改进的ANN-CE: 闽北小概率降水预报的高效工具

本文探讨了在气象预测领域的一项关键研究，即交叉熵神经网络（Cross-Entropy Neural Network, ANN-CE）在福建省南平市4月至6月大雨及以上降水96小时预报中的应用。传统的BP神经网络（Backpropagation Neural Network, ANN-MSE）依赖于误差平方和最小化准则，对于小概率事件的预测效果不理想。因此，研究人员引入了以交叉熵作为目标函数的神经网络方法，这是一种针对小概率事件预报优化的设计。 ANN-CE网络采用三层反向传播结构，其输出层只有一个节点，这有助于减少复杂度并提高模型对小概率事件的敏感性。研究者利用2003年至2008年的欧洲中期天气预报中心（ECMWF）预报数据，构建了基于原始因子和主成分分析（Principal Component Analysis, PCA）降维后的主因子的两种预报模型：ANN-CE和ANN-MSE。这些模型在2009年至2010年独立样本上进行了验证。 实验结果显示，主因子预报模型，特别是ANN-CE模型，其TS评分（评分体系中衡量预报准确性的指标）明显高于原始因子模型，表明其在预测大雨及以上降水事件时具有更好的性能。主因子ANN-CE模型的TS评分为0.51，漏报率为0.17，显示出高度稳定且低漏报的优点，特别适合处理小概率事件的预报。 此外，文章还强调了强降水预报的复杂性，由于其局部性、突发性和规律的不确定性，使得预测极具挑战性。动力数值预报与统计方法如MOS（Multi-Output Statistics）的结合成为关键，然而，传统的统计方法如回归和BP神经网络在处理这类小概率事件时效果不佳。交叉熵神经网络的引入为解决这一问题提供了一种新的可能性，展示了其在实际应用中的潜在价值。 本文通过对比分析，证实了交叉熵神经网络在福建南平市大雨及以上降水预报中的优势，特别是在处理小概率事件时展现出优于其他模型的性能，这对于提高天气预报的准确性具有重要意义。