張 星，饒莉娟，陳清峰，張 愷

(1.青島市黃島區(qū)氣象局，山東 青島 266400；2.青島市氣象災(zāi)害防御工程技術(shù)研究中心，山東 青島 266100)

0 引言

現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)園區(qū)是指以帶動農(nóng)民持續(xù)增收為目標(biāo)，根據(jù)區(qū)域優(yōu)勢、集中連片發(fā)展主導(dǎo)農(nóng)業(yè)產(chǎn)業(yè)，培育建設(shè)規(guī)?；?、標(biāo)準(zhǔn)化的優(yōu)勢農(nóng)業(yè)產(chǎn)業(yè)集聚區(qū)[1]。目前，國內(nèi)對現(xiàn)代化農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的研究大多集中在規(guī)劃設(shè)計(jì)方面[2-6]，從氣象服務(wù)方面進(jìn)行的分析研究工作較少。事實(shí)上，準(zhǔn)確的氣象要素預(yù)報(bào)在保障現(xiàn)代化農(nóng)業(yè)產(chǎn)業(yè)園區(qū)健康發(fā)展中起至關(guān)重要的作用，農(nóng)作物生長發(fā)育與氣象因子密切相關(guān)，農(nóng)業(yè)是對氣象條件最為敏感的行業(yè)之一。異常的氣象條件變化會對農(nóng)業(yè)產(chǎn)業(yè)園區(qū)造成重大損害，嚴(yán)重影響了農(nóng)業(yè)生產(chǎn)和農(nóng)民收益。因此，針對不同區(qū)域的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的精細(xì)化的氣象要素預(yù)報(bào)是提升農(nóng)作物品質(zhì)、提高農(nóng)作物產(chǎn)量的關(guān)鍵條件之一。

以藍(lán)莓產(chǎn)業(yè)為例，青島市黃島區(qū)自2000年以來大力發(fā)展藍(lán)莓種植產(chǎn)業(yè)，建立了多個(gè)現(xiàn)代化農(nóng)業(yè)產(chǎn)業(yè)園區(qū)，目前已成為全國縣域種植面積最大、產(chǎn)業(yè)化程度最高的藍(lán)莓主產(chǎn)區(qū)。然而，藍(lán)莓是一種對氣象要素變化非常敏感的果樹，早春凍枯、抽梢，花期低溫?cái)∮?、干熱風(fēng)敗育，夏季高溫干枯等因素都可能導(dǎo)致藍(lán)莓大幅減產(chǎn)、絕收，嚴(yán)重影響了藍(lán)莓產(chǎn)業(yè)。如同其他農(nóng)業(yè)產(chǎn)業(yè)園區(qū)一樣，黃島區(qū)藍(lán)莓產(chǎn)業(yè)園區(qū)面積廣大、分布廣泛，不同區(qū)域形成比較明顯的局地小氣候特點(diǎn)，造成不同區(qū)域產(chǎn)業(yè)園區(qū)的氣象要素有顯著的差異。之前氣象部門發(fā)布的常規(guī)氣象要素預(yù)報(bào)主要是為主城區(qū)提供氣象服務(wù)，缺少直接服務(wù)于農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象產(chǎn)品。由于黃島區(qū)國家氣象觀測站位于主城區(qū)沿海地區(qū)，同西部丘陵地區(qū)的藍(lán)莓產(chǎn)業(yè)園區(qū)的氣象要素差別很大，如果將氣象部門發(fā)布的針對主城區(qū)的氣象要素預(yù)報(bào)直接應(yīng)用到藍(lán)莓產(chǎn)業(yè)園區(qū)，則會導(dǎo)致較大的預(yù)報(bào)誤差。因此，目前的常規(guī)氣象預(yù)報(bào)業(yè)務(wù)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足服務(wù)現(xiàn)代農(nóng)業(yè)生產(chǎn)的需求。又考慮到目前業(yè)務(wù)化的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)尚處于起步階段，國內(nèi)外相關(guān)理論研究結(jié)果也較難直接應(yīng)用于常規(guī)的氣象業(yè)務(wù)[7-10]。因此，開展能普遍適用于農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)研究具有重要的實(shí)際應(yīng)用價(jià)值?；谝陨峡紤]，本文嘗試將深度學(xué)習(xí)方法應(yīng)用于農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)中。

作為機(jī)器學(xué)習(xí)的一個(gè)分支，深度學(xué)習(xí)在近年來發(fā)展十分迅速，并且在人工智能的很多子領(lǐng)域都取得了巨大成功。深度學(xué)習(xí)可以從有限樣本中通過算法總結(jié)出一般性的規(guī)律，并應(yīng)用到新的未知數(shù)據(jù)上。因此，我們可以從歷史氣象數(shù)據(jù)中總結(jié)出不同地區(qū)氣象要素之間的關(guān)系。當(dāng)已知針對主城區(qū)的氣象要素預(yù)報(bào)值后，便可以利用主城區(qū)與農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素之間的關(guān)系，來計(jì)算出農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)值。

由于深度學(xué)習(xí)采用的模型一般比較復(fù)雜，樣本的原始輸入到輸出之間的數(shù)據(jù)流經(jīng)過多個(gè)線性或非線性的過程，每個(gè)過程的權(quán)重大小會直接影響到最后的建模效果。目前可以比較好解決權(quán)重分配問題的模型是神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)模型也因此成為深度學(xué)習(xí)中主要采用的模型。如果我們把神經(jīng)網(wǎng)絡(luò)看作是由一組參數(shù)控制的復(fù)雜函數(shù)，并用來處理一些非線性模型識別任務(wù)(比如兩個(gè)不同地區(qū)氣象要素之間的非線性關(guān)系)時(shí)，神經(jīng)網(wǎng)絡(luò)的參數(shù)可以通過機(jī)器學(xué)習(xí)的方式來從歷史數(shù)據(jù)中學(xué)習(xí)得到。

本文以黃島藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)為例，探討深度學(xué)習(xí)方法在農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)中的應(yīng)用。通過神經(jīng)網(wǎng)絡(luò)方法建立了藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)模型并對預(yù)報(bào)結(jié)果進(jìn)行檢驗(yàn)。本文介紹了使用的數(shù)據(jù)及神經(jīng)網(wǎng)絡(luò)方法，以藍(lán)莓產(chǎn)業(yè)園區(qū)為例，探討了深度學(xué)習(xí)方法在農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)中的應(yīng)用。通過敏感性試驗(yàn)探討該方法推廣到其他地區(qū)農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的適用性。

1 資料與方法

1.1 資料說明

為了給藍(lán)莓產(chǎn)業(yè)發(fā)展提供氣象技術(shù)支撐，黃島區(qū)氣象局于2016年在六汪鎮(zhèn)藍(lán)莓產(chǎn)業(yè)園區(qū)建立了氣象要素觀測系統(tǒng)，對藍(lán)莓產(chǎn)業(yè)園區(qū)內(nèi)的氣溫、地溫、10 cm深地溫、20 cm深地溫和空氣相對濕度這些對藍(lán)莓有重要影響的氣象要素進(jìn)行觀測，目前已積累了3年的逐小時(shí)氣象要素觀測資料。本文以2016年4月20日至2018年4月20日藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素觀測站和黃島區(qū)國家氣象觀測站積累的歷史觀測資料為訓(xùn)練數(shù)據(jù)，利用深度學(xué)習(xí)方法找尋藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素與以黃島區(qū)國家氣象觀測站為代表的主城區(qū)氣象要素之間的關(guān)系。利用兩者之間的非線性關(guān)系，建立藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)模型。預(yù)報(bào)模型建立后，只需將日常氣象業(yè)務(wù)中針對主城區(qū)的氣象要素預(yù)報(bào)值輸入，便可得到藍(lán)莓產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)值。之后，利用2018年4月21日至2019年4月20日的數(shù)據(jù)對建立好的藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)模型進(jìn)行檢驗(yàn)，來考察深度學(xué)習(xí)方法對預(yù)報(bào)結(jié)果的改進(jìn)程度。此外，為了考察該方法在其他農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的推廣效果，利用2010～2018年青島地區(qū)的青島國家基本氣象站、黃島國家氣象觀測站、平度國家氣象觀測站和嶗山國家氣象觀測站觀測的日平均氣壓、日平均氣溫、日最高氣溫、日最低氣溫、日平均相對濕度和日平均風(fēng)速這些氣象要素，來驗(yàn)證該方法在其他地區(qū)農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的預(yù)報(bào)效果。

1.2 方法

本文使用反向傳播神經(jīng)網(wǎng)絡(luò)算法(BP神經(jīng)網(wǎng)絡(luò)算法)來進(jìn)行深度學(xué)習(xí)，BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差反向傳播算法訓(xùn)練的多層感知器網(wǎng)絡(luò)，又稱為誤差方向傳播算法，是監(jiān)督式深度學(xué)習(xí)方法的一種[11]。BP神經(jīng)網(wǎng)絡(luò)算法本質(zhì)是優(yōu)化計(jì)算中的梯度下降法，利用誤差對于權(quán)、閾值的一階導(dǎo)數(shù)信息，應(yīng)用誤差反傳原理不斷調(diào)整神經(jīng)網(wǎng)絡(luò)中不同的線性或非線性過程的權(quán)重，使神經(jīng)網(wǎng)絡(luò)輸出值與期望值之間的誤差平方和達(dá)到最小(或小于設(shè)定精度)。BP神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、至少一個(gè)隱含層、一個(gè)輸出層組成。理論上，只要隱含層數(shù)和每層的節(jié)點(diǎn)數(shù)足夠多，神經(jīng)網(wǎng)絡(luò)就具有模擬任意復(fù)雜非線性映射的能力[12]。但在實(shí)際應(yīng)用中，隱含層層數(shù)和節(jié)點(diǎn)數(shù)與需解決問題的復(fù)雜程度、轉(zhuǎn)換函數(shù)型式以及樣本數(shù)據(jù)的特性有關(guān)，合理的隱含層數(shù)和節(jié)點(diǎn)數(shù)可在確保網(wǎng)絡(luò)收斂精度的同時(shí)，亦使網(wǎng)絡(luò)具有良好泛化能力[13]。由于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，因此可以用來映射不同兩地氣象要素間的非線性關(guān)系。

2 深度學(xué)習(xí)方法在藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)中的應(yīng)用

目前，黃島區(qū)氣象局每日發(fā)布的氣象要素預(yù)報(bào)主要針對以黃島國家氣象觀測站(參考站)為代表的城區(qū)氣象條件。假設(shè)針對城區(qū)氣象要素的預(yù)報(bào)沒有預(yù)報(bào)誤差，那么將預(yù)報(bào)結(jié)果應(yīng)用到藍(lán)莓產(chǎn)業(yè)園區(qū)(預(yù)報(bào)站)后，城區(qū)與藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素之間的差異即可認(rèn)為是藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素的預(yù)報(bào)誤差。經(jīng)過深度學(xué)習(xí)后，可以根據(jù)參考站與預(yù)報(bào)站氣象要素之間的非線性關(guān)系建立神經(jīng)網(wǎng)絡(luò)訂正模型。將針對參考站的預(yù)報(bào)結(jié)果經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后便可得到預(yù)報(bào)站的預(yù)報(bào)結(jié)果。預(yù)報(bào)站的預(yù)報(bào)結(jié)果與真實(shí)值之間的偏差為訂正后的預(yù)報(bào)誤差。本質(zhì)上，深度學(xué)習(xí)方法是通過找尋參考站和預(yù)報(bào)站氣象要素間的非線性關(guān)系來建立神經(jīng)網(wǎng)絡(luò)模型，從而訂正農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的預(yù)報(bào)結(jié)果，減小預(yù)報(bào)誤差。

2.1 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型

鑒于藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素觀測站已積累了3年的氣溫、地溫、10 cm深地溫、20 cm深地溫和相對濕度這些氣象要素的逐小時(shí)數(shù)據(jù)，黃島區(qū)國家氣象觀測站也一直日常觀測這些氣象要素，因此本文采用這5個(gè)氣象要素組建模型訓(xùn)練樣本。訓(xùn)練數(shù)據(jù)采集時(shí)段為2016年4月20日到2018年4月20日，另將2018年4月21日至2019年4月20日的數(shù)據(jù)留做建模效果檢驗(yàn)。將訓(xùn)練數(shù)據(jù)質(zhì)量控制后進(jìn)行歸一化處理，輸入計(jì)算機(jī)進(jìn)行深度學(xué)習(xí)，通過BP神經(jīng)網(wǎng)絡(luò)方法計(jì)算出各節(jié)點(diǎn)的權(quán)重，得到神經(jīng)網(wǎng)絡(luò)模型。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型過程中，我們采用不同的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行反復(fù)試驗(yàn)，以使神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練效果與檢驗(yàn)效果間取得最優(yōu)平衡[14]。這樣可在保證模型具有足夠收斂精度的同時(shí)，又確保其具有相應(yīng)的泛化性能。經(jīng)過反復(fù)試驗(yàn)，最后確定采用含有3個(gè)隱含層、每層各20個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)(圖1)，并使用Sigmoid函數(shù)作為網(wǎng)絡(luò)的激活函數(shù)。將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行循環(huán)運(yùn)算，采用精度與循環(huán)次數(shù)雙層控制，當(dāng)達(dá)到一定精度或循環(huán)次數(shù)后，利用計(jì)算所得的節(jié)點(diǎn)權(quán)重即可構(gòu)建最終的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。

圖1 神經(jīng)網(wǎng)絡(luò)模型示意圖

其他一些說明：(1)黃島國家氣象觀測站為國家級氣象站，氣象觀測設(shè)備有專人日常維護(hù)，異常數(shù)據(jù)每天會進(jìn)行人工質(zhì)控，氣象數(shù)據(jù)可用性高。而藍(lán)莓產(chǎn)業(yè)園區(qū)氣象觀測站為無人監(jiān)管的小區(qū)域站，存在數(shù)據(jù)缺測的情況。因此在數(shù)據(jù)建模前要對數(shù)據(jù)進(jìn)行預(yù)處理，剔除缺測時(shí)間段的數(shù)據(jù)。(2)為提高模型訓(xùn)練速度、有效避開Sigmoid函數(shù)的飽和區(qū)，并使神經(jīng)網(wǎng)絡(luò)模型具有一定的外推能力，對數(shù)據(jù)進(jìn)行歸一化處理，使訓(xùn)練數(shù)據(jù)輸入值在-1.0～1.0之間。對神經(jīng)網(wǎng)絡(luò)模型輸出值進(jìn)行反算即可得到實(shí)際值。(3)訓(xùn)練模型參數(shù)：最大收斂次數(shù)設(shè)為1000次，學(xué)習(xí)速率設(shè)為0.01，收斂誤差設(shè)為0.01。(4)由于單次訓(xùn)練建立的模型有可能會收斂到局部極值，因此對數(shù)據(jù)進(jìn)行10次建模，選取效果最好的模型作為最終的預(yù)測訂正模型。

2.2 神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)結(jié)果

將2018年4月21日到2019年4月20日逐小時(shí)氣象要素作為檢驗(yàn)樣本，用來檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型對預(yù)報(bào)誤差的改善效果。由于以前氣象業(yè)務(wù)上一直將黃島國家氣象觀測站氣象要素的預(yù)報(bào)結(jié)果直接用于藍(lán)莓產(chǎn)業(yè)園區(qū)，因此黃島國家氣象觀測站(參考站)氣象要素與藍(lán)莓產(chǎn)業(yè)園區(qū)氣象觀測站(預(yù)報(bào)站)氣象要素間的偏差即可認(rèn)為是原始的預(yù)報(bào)誤差(以下稱原誤差)。將參考站的氣象要素預(yù)報(bào)值輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訂正后的結(jié)果與預(yù)報(bào)站實(shí)際氣象要素間的偏差即為訂正后的預(yù)報(bào)誤差(以下稱訂正后誤差)。通過原誤差與訂正后誤差的對比即可體現(xiàn)出神經(jīng)網(wǎng)絡(luò)模型對預(yù)報(bào)誤差的改善效果。

圖2為未經(jīng)訂正前原溫度預(yù)報(bào)誤差(實(shí)線)與經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后的溫度預(yù)報(bào)誤差(虛線)的時(shí)間序列?？梢园l(fā)現(xiàn)，經(jīng)過訂正后預(yù)報(bào)誤差明顯減小，平均絕對誤差由原來的1.62 ℃減小為1.13 ℃，平均絕對誤差減小了30.25%。一些原先預(yù)報(bào)誤差較大的時(shí)段，經(jīng)過神經(jīng)網(wǎng)絡(luò)訂正后可以很大程度上得到改善。比如在18年4月30日10時(shí)至16時(shí)期間，原預(yù)報(bào)誤差均超過10 ℃，分別為：-11.2、-12.7、-13.1、-11.4、-12.9、-11.6和-10 ℃；而經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后，該時(shí)間段預(yù)報(bào)誤差分別減小為-2.59、-2.56、-1.16、2.42、2.29、3.11和2.94 ℃。需要說明的是：由于大氣是強(qiáng)非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)模型訂正后也會出現(xiàn)預(yù)報(bào)誤差變大的情況。但整體上來說，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后氣溫預(yù)報(bào)誤差顯著減小，原本預(yù)報(bào)效果較差的時(shí)段也通常會有大幅度改善。

圖2 原氣溫預(yù)報(bào)誤差(實(shí)線)與訂正后的氣溫預(yù)報(bào)誤差(虛線)

圖3為未經(jīng)訂正前原相對濕度預(yù)報(bào)誤差與經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后的相對濕度預(yù)報(bào)誤差的時(shí)間序列?？傮w上，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后，相對濕度的平均絕對值誤差由原來的10.64%減小為7.06%，誤差減小了33.65%，預(yù)報(bào)效果改善明顯。圖4、圖5和圖6分別為訂正前后地表溫度、10 cm深地溫和20 cm深地溫預(yù)報(bào)誤差的時(shí)間序列(實(shí)線為訂正前的原誤差，虛線為訂正后的誤差)。經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后：地表溫度的平均絕對值誤差由原來的4.18 ℃減小為1.46 ℃，誤差減小了65.07%；10 cm深地溫的平均絕對值誤差由原來的2.43 ℃減小為0.74 ℃，誤差減小了69.55%；20 cm深地溫得平均絕對值誤差由原來的2.81 ℃減小為1.46 ℃，誤差減小了48.04%?？梢钥闯?，相對于氣溫和相對濕度，地表溫度、10 cm深地溫和20 cm深地溫的改善效果更好。這也是容易理解的：大氣作為運(yùn)動流體，不同地區(qū)空氣間得熱力因子和濕度因子在平流作用下互相影響，非線性作用強(qiáng)、變化幅度大；而不同地區(qū)土壤環(huán)境相對獨(dú)立、非線性作用弱、變化幅度小。因此神經(jīng)網(wǎng)絡(luò)可以更好地捕捉到不同地區(qū)土壤溫度之間的關(guān)系，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后，原預(yù)報(bào)誤差可大幅度減小?？紤]到目前氣象部門常常在預(yù)報(bào)業(yè)務(wù)中把2 ℃作為氣溫誤差的預(yù)報(bào)上線，而經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后藍(lán)莓產(chǎn)業(yè)園區(qū)的氣溫、表層地溫、10 cm深地溫和20 cm深地溫的平均絕對值誤差都在2 ℃以內(nèi)，基本滿足了業(yè)務(wù)運(yùn)行的要求。

圖3 原相對濕度預(yù)報(bào)誤差(實(shí)線)與訂正后的相對濕度預(yù)報(bào)誤差(虛線)

圖4 原地表溫度預(yù)報(bào)誤差(實(shí)線)與訂正后的地表溫度預(yù)報(bào)誤差(虛線)

圖5 原10 cm深地溫預(yù)報(bào)誤差(實(shí)線)與訂正后的10 cm深地溫預(yù)報(bào)誤差(虛線)

3 不同地區(qū)農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的敏感性試驗(yàn)

我們利用深度學(xué)習(xí)方法建立了藍(lán)莓產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)訂正模型，一年時(shí)間段的數(shù)據(jù)檢驗(yàn)結(jié)果表明：該模型可以很好減小預(yù)報(bào)誤差、提高預(yù)報(bào)技巧。經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后，氣溫、地表溫度、10 cm深地溫、20 cm深地溫的平均絕對值誤差都減小到2 ℃以內(nèi)，相對濕度平均絕對值誤差減小到7%，預(yù)報(bào)模型基本滿足了藍(lán)莓產(chǎn)業(yè)園區(qū)業(yè)務(wù)化運(yùn)行的要求。為了驗(yàn)證該方法在其他地區(qū)的適用性，我們設(shè)計(jì)了如下敏感性試驗(yàn)：假設(shè)已知參考站的氣象要素預(yù)報(bào)值，用深度學(xué)習(xí)方法構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)訂正模型，從而得到位于不同地區(qū)預(yù)報(bào)站的氣象要素預(yù)報(bào)值。我們將青島國家基本觀測站設(shè)為已知預(yù)報(bào)值的參考站，另假設(shè)3個(gè)不同的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)分別位于黃島國家氣象觀測站、平度國家氣象觀測站和嶗山國家氣象觀測站附近，將以上3個(gè)國家氣象觀測站作為預(yù)報(bào)站。利用積累的歷史氣象數(shù)據(jù)進(jìn)行訓(xùn)練建模，得到各預(yù)報(bào)站的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。

圖6 原20 cm深地溫誤差(實(shí)線)與訂正后的20 cm深地溫預(yù)報(bào)誤差(虛線)

表1 各氣象要素原預(yù)報(bào)誤差和訂正后的預(yù)報(bào)誤差

項(xiàng)目氣溫/℃相對濕度/%地表溫度/℃10 cm深地溫/℃20 cm深地溫/℃原誤差1.6210.644.182.432.81訂正后誤差1.137.061.460.741.46

在對逐小時(shí)氣象要素的建模效果檢驗(yàn)的基礎(chǔ)上，對逐日氣象要素的建模效果進(jìn)行了檢驗(yàn)。此外，由于藍(lán)莓產(chǎn)業(yè)園區(qū)氣象站只有溫度和濕度數(shù)據(jù)而缺乏氣壓、風(fēng)速等氣象數(shù)據(jù)，為了對這些氣象要素的訂正效果進(jìn)行檢驗(yàn)，因此，選取氣壓、日平均氣溫、日最高氣溫、日最低氣溫、相對濕度和風(fēng)速這些氣象要素進(jìn)行敏感性試驗(yàn)。

表2展現(xiàn)的是位于黃島的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)值經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后的改善情況。可以看出，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后，各氣象要素的預(yù)報(bào)誤差都有大幅度減小。其中，氣壓的平均絕對值誤差由原來的8.11 hPa下降到0.47 hPa，誤差減小了94.2%，在所有氣象要素中改善效果最好。這是因?yàn)樵瓪鈮赫`差主要是由于參考站(青島站)與預(yù)報(bào)站(黃島站)之間海拔高度差異引起的。與其他氣象要素相比，不同地區(qū)氣壓間的關(guān)系更多的是線性關(guān)系，因此神經(jīng)網(wǎng)絡(luò)模型訂正后的改善效果最好。當(dāng)然，經(jīng)過模型訂正后，其他氣象要素的預(yù)報(bào)效果也得到大幅度提升：日平均氣溫的平均絕對值誤差由0.86 ℃降低至0.76 ℃，誤差減小了11.63%；日最高氣溫的平均絕對值誤差由1.38 ℃降低至1.04 ℃，誤差減小了24.64%；日最低氣溫的平均絕對值誤差由1.49 ℃降低至1.10 ℃，誤差減小了26.17%；相對濕度的平均絕對值誤差由4.65%降低至4.11%，誤差減小了11.61%；風(fēng)速的平均絕對值誤差由1.30 m/s降低至0.42 m/s，誤差減小了67.69%。

表2 黃島站氣象要素原預(yù)報(bào)誤差和訂正后的預(yù)報(bào)誤差

表3和表4分別呈現(xiàn)的是位于嶗山和平度的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)誤差的改善效果?？梢园l(fā)現(xiàn)，通過深度學(xué)習(xí)方法建立各自的氣象要素預(yù)報(bào)訂正模型后，氣象要素的預(yù)報(bào)效果都有大幅度的提升。其中，嶗山預(yù)報(bào)站氣壓的平均絕對值誤差減小了90.89%，日平均氣溫的平均絕對值誤差減小了44.55%，日最高氣溫的平均絕對值誤差減小了55.22%，日最低氣溫的平均絕對值誤差減小了25.00%，相對濕度的平均絕對值誤差減小31.68%，風(fēng)速的平均絕對值誤差減小了60.69%。而位于平度預(yù)報(bào)站氣壓的平均絕對值誤差減小了67.76%，日平均氣溫的平均絕對值誤差減小了33.33%，日最高氣溫的平均絕對值誤差減小了28.63%，日最低氣溫的平均絕對值誤差減小了49.63%，相對濕度的平均絕對值誤差減小28.69%，風(fēng)速的平均絕對值誤差減小了53.28%。

在3個(gè)預(yù)報(bào)站中，平度站位于內(nèi)陸地區(qū)，黃島站位于沿海地區(qū)，嶗山站位于嶗山山區(qū)附近?？梢园l(fā)現(xiàn)，深度學(xué)習(xí)方法在不同地區(qū)都具有普遍適用性?？梢岳蒙疃葘W(xué)習(xí)方法針對位于不同地區(qū)的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)建立各自的神經(jīng)網(wǎng)絡(luò)訂正模型，進(jìn)而減小氣象要素的預(yù)報(bào)誤差。

表3 嶗山站氣象要素原預(yù)報(bào)誤差和訂正后的預(yù)報(bào)誤差

表4 平度站氣象要素原預(yù)報(bào)誤差和訂正后的預(yù)報(bào)誤差

4 總結(jié)與討論

本文將深度學(xué)習(xí)方法應(yīng)用于農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)中，利用深度學(xué)習(xí)方法建立了預(yù)報(bào)氣象要素的神經(jīng)網(wǎng)絡(luò)訂正模型。經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后，各氣象要素的預(yù)報(bào)誤差均大幅度減小。以藍(lán)莓產(chǎn)業(yè)園區(qū)為例，詳細(xì)介紹了如何利用深度學(xué)習(xí)方法建立農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素的神經(jīng)網(wǎng)絡(luò)模型。模型建立以后，預(yù)報(bào)員只需把參考站的氣象要素預(yù)報(bào)值輸入神經(jīng)網(wǎng)絡(luò)模型，就可以得到藍(lán)莓產(chǎn)業(yè)園區(qū)的氣象要素預(yù)報(bào)值。該方法簡單易行、適用性好，可以推廣到不同地區(qū)的各種農(nóng)業(yè)產(chǎn)業(yè)園區(qū)。

需要說明的是，本文是在假定參考站氣象要素預(yù)報(bào)值為準(zhǔn)確的情況下，利用參考站和農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素間的關(guān)系，對參考站氣象要素預(yù)報(bào)值進(jìn)行訂正，從而得到農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的預(yù)報(bào)結(jié)果?？紤]到參考站的預(yù)報(bào)值本身也存在一定的預(yù)報(bào)誤差，實(shí)際農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的預(yù)報(bào)誤差還要加上參考站本身的預(yù)報(bào)誤差。事實(shí)上，參考站的預(yù)報(bào)誤差主要是由數(shù)值預(yù)報(bào)模式的模式誤差導(dǎo)致，隨著天氣預(yù)報(bào)數(shù)值模式的進(jìn)一步發(fā)展，模式誤差會進(jìn)一步減小。

在訓(xùn)練氣象要素的選取上，樣本數(shù)據(jù)的好壞直接關(guān)系到建模效果的好壞。因此，在實(shí)際業(yè)務(wù)使用中，不僅要考慮模型的預(yù)報(bào)精度，也要考慮在業(yè)務(wù)運(yùn)行時(shí)能否獲得穩(wěn)定可靠的數(shù)據(jù)。簡而言之，數(shù)據(jù)不一定要“多”，但一定要“精”。

近幾年來，深度學(xué)習(xí)方法已經(jīng)應(yīng)用于各類行業(yè)并取得了良好的應(yīng)用效果。本文探討了深度學(xué)習(xí)方法在農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素預(yù)報(bào)中的應(yīng)用，結(jié)果表明：深度學(xué)習(xí)方法簡單易行、針對不同地區(qū)的適用性強(qiáng)，可以應(yīng)用到各地區(qū)不同的農(nóng)業(yè)產(chǎn)業(yè)園區(qū)中。下一步，我們將對神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，進(jìn)一步減小農(nóng)業(yè)產(chǎn)業(yè)園區(qū)氣象要素的預(yù)報(bào)誤差，提高氣象為農(nóng)服務(wù)水平，促進(jìn)現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)園區(qū)的發(fā)展。