人工神經(jīng)網(wǎng)絡在短期降水預測方面的應用研究

張繼學 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資料，建立逐日降水量的三層BP神經(jīng)網(wǎng)絡預測模型。通過分析降水的形成原因，選擇了高空和地面的氣壓場、溫度場、濕度場和風場等18個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月的觀測數(shù)據(jù)作為訓練樣本，確定了以tansig-logsig為傳遞函數(shù)，traingdx等三種函數(shù)為訓練函數(shù)的網(wǎng)絡最終結構。最后，利用2002年8月的觀測數(shù)據(jù)對模型進行檢驗，結果顯示：訓練函數(shù)為trainlm函數(shù)時，網(wǎng)絡的擬合效果和預測效果最好，對降水的預報準確率達到83.3%，降水綜合TS評分為50%。實驗表明了人工神經(jīng)網(wǎng)絡在短期降水預報方面具有良好的應用前景。

關鍵詞：短期降水；BP神經(jīng)網(wǎng)絡；預測模型；訓練函數(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，在干旱預報中準確預報降水量是非常關鍵的。因此，深入研究降水預報新技術，提高預報準確率，對防災減災、推動社會經(jīng)濟的可持續(xù)發(fā)展具有重要意義。

目前預報降水的方法眾多，主要包括傳統(tǒng)的統(tǒng)計學方法和數(shù)值預報方法。這些方法均給出了具體的函數(shù)關系，意味著將降水變化規(guī)律化、公式化，反而限制了預測的準確性。

而人工神經(jīng)網(wǎng)絡的預測方法建立在對輸入和輸出變量的非線性映射之上，它只和訓練樣本和目標有關。該方法不僅克服了具體函數(shù)表達式的局限性，還能通過學習、訓練過程選擇相對最優(yōu)網(wǎng)絡對目標值進行預測。非線性，具反饋能力的神經(jīng)網(wǎng)絡模型在水文，泥沙等許多方面得到了廣泛的應用，并取得了比較理想的結果。

郭光和嚴紹瑾等人[ 1 ]利用BP網(wǎng)絡模型對我國東部6個城市的1991年（歷史罕見澇年）和1994年（旱年）的汛期（5-9月）降水進行了模擬預報試驗，模式預報的旱澇總體趨勢與實況相符。誤差分析表明：1991年和1994年預報值與實測值的相對誤差和相關系數(shù)分別為0.134，0.150和0.931及0.904，效果較好。

金龍等人[ 2 ]進行了神經(jīng)網(wǎng)絡汛期降水預報性能與逐步回歸預報準確率的對比分析，認為神經(jīng)網(wǎng)絡預報模型的預報性能明顯優(yōu)于逐步回歸預報模型。

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

1 數(shù)據(jù)收集與處理

1.1 數(shù)據(jù)的收集

本次試驗數(shù)據(jù)來源于遼寧省沈陽市氣象觀測站，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年的氣象觀測資料，包括地面觀測圖和高空500hPa觀測圖。選取7～9月的氣壓場、溫度場、濕度場、風場和高度場等18個數(shù)據(jù)，用其中的7月和9月數(shù)據(jù)作為模型的訓練集，8月的數(shù)據(jù)作為模型的檢驗集，來建立人工神經(jīng)網(wǎng)絡的降水預測模型。

1.2 數(shù)據(jù)的處理

從地面觀測圖和高空圖中提取相關的數(shù)據(jù)，根據(jù)提取的數(shù)據(jù)的完整程度，進行修正。然后根據(jù)各個因子與日降水量的相關程度，選取相關系數(shù)較大的因子作為人工神經(jīng)網(wǎng)絡的輸入因子。

由于原始數(shù)據(jù)幅值大小不一，有時候還相差比較懸殊。如果直接投入使用，測量值大的波動就會阻斷神經(jīng)網(wǎng)絡的學習過程，使其不能反映小的測量值的變化。

所以，在網(wǎng)絡訓練之前，輸人數(shù)據(jù)和目標矢量都要經(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 模型的建立及應用檢驗

2.1 BP神經(jīng)網(wǎng)絡建模

應用BP神經(jīng)網(wǎng)絡建模進行降水量的預測時，需先確定訓練和檢驗樣本集。為了能夠更好地反映降水量的復雜程度，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練樣本，8月的數(shù)據(jù)作為檢驗樣本。

在確定輸入因子方面，主要選擇與降水量相關的因子，氣壓場選擇地面02時、14時氣壓和高空500hPa氣壓，溫度場選擇日平均氣溫和02時、04時的氣溫，此外，還選擇了一些與降水密切相關的因素，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)絡參數(shù)的最終確定

確定優(yōu)化的BP網(wǎng)絡模型的具體參數(shù)如下：

2.3 三種訓練函數(shù)預測評分

從預報準確率（對晴天和雨天預報正確的天數(shù)占總天數(shù)的百分比）、降水的準確率（成功預報降水的天數(shù)占實際降水天數(shù)的百分比）和綜合降水的TS評分（對降水預報正確的天數(shù)占報對、報空和報漏總天數(shù)的百分比）方面，分別對這三種預測結果進行分析對比。如表3：

由上表可知，對于總的預報準確度來說，traingdx函數(shù)和trainlm函數(shù)的準確性相同，均為66.7%，trainscg函數(shù)的準確性較低，為56.7%。

對于降水預報的準確性來說，三種函數(shù)的差別很大，其中trainlm函數(shù)的預報效果最好，準確度達到83.3%，TS評分也最高，達到了50%，達到了預期的預報效果。

其次是trainscg函數(shù)，降水預報準確度為66.7%，降水的TS評分為38.1%，略高于traingdx函數(shù)的TS評分。

綜上所述，當BP神經(jīng)網(wǎng)絡模型的訓練函數(shù)為trainlm時，模型的預測效果做好，收斂速度也最快。對降水的預報準確率達到了83.3%，降水TS評分為50%，效果較好。

3 結論與討論

3.1 主要結論

主要的結論可以概括如下：

1）本文在研究了降水的形成原因的基礎上，確定了影響降水的相關因子，通過比較它們與輸出因子之間的相關性，確定了18個因子作為網(wǎng)絡的輸入因子，主要有：高空的氣壓場、風場、濕度場和溫度場，地面的氣壓場、變壓場等，還有與降水相關的低云量。

2）通過利用樣本對模型進行訓練，確定了網(wǎng)絡各個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)點數(shù)對網(wǎng)絡的性能影響比較大，本文通過比較三種不同訓練函數(shù)對樣本的擬合誤差和訓練速度，確定了每種訓練函數(shù)的最佳隱層數(shù)：traingdx函數(shù)為12個、trainlm函數(shù)13個和trainscg函數(shù)9個。

4）分別利用三種訓練函數(shù)進行降水預測，通過比較發(fā)現(xiàn)：當BP神經(jīng)網(wǎng)絡模型的訓練函數(shù)為trainlm時，模型的預測效果最好，收斂速度也最快。對降水的預報準確率達到了83.3%，總降水的TS評分為50%。但對于中雨及以上量級的預測，效果不是很明顯，還有待于進一步完善。

3.2 討論

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

所以，要增加降水預報的準確率，還需要做大量的工作。比如收集沈陽及沈陽周邊地區(qū)4個以上的站點觀測數(shù)據(jù)，增加降水預報的時空范圍。收集更多有物理意義的輸入因子，通過計算輸入因子與降水量之間的相關系數(shù)，選擇相關性較好的因子。若輸入因子過多，可以嘗試利用主成分分析，將因子做主成分分析，將濃縮的主成分作為新的輸入因子。這樣有可能提高預報精度。

參考文獻：

[1] 郭光，嚴紹瑾，尹樹新.人工神經(jīng)網(wǎng)絡用于我國東部汛期降水預測的研究[J].南京氣象學院學報，1996，19（3）：354-357.

[2] 金龍，陳寧，林振山.基于人工神經(jīng)網(wǎng)絡的集成預報方法研究和比較[J].氣象學報，1999，57（2）：198- 207.