GIS與小波神經網絡下熱帶氣旋路徑的預測

孫海燕，趙 陽，萬太禮

(武漢大學測繪學院，湖北 武漢 430079)

?

GIS與小波神經網絡下熱帶氣旋路徑的預測

孫海燕，趙 陽，萬太禮

(武漢大學測繪學院，湖北 武漢 430079)

提出了一種應用GIS技術與神經網絡相結合進行熱帶氣旋路徑預測的方法。首先在GIS的時空數據庫基礎之上建立熱帶氣旋數據庫。針對待預測的熱帶氣旋，利用GIS的空間分析功能對歷史氣旋數據進行篩選形成樣本數據。用樣本數據對小波神經網絡進行訓練從而完成神經網絡的建模，并利用此模型對熱帶氣旋的路徑進行預測。試驗表明該方法可以得到較好的預測結果。

熱帶氣旋；預測；GIS；小波神經網絡；空間分析

一、引 言

熱帶氣旋路徑預測的方法主要有數值預報法、客觀預報法[1]。其中數值預報依據大量的氣象數據，并考慮海洋等多種物理因素作為條件參數進行路徑預測。數值預報方法的預測精度較高，但需要較多的實測數據，非專業部門應用困難。客觀預報法則以歷史熱帶氣旋數據為基礎，并應用概率論、相似分析、回歸分析及氣候學持續性預報等方法進行預測[2-3]，在熱帶氣旋預測中取得了較好的應用。由于熱帶氣旋運動與其影響因素之間是高度非線性關系，建立它們之間的數學模型比較困難，神經網絡是一種易于應用的方法。神經網絡是一門非線性科學，具有自學習、自組織、自適應和容錯性等優點。經過改進的BP神經網絡已經在熱帶氣旋預報中取得了一定的成果。周曾奎等[4]給出了應用改進的BP神經網絡判定熱帶氣旋的移向趨勢的方法。邵利民等[5]提出了一種利用CLIPER篩選因子來改進BP網絡預報熱帶氣旋路徑的方法。俞善賢等[6]提出了基于RBF的逐步選取因子的算法，并同BP、LM等不同類型的神經網絡作了對比試驗。同時，GIS技術在熱帶氣旋分析和預報服務中也得到一定應用。鄒亮等[7]提出了基于GIS空間分析方法的關鍵點相似度法，并據此結合臺風移向移速建立了一個預測臺風路徑趨勢的數學模型。孔令娜[1]針對熱帶氣旋關鍵點與路徑相似性標準探討了基于GIS的熱帶氣旋路徑相似預測方法。

目前應用神經網絡預測氣旋路徑的試驗，一般采用把整個熱帶氣旋樣本庫隨機選取一部分用來訓練網絡，剩下一部分用作網絡測試，用訓練好的網絡對此后所有的氣旋進行預測。由于生成于不同位置與季節的氣旋的運動路徑有很大的不同，不考慮這些因素而選取訓練樣本可能導致網絡的復雜度大大提高，降低預報精度。

由于同一季節位置相近的熱帶氣旋的運動路徑有很高的相似性，本文提出一種應用GIS空間分析與神經網絡預測相結合的熱帶氣旋路徑預測方法。即根據待分析氣旋當前的時間、地點，應用GIS空間分析對歷史熱帶氣旋數據庫進行篩選，建立訓練神經網絡的氣旋樣本，用此樣本訓練建立針對當前氣旋的神經網絡模型，并用此模型對該氣旋的路徑進行預測。由于這種方法不依賴于實測的氣象、海洋等數據，對于熱帶氣旋的災害預防與災前準備有一定的應用價值。

二、試驗設計

1.熱帶氣旋空間數據庫建立

從中央氣象局熱帶氣旋資料中心下載熱帶氣旋最佳路徑數據集[8-9]，截至目前該中心提供了1949—2013年以來西北太平洋(含南海，赤道以北，東經180°以西)海域熱帶氣旋每6 h的熱帶氣旋信息。主要包括熱帶氣旋編號、熱帶氣旋路徑預報時刻、強度標記、經緯度、中心最低氣壓及預報時刻2 min平均近中心最大風速等信息。數據集以文本形式存在，對數據集進行解析，建立熱帶氣旋點要素數據集和熱帶氣旋路徑要素數據集，存入基于GIS的時空數據庫[10]中，形成歷史熱帶氣旋數據庫。

從中央氣象臺氣象災害預警模塊中可以得到待分析氣旋最近的時間與位置，以此作為篩選樣本數據的依據和預測計算的初始值。

2.相似路徑篩選

陳聯壽在《西太平洋熱帶氣旋概論》一書中指出了判斷熱帶氣旋相似常用的相似標準主要有季節相似、地理相似和移向移速相似[11]。本文概括為利用時間相似性和空間相似性對樣本進行篩選。其中時間相似性是指在相似的季節里大氣環流具有一些相似的規律，這些氣象因素影響著熱帶氣旋的移動路徑。空間相似性是指相似的空間位置保證了相似的地理環境，而這些地形因素也對熱帶氣旋的移動路徑產生著影響。

首先基于時間相似性理論，通過待預測熱帶氣旋路徑的時間信息對歷史熱帶氣旋數據庫進行篩選。以待預測路徑當前時間點的前后各45 d作為時間跨度，選擇歷年在此時間跨度內的歷史熱帶氣旋點要素數據。

然后基于空間相似性理論，對待分析熱帶氣旋路徑進行緩沖區分析，緩沖區半徑設定為500 km。將得到的緩沖區范圍與上一步篩選出的歷史熱帶氣旋數據進行疊置分析作進一步篩選，得到待預測熱帶氣旋路徑的歷史相似數據，并以此數據建立神經網絡訓練的樣本數據。

經過篩選得到的數據提高了神經網絡訓練樣本的質量，同時訓練樣本的數量對預測的結果也起著相當重要的作用，因此當得到的樣本數據過少時可適當增加篩選的時間跨度和空間跨度。

3.小波神經網絡預測模型建立

小波神經網絡是基于小波分析理論所構造的一種新型人工神經網絡。小波神經網絡以BP神經網絡拓撲結構為基礎，用小波基函數取代通常的非線性Sigmoid函數作為其隱含層節點的傳遞函數。相較于BP網絡，小波神經網絡的預測速度快，泛化性能好，預測精度較高。限于篇幅，小波神經網絡的基本原理本文不再贅述。

由于訓練過程中采用目標預測時刻的前面連續4個時刻的氣旋數據進行預測，因此將疊置分析得到的熱帶氣旋路徑點要素數據以熱帶氣旋編號作為主關鍵字，發生時間作為次關鍵字進行排序。依次取相鄰的5條記錄組成一個序列，根據熱帶氣旋編號判斷5條記錄是否屬于同一熱帶氣旋，并根據發生時間判斷相鄰點之間的時間間隔是否為6 h，只有隸屬于同一熱帶氣旋并且相鄰記錄之間的時間間隔全部為6 h，則此序列為需要的序列，選擇前4條記錄中的位置信息(經度值和緯度值)作為輸入數據，最后1條記錄的位置信息(經度值或緯度值)作為輸出數據。

本文對熱帶氣旋路徑預測的經度和緯度獨立預測，然后將預測結果進行合成。小波神經網絡分為輸入層、隱含層和輸出層3層，網絡結構為8-16-1。其中輸入層有8個節點，分別記為X1～X8，表示預測時間節點的前4個時間點的位置信息(經度值和緯度值)；輸出層有1個節點，記為Y，表示網絡預測的經度值或緯度值；隱含層有16個節點，由小波數構成。根據預測誤差不斷修正網絡的權值和小波基函數的參數，直至到滿足訓練終止條件。

本文采用的小波基函數是應用較為廣泛的Morlet母小波基函數，其公式為

y=cos(1.75x)e-x2/2

(1)

網絡的權值和參數修正采用增加動量項的方法來提高學習效率。

最后用訓練好的小波神經網絡預測待分析熱帶氣旋路徑。預測更長時間的經緯度信息的方法類似，即在隸屬于同一熱帶氣旋的基礎上，使輸出層節點與輸入層的最后一個位置信息之間的時間間隔為需要預測的時間長度(如12 h、18 h、24 h等)。

基于GIS和小波神經網絡預測熱帶氣旋路徑的整個流程如圖1所示。

圖1 基于GIS和小波神經網絡的預測流程

三、結果分析與展示

文中隨機選擇了5條不同熱帶氣旋路徑做預測試驗。選擇的標準是盡可能包含不同強度、不同走向和不同位置的路徑，以同樣的試驗方法分別預測了6—24 h的熱帶氣旋路徑中心位置，預測結果見表1。

表1 熱帶氣旋路徑預測結果

本文基于GIS和小波神經網絡的熱帶氣旋路徑預測方法，預測結果精度滿足相關預報領域規定的精度要求。文獻[12]提出的BP神經網絡預測氣旋路徑的方法，其12 h和24 h的預測平均絕對誤差分別約為83.5 km和157.9 km，文獻[5]中提出的應用BP神經網絡預報氣旋路徑的24 h的預測平均絕對誤差為147.7 km。可以看出，本文預測結果精度與其大體相當，并有所提高，取得了較為理想的結果。并且由于本文試驗方法是針對待預測熱帶氣旋選擇特定的訓練樣本，因此該方法對不同熱帶氣旋具有較好的適用性。

以1307號超強熱帶氣旋“蘇力”為例對預測結果進行展示。“蘇力”熱帶氣旋發生于2013年7月，是近些年登陸我國強度最大的熱帶氣旋之一，分別于7月13日03時和7月13日16時分別登陸臺灣省和福建省，給臺灣和大陸沿海經濟和人身財產安全帶來嚴重的影響。

本文預測了7月10日2時至7月14日2時共17個時刻的熱帶氣旋路徑的經緯度信息。其中6 h預測時長的預測結果見表2。

表2 1307號熱帶氣旋6小時預測時間間隔的路徑預測結果 (°)

根據待預測點的經緯度信息，將經緯度誤差轉換為實地距離，得到1307號熱帶氣旋路徑中心位置6 h的平均絕對誤差為33.54 km。圖2展示了1307號熱帶氣旋從7月10日2:00—7月14日2:00共17個時刻的預測間隔為6 h路徑預測結果，其中實線部分代表真實的熱帶氣旋路徑，虛線部分則表示預測路徑。圖3展示了1307號熱帶氣旋7月12日2時之后24 h內的預測結果。其中虛線所表示的預測路徑上的節點分別展現了這一時刻之后的6 h、12 h、18 h和24 h的路徑預測信息。

四、結束語

本文設計并實現了基于GIS分析與小波神經網絡的熱帶氣旋路徑預測試驗。基于相似理論并應用GIS時空數據庫與GIS分析技術對樣本進行篩選，保證了神經網絡預測樣本的質量，同時也極大提高了樣本篩選的效率，加強了試驗方法對于不同熱帶氣旋預測的適用性。

圖2 1307號熱帶氣旋6 h預測時間間隔的路徑預測結果

圖3 1307號熱帶氣旋7月12日2:00 24 h內預測路徑

文中應用小波神經網絡對熱帶氣旋路徑進行預測的模型簡單，對預測所需數據要求極低，僅需用到歷史熱帶氣旋的位置和時間信息，方便應用。

當然，系統模型及試驗方法還有待進一步完善。如本文應用的預測模型僅用到歷史熱帶氣旋的位置信息，一方面模型簡單方便應用，另一方面又損失了諸如熱帶氣旋中心氣壓、近中心最大風速等因素對路徑預測的影響。同時，熱帶氣旋的強度信息在熱帶氣旋預報中也占有重要地位，接下來的研究方向主要有進一步優化預測模型，結合熱帶氣旋路徑與強度進行綜合預測等。

[1] 孔令娜.基于GIS的熱帶氣旋路徑相似法預測的研究[D].長沙:中南大學,2012.

[2] 黃小燕，金龍.條件數在臺風移動路徑預報中的應用[J].自然災害學報,2007,16(3):35-40.

[3] HIRAOKA T, MSAEDA H, IKOMA N.Two-stage Prediction Method of Typhoon Position by Fuzzy Modeling-fusion of Outline Prediction and Detailed Prediction [C]∥Proceedings of IEEE International Conference on Systems, Man and Cybernetics.Tobyo:IEEE，1999.

[4] 周曾奎，韓桂榮，朱定真，等.人工神經網絡臺風預報系統[J].氣象,1996,22(1):18-21.

[5] 邵利民，傅剛，曹祥村，等.BP神經網絡在臺風路徑預報中的應用[J].自然災害學報,2009,18(6):104-111.

[6] 俞善賢，鐘元，滕衛平.熱帶氣旋路徑人工神經元預報方法對比試驗研究[J].熱帶氣象學報,2004, 20(5):523-529.

[7] 鄒亮，任愛珠，徐峰，等.基于GIS空間分析的臺風路徑預測[J].清華大學學報,2008,48(12):2036-2040.

[8] YING M, ZHANG W, YU H, et al.2014: An Overview of the China Meteorological Administration Tropical Cy-clone Database[J].Atmos.Oceanic Technol,2014(31):287-301.

[9] CMA Tropical Cyclone Data Center.CMA Tropical Cyclone Best Track Dataset[DB/OL].[2014-11-06].tcdata.typhoon.gov.cn.

[10] 龔健雅，李小龍，吳華意.實時GIS時空數據模型[J].測繪學報, 2014,43(3):226-275.

[11] 陳聯壽，丁一匯.西太平洋臺風概論[M].北京:科學出版社,1979:1-2.

[12] 呂慶平，羅堅，朱坤，等.基于人工神經網絡的熱帶氣旋路徑預報試驗[J].廣東氣象,2009,31(1):15-18.

Tropical Cyclone Track Forecasting Based on GIS and Wavelet Neural Network

SUN Haiyan，ZHAO Yang，WAN Taili

孫海燕，趙陽，萬太禮.GIS與小波神經網絡下熱帶氣旋路徑的預測[J].測繪通報，2015(7)：54-57.

10.13474/j.cnki.11-2246.2015.0210

2014-11-06

國家科技支撐計劃 (2011BAK07B02)；國家自然科學基金(91024032)

孫海燕(1960—)，男，教授，主要研究方向為災害監測與應急管理、測量數據處理。E-mail：595087300@qq.com

P208

：B

：0494-0911(2015)07-0054-04