張繼學(xué) 王鵬 張琳 王一

摘 要：本文利用沈陽市2002年夏季的地面和高空氣象觀測(cè)資料，建立逐日降水量的三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。通過分析降水的形成原因，選擇了高空和地面的氣壓場(chǎng)、溫度場(chǎng)、濕度場(chǎng)和風(fēng)場(chǎng)等18個(gè)氣象要素作為模型的輸入因子，以第二天的降水量作為模型的輸出因子，并利用7月和9月的觀測(cè)數(shù)據(jù)作為訓(xùn)練樣本，確定了以tansig-logsig為傳遞函數(shù)，traingdx等三種函數(shù)為訓(xùn)練函數(shù)的網(wǎng)絡(luò)最終結(jié)構(gòu)。最后，利用2002年8月的觀測(cè)數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)，結(jié)果顯示：訓(xùn)練函數(shù)為trainlm函數(shù)時(shí)，網(wǎng)絡(luò)的擬合效果和預(yù)測(cè)效果最好，對(duì)降水的預(yù)報(bào)準(zhǔn)確率達(dá)到83.3%，降水綜合TS評(píng)分為50%。實(shí)驗(yàn)表明了人工神經(jīng)網(wǎng)絡(luò)在短期降水預(yù)報(bào)方面具有良好的應(yīng)用前景。

關(guān)鍵詞：短期降水；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；訓(xùn)練函數(shù)

降水量是影響干旱最主要的因素，它直接決定著干旱的發(fā)生發(fā)展，在干旱預(yù)報(bào)中準(zhǔn)確預(yù)報(bào)降水量是非常關(guān)鍵的。因此，深入研究降水預(yù)報(bào)新技術(shù)，提高預(yù)報(bào)準(zhǔn)確率，對(duì)防災(zāi)減災(zāi)、推動(dòng)社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展具有重要意義。

目前預(yù)報(bào)降水的方法眾多，主要包括傳統(tǒng)的統(tǒng)計(jì)學(xué)方法和數(shù)值預(yù)報(bào)方法。這些方法均給出了具體的函數(shù)關(guān)系，意味著將降水變化規(guī)律化、公式化，反而限制了預(yù)測(cè)的準(zhǔn)確性。

而人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法建立在對(duì)輸入和輸出變量的非線性映射之上，它只和訓(xùn)練樣本和目標(biāo)有關(guān)。該方法不僅克服了具體函數(shù)表達(dá)式的局限性，還能通過學(xué)習(xí)、訓(xùn)練過程選擇相對(duì)最優(yōu)網(wǎng)絡(luò)對(duì)目標(biāo)值進(jìn)行預(yù)測(cè)。非線性，具反饋能力的神經(jīng)網(wǎng)絡(luò)模型在水文，泥沙等許多方面得到了廣泛的應(yīng)用，并取得了比較理想的結(jié)果。

郭光和嚴(yán)紹瑾等人[ 1 ]利用BP網(wǎng)絡(luò)模型對(duì)我國東部6個(gè)城市的1991年（歷史罕見澇年）和1994年（旱年）的汛期（5-9月）降水進(jìn)行了模擬預(yù)報(bào)試驗(yàn)，模式預(yù)報(bào)的旱澇總體趨勢(shì)與實(shí)況相符。誤差分析表明：1991年和1994年預(yù)報(bào)值與實(shí)測(cè)值的相對(duì)誤差和相關(guān)系數(shù)分別為0.134，0.150和0.931及0.904，效果較好。

金龍等人[ 2 ]進(jìn)行了神經(jīng)網(wǎng)絡(luò)汛期降水預(yù)報(bào)性能與逐步回歸預(yù)報(bào)準(zhǔn)確率的對(duì)比分析，認(rèn)為神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的預(yù)報(bào)性能明顯優(yōu)于逐步回歸預(yù)報(bào)模型。

鑒于上述情況，本研究的主要目的是利用BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性函數(shù)逼近功能，建立基于BP神經(jīng)網(wǎng)絡(luò)方法的短期降水量的預(yù)測(cè)模型，為降水量的預(yù)測(cè)提供一種新的嘗試。

1 數(shù)據(jù)收集與處理

1.1 數(shù)據(jù)的收集

本次試驗(yàn)數(shù)據(jù)來源于遼寧省沈陽市氣象觀測(cè)站，位置為北緯41°44′、東經(jīng)122°25′，海拔高度42.8米。沈陽市地處中國東北地區(qū)的南部，遼寧省的中部，位于北溫帶亞洲季風(fēng)區(qū)北緣，屬濕潤半濕潤暖溫帶大陸性氣候，全年平均氣溫6.8℃-8.0℃，7月份氣溫最高，平均氣溫約24.0℃，1月份氣溫最低，月平均氣溫8.5℃，年降水量平均為721.9毫米。

本文收集沈陽氣象站2002年的氣象觀測(cè)資料，包括地面觀測(cè)圖和高空500hPa觀測(cè)圖。選取7～9月的氣壓場(chǎng)、溫度場(chǎng)、濕度場(chǎng)、風(fēng)場(chǎng)和高度場(chǎng)等18個(gè)數(shù)據(jù)，用其中的7月和9月數(shù)據(jù)作為模型的訓(xùn)練集，8月的數(shù)據(jù)作為模型的檢驗(yàn)集，來建立人工神經(jīng)網(wǎng)絡(luò)的降水預(yù)測(cè)模型。

1.2 數(shù)據(jù)的處理

從地面觀測(cè)圖和高空?qǐng)D中提取相關(guān)的數(shù)據(jù)，根據(jù)提取的數(shù)據(jù)的完整程度，進(jìn)行修正。然后根據(jù)各個(gè)因子與日降水量的相關(guān)程度，選取相關(guān)系數(shù)較大的因子作為人工神經(jīng)網(wǎng)絡(luò)的輸入因子。

由于原始數(shù)據(jù)幅值大小不一，有時(shí)候還相差比較懸殊。如果直接投入使用，測(cè)量值大的波動(dòng)就會(huì)阻斷神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，使其不能反映小的測(cè)量值的變化。

所以，在網(wǎng)絡(luò)訓(xùn)練之前，輸人數(shù)據(jù)和目標(biāo)矢量都要經(jīng)過歸一化處理。其中，歸一化處理采用的公式如下：

式中：xn o r m為樣本歸一化的值；xi為樣本初始值；xmax為樣本最大值；xmin為樣本最小值。

2 模型的建立及應(yīng)用檢驗(yàn)

2.1 BP神經(jīng)網(wǎng)絡(luò)建模

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建模進(jìn)行降水量的預(yù)測(cè)時(shí)，需先確定訓(xùn)練和檢驗(yàn)樣本集。為了能夠更好地反映降水量的復(fù)雜程度，這里選擇每年中降水量較大的7～9月的逐日氣象資料作為樣本，其中7月和9月的逐日氣象資料作為訓(xùn)練樣本，8月的數(shù)據(jù)作為檢驗(yàn)樣本。

在確定輸入因子方面，主要選擇與降水量相關(guān)的因子，氣壓場(chǎng)選擇地面02時(shí)、14時(shí)氣壓和高空500hPa氣壓，溫度場(chǎng)選擇日平均氣溫和02時(shí)、04時(shí)的氣溫，此外，還選擇了一些與降水密切相關(guān)的因素，如：日平均溫度、低云量等。

確定輸出因子為第二天的降水量。

2.2 網(wǎng)絡(luò)參數(shù)的最終確定

確定優(yōu)化的BP網(wǎng)絡(luò)模型的具體參數(shù)如下：

2.3 三種訓(xùn)練函數(shù)預(yù)測(cè)評(píng)分

從預(yù)報(bào)準(zhǔn)確率（對(duì)晴天和雨天預(yù)報(bào)正確的天數(shù)占總天數(shù)的百分比）、降水的準(zhǔn)確率（成功預(yù)報(bào)降水的天數(shù)占實(shí)際降水天數(shù)的百分比）和綜合降水的TS評(píng)分（對(duì)降水預(yù)報(bào)正確的天數(shù)占報(bào)對(duì)、報(bào)空和報(bào)漏總天數(shù)的百分比）方面，分別對(duì)這三種預(yù)測(cè)結(jié)果進(jìn)行分析對(duì)比。如表3：

由上表可知，對(duì)于總的預(yù)報(bào)準(zhǔn)確度來說，traingdx函數(shù)和trainlm函數(shù)的準(zhǔn)確性相同，均為66.7%，trainscg函數(shù)的準(zhǔn)確性較低，為56.7%。

對(duì)于降水預(yù)報(bào)的準(zhǔn)確性來說，三種函數(shù)的差別很大，其中trainlm函數(shù)的預(yù)報(bào)效果最好，準(zhǔn)確度達(dá)到83.3%，TS評(píng)分也最高，達(dá)到了50%，達(dá)到了預(yù)期的預(yù)報(bào)效果。

其次是trainscg函數(shù)，降水預(yù)報(bào)準(zhǔn)確度為66.7%，降水的TS評(píng)分為38.1%，略高于traingdx函數(shù)的TS評(píng)分。

綜上所述，當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練函數(shù)為trainlm時(shí)，模型的預(yù)測(cè)效果做好，收斂速度也最快。對(duì)降水的預(yù)報(bào)準(zhǔn)確率達(dá)到了83.3%，降水TS評(píng)分為50%，效果較好。

3 結(jié)論與討論

3.1 主要結(jié)論

主要的結(jié)論可以概括如下：

1）本文在研究了降水的形成原因的基礎(chǔ)上，確定了影響降水的相關(guān)因子，通過比較它們與輸出因子之間的相關(guān)性，確定了18個(gè)因子作為網(wǎng)絡(luò)的輸入因子，主要有：高空的氣壓場(chǎng)、風(fēng)場(chǎng)、濕度場(chǎng)和溫度場(chǎng)，地面的氣壓場(chǎng)、變壓場(chǎng)等，還有與降水相關(guān)的低云量。

2）通過利用樣本對(duì)模型進(jìn)行訓(xùn)練，確定了網(wǎng)絡(luò)各個(gè)層次之間的傳遞函數(shù)：輸入層到隱層為tansig函數(shù)，隱層到輸出層位logsig函數(shù)。并且選擇出了擬合效果比較好的訓(xùn)練函數(shù)，依次為traingdx函數(shù)、trainlm函數(shù)和trainscg函數(shù)。

3）由于隱層節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)的性能影響比較大，本文通過比較三種不同訓(xùn)練函數(shù)對(duì)樣本的擬合誤差和訓(xùn)練速度，確定了每種訓(xùn)練函數(shù)的最佳隱層數(shù)：traingdx函數(shù)為12個(gè)、trainlm函數(shù)13個(gè)和trainscg函數(shù)9個(gè)。

4）分別利用三種訓(xùn)練函數(shù)進(jìn)行降水預(yù)測(cè)，通過比較發(fā)現(xiàn)：當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練函數(shù)為trainlm時(shí)，模型的預(yù)測(cè)效果最好，收斂速度也最快。對(duì)降水的預(yù)報(bào)準(zhǔn)確率達(dá)到了83.3%，總降水的TS評(píng)分為50%。但對(duì)于中雨及以上量級(jí)的預(yù)測(cè)，效果不是很明顯，還有待于進(jìn)一步完善。

3.2 討論

本文對(duì)降水的預(yù)報(bào)的準(zhǔn)確率達(dá)到83.3%，但是對(duì)于中雨及中雨以上的降水預(yù)報(bào)效果不是很好。主要是逐日降水量是非正態(tài)、非線性、非平衡序列的問題，尤其是對(duì)于夏季短時(shí)降水，突變性非常強(qiáng)，無法抓住其規(guī)律。

所以，要增加降水預(yù)報(bào)的準(zhǔn)確率，還需要做大量的工作。比如收集沈陽及沈陽周邊地區(qū)4個(gè)以上的站點(diǎn)觀測(cè)數(shù)據(jù)，增加降水預(yù)報(bào)的時(shí)空范圍。收集更多有物理意義的輸入因子，通過計(jì)算輸入因子與降水量之間的相關(guān)系數(shù)，選擇相關(guān)性較好的因子。若輸入因子過多，可以嘗試?yán)弥鞒煞址治觯瑢⒁蜃幼鲋鞒煞址治?，將濃縮的主成分作為新的輸入因子。這樣有可能提高預(yù)報(bào)精度。

參考文獻(xiàn)：

[1] 郭光，嚴(yán)紹瑾，尹樹新.人工神經(jīng)網(wǎng)絡(luò)用于我國東部汛期降水預(yù)測(cè)的研究[J].南京氣象學(xué)院學(xué)報(bào)，1996，19（3）：354-357.

[2] 金龍，陳寧，林振山.基于人工神經(jīng)網(wǎng)絡(luò)的集成預(yù)報(bào)方法研究和比較[J].氣象學(xué)報(bào)，1999，57（2）：198- 207.