件模拟仿真仅仅只有2 530组，是有限个典型样本温度误差数据。若每一个海拔高度，每一个太阳高度角，每一个太阳辐射量下都采用CFD软件模拟仿真，将非常耗费人力物力，而且也很难实现。所以采用这2 530组典型的数据样本，通过BP，PSO?BP，GA?BP，RBF神经网络算法开展优化对比，最终采用一款可以精确预测出不同环境下温度误差的算法预测模型，后期可通过SRDB理论进行相关修正。SRDB的修正主要取决于温度误差[ΔT]，[ΔT]预测越精准，SRDB修正也相对越准确。基于四种算法模型的高空探测湿度太阳辐射误差预测研究如图6所示。

2.3  神经网络算法预测分析对比

在Windows系统下，通过Matlab工具以CFD多次仿真所得到的2 530组数据作为相同的数据集，通过BP，PSO?BP，GA?BP和RBF这种逼近能力较强的神经网络算法进行验证分析对比。实验以太阳高度角、气压、太阳辐射量为输入，以温度误差[ΔT]为输出。真实值为FLUENT仿真值，其中：

[神經网络预测误差百分比=预测值-真实值真实值]

神经网络预测输出如图7所示，神经网络预测误差如图8所示，神经网络预测误差百分比如图9所示[14]。

根据四种神经网络算法的验证对比可知：BP，PSO?BP神经网络算法预测误差大体在-0.5～0.6范围内，预测误差百分比大都在-0.4～2.5之间，预测效果比较差，预测的温度误差也比较大;GA?BP神经网络算法预测误差大都在-0.08～0.06范围内，预测误差百分比大体在-0.06～0.08之间，预测效果比较好，预测的温度误差也比较小;RBF神经网络算法预测误差集中在-0.008～0.008范围内，预测误差百分比集中在-0.002 5～0.002之间，预测效果最好，预测的温度误差也最小，RBF神经网络算法预测出的温度误差[ΔT]越精准，太阳辐射引起的湿度相对误差er越精准，SRDB精度也越高，测量的大气的相对湿度[RH0]的精确性也越高。

2.4  神经网络算法结果验证对比

实验取5组数据进行对比验证：第一组取样本内的数据25，15，1 000;第二组取气压不在样本内的数据999，5，800;第三组取太阳高度不在样本内的数据800，17，1 400;第四组取太阳辐射量不在样本内的数据20，90，501;第五组取气压、太阳辐射量、太阳辐射量都不在样本内的数据78，16，601。四种神经网络算法预测结果与FLUENT实际结果对比如表1所示。

误差绝对值可直接体现四种神经网络算法预测的效果，误差绝对值的表达式如下：

[误差绝对值=预测温度误差ΔT-仿真温度误差ΔT]

根据表格中的5组数据，分别求出BP，PSO?BP，GA?BP，RBF误差绝对值的平均值。误差绝对值越小，神经网络算法的预测越精准。BP，PSO?BP，GA?BP，RBF四种神经算法的误差绝对值的平均值对比如图10所示。

结合神经网络预测结果和最终的验证结果可得出：GA?BP，RBF神经网络算法预测效果明显优于BP，PSO?BP神经网络算法。RBF神经网络算法比BP，PSO?BP，GA?BP神经网络算法更能够精确预测出不同环境下的湿度测量太阳辐射[ΔT]，方便将来对探空湿度测量SRDB的修正，相比于传统的BP神经网络算法的预测精确度有了大幅度的提升。

3  结  语

探空过程中湿度测量存在着明显的SRDB，每一次时空分布改变，太阳辐射误差也发生改变，每一次都使用 CFD软件计算不切实际，为了避免大量重复的仿真计算，本文在GTS1?2湿度传感器及其防雨帽模型所得到的样本数据基础上，提出了一种基于RBF神经网络算法预测模型。较传统BP神经网络算法预测基础上，大幅度地提升了太阳辐射温度误差的计算精度，有助于提高探空湿度的精度测量和误差修正效率。后期可以南京大桥探空仪具体某一天的真实探测数据为样本，对比仿真结果与预测结果，通过SRDB的修正进一步验证RBF算法预测的精准性。

注：本文通讯作者为张鹏。

参考文献

[1] SUN Qizhen， ZHANG Lin， MENG Shang， et al. Meteorological observations and weather forecasting services of the CHINARE [J]. Advances in polar science， 2018， 29（4）： 291?299.

[2] 冒晓莉，肖韶荣，张加宏，等.探空湿度测量太阳辐射误差时空分布特征研究[J].科学技术与工程，2015，15（10）：1?9.

[3] MOHEBBI M， REZVANI M A. Multi objective optimization of aerodynamic design of high speed railway windbreaks using lattice Boltzmann method and wind tunnel test results [J]. International journal of rail transportation， 2018， 6（3）： 183?201.

[4] 冒晓莉，李美蓉，张加宏，等.探空湿度传感器太阳辐射误差流体动力学分析与实验研究[J].传感技术学报，2018，31（9）：1316?1324.

[5] 单鹏，冒晓莉，张加宏，等.基于PSO?BP神经网络的探空湿度太阳辐射误差修正[J].科学技术与工程，2018，18（19）：1?8.

[6] FENG Qian， LI Yang. The application of CFD technology in analysis of wind environment [C]// Proceedings of 2016 International Conference on Applied Mechanics， Mechanical and Materials Engineering （AMMME 2016）. Xiamen， China： [s.n.]， 2016： 120?125.

[7] 李忠收.基于CFD的岸壁效应的数值模拟[D].大连：大连海事大学，2016.

[8] 邹水平.自动气象站温湿度传感器补偿方法研究[D].南京：南京信息工程大学，2016.

[9] 冒晓莉，肖韶荣，刘清惓，等.探空湿度测量太阳辐射误差修正流体动力学研究[J].物理学报，2014，63（14）：202?214.

[10] BISOYI N， GUPTA H， PADHY N P， et al. Prediction of daily sediment discharge using a back propagation neural network train in algorithm： a case study of the Narmada River， India [J]. International journal of sediment research， 2019， 34（2）： 125?135.

[11] 连志刚，曹宇，林蔚天，等.共享历史最优信息搜索的粒子群算法[J].上海理工大学学报，2014，36（6）：598?602.

[12] YI Shaojun， ZOU Shengliang. Genetic algorithm theory and its application [C]// Proceedings of 2018 3rd International Confe?rence on Automation， Mechanical Control and Computational Engineering （AMCCE 2018）. Dalian， China： Computer Science and Electronic Technology International Society， 2018： 6.

[13] AN Ru， LI Wenjing， HAN Honggui， et al. An improved Le?venberg?Marquardt algorithm with adaptive learning rate for RBF neural network [C]// 2016 35th Chinese Control Con?ference （CCC）. Chengdu， China： IEEE， 2016： 3630?3635.

[14] 单红喜.基于神经网络模型的降水量预测研究[J].江苏水利，2017（9）：54?57.