基于人工神经网络的甘肃省年积温空间插值研究

摘要：中国西部地区气象站点空间分布不均匀，而且数量较少，导致气象要素空间插值的误差较大。以甘肃省为研究区，将其划分为东、中、西3个插值区域，利用人工神经网络方法，对1960～2009年气象站点地面观测的≥0 ℃年积温值进行拟合，将202个气象站点数据扩展到586个，插值结果表明：3个区域年积温平均绝对误差（MAE）为246.53 ℃、平均相对误差（MRE）为8.37%；东中西3个区域精度与原有气象站点数据量有明显关系。研究方法和结果可为进行甘肃省生态环境变化研究提供方法和数据参考，为进一步进行区域空间插值提供数据基础。

关键词：人工神经网络；甘肃省；≥0 ℃年积温；空间插值

中图分类号：P 409 文献标识码：A 文章编号：10095500（2014）02002305

地表是连续分布的曲面，但地面观测的数据是离散的，不能完全覆盖地表范围，目前尚没有很好的办法找到一个曲面来覆盖地表[1-4]。以地面观测的样本点数据为基础来模拟连续地表曲面，传统上多采用建立数字地面模型来实现，即在现有的站点基础上直接利用空间插值算法来进行插值。但存在站点较密集的地方插值效果好，精度高，而站点较少的地方则误差较大的缺点[5]。可以采用先进行站点加密，再进行空间插值的方法解决这一问题。辜智慧等[6]在锡林郭勒盟利用地统计学分析方法进行了站点的加密研究，认为增加站点是解决插值问题的手段之一。

中国西北地区气象站点总数量少，分布不均匀[7-10]，因而直接利用站点数据进行空间插值效果较差。≥0 ℃年积温是重要的气象要素，是草原综合顺序分类中的重要指标[11-14]，试验以西北地区的甘肃省为研究区，利用人工神经网络方法，对≥0 ℃年积温站点数据进行插值加密，以期改善西部地区由于气象站点数量少、分布不均匀带来的气象要素空间插值结果误差较大的问题。

1 研究区域与数据

研究采用甘肃省及陕西、宁夏、青海、新疆、内蒙古周边地区202个气象站点1960～2009年逐日气温资料（图1），各项数据来源于美国国家气候数据中心（National Climatic Data Center，NCDC）第7版数据集（http：∥.cn/qkpdf/caop/caop201402/caop20140205.pdf" style="color:red" target="_blank">原版全文

以训练点为横坐标，网络输出值和实测值为纵坐标，画出各点网络输出值与实测值的拟合曲线图5。两条曲线越相似，说明网络输出值与实测值越接近，结果越理想。

通过分析，东部要明显好于中部和西部，而西部的精度最差，查看气象站点的分布可以看出，东部的气象站点分布密度明显高于其他区域，而西部的气象站点又为三者中最少。其中，相差最大的是MAE，东部要比西部低79.30 ℃。

将甘肃省划分为东、中、西3个区域，利用气象站点地面观测≥0 ℃年积温数据，建立人工神经网络，拟合得到571个地面点数据，并对3个区域结果精度进行了图表及指标分析。结果表明：东部的插值精度明显好于中部和西部，西部的插值精度最差，主要原因是气象站点数据过于稀疏。

参考文献：

[1] 李新，程国栋，卢玲.空间插值方法比较[J].地理科学进展，2000，15（3）：260-265.

[2] 林忠辉，莫兴国，李宏轩，等.中国陆地区域气象要素的空间插值[J].地理学报，2002，57（1）：47-56.

[3] 方书敏，钱正堂，李远平.甘肃省降水的空间内插方法比较[J].干旱区资源与环境，2005，19（3）：47-50.

[4] 刘宇，陈泮勤，张稳.一种地面气温的空间插值方法及其误差分析[J].大气科学，2006，30（1）：146-152.

[5] 张国平，晁瑗，许凤雯，等.站点密度对泥石流当日雨量和前期有效雨量计算的影响[J].地理研究，2011，30（7）：1237-1243.

[6] 辜智慧，史培军，陈晋.气象观测站点稀疏地区的降水插值方法探讨[J].北京师范大学学报（自然科学版），2006，42（2）：204-208.

[7] 赵军，杨梅，杨东辉.基于GIS的甘南高原积温资源空间插值分析[J].甘肃科技，2010，26（13）：40-42.

[8] 郭婧， 柳小妮， 任正超.基于GIS模块的气象数据空间插值方法新改进——以甘肃省为例[J].草原与草坪，2011，31（4）：41-45.

[9] 吴静，张德罡，李纯斌，等.基于3S技术的天祝县土地利用/土地覆盖变化研究[J].草原与草坪，2007，27（6）：29-32.

[10] 王红霞，柳小妮，任正超，等.降水量的空间插值方法研究—以甘肃省为例[J].草原与草坪，2012，32（5）：12-16.

[11] 李纯斌.草原综合顺序分类系统第二级亚类的定量化研究——以甘肃省为例[D].兰州：甘肃农业大学，2012.

[12] 郭婧，柳小妮，任正超.基于AMMRR插值法的草地综合顺序分类研究——以甘肃省为例[J].草业科学，2012，29（3）：384-391.

[13] 吴静，李纯斌，张德罡，等.适用于3S技术的草原综合顺序分类法水热指标的改进[J].中国草地学报，2012（4）：109-115.

[14] 吴静，李纯斌，胡自治，等.基于定量遥感的甘肃省草原综合顺序分类[J].农业工程学报，2013，29（1）：126-133.

[15] 张婷婷.遥感技术概论[M].郑州：黄河水利出版社，2011.

[16] 李启权，王昌全，岳天祥，等.不同输入方式下RBF 神经网络对土壤性质空间插值的误差分[J].土壤学报，2008，45（2）：360-365.

[17] 邵月红，张万昌，刘永和，等.BP神经网络在多普勒雷达降水量的估测中的应用[J].高原气象，2009，28（4）：846-854.

[18] 金龙，覃志年，黄海洪，等.人工神经网络预报模型的过拟合研究[J].气象学报，2004，62（1）：62-70.

[19] 黄子洋，李毅，高太长.一种基于神经网络的气象要素插值方法与分析[J].解放军理工大学学报（自然科学版），2008，9（4）：404-408.

Study on annual accumulative temperature spatial

interpolation of Gansu Province based on

artificial neural network

WU Jing1，2，ZHANG Degang1，LI Chunbin2

（1.College of Pratacultural Science，Gansu Agricultural University/Key Laboratory of Grassland Ecosystem，

Ministry of Education/Pratacultural Engineering Laboratory of Gansu Province/SinoU.S.Centers

for Grazingland Ecosystem Sustainability，Lanzhou 730070，China； 2. ）

Abstract：There are uneven distribution of a few meteorological stations in western China，which result in more errors in spatial interpolation of meteorological elements.Selected Gansu as study area，dividing into eastern，middle and western region，the paper used artificial neural network to fit ≥0 ℃ annual accumulative temperature between 1960～2009 and extended the meteorological data from 202 meteorological stations to 586 sites.The results of the interpolation showed that the mean absolute error （MAE） and mean relative error （MRE） of average annual accumulative temperature in three regions were 246.53 ℃ and 8.37%，respectively.The accuracy of data is related to the number of meteorological stations.The study provide the approach and references for the study of ecological environment in Gansu，and the basis for further studying of regional spatial interpolation.

Key words： artificial neural network；Gansu Province；annual accumulative temperature；spatial interpolation

推荐访问:积温 甘肃省 神经网络 插值 研究