基于BP人工神經(jīng)網(wǎng)絡模型對湛江市逐日低溫的預報

汪彪+劉玉國+謝璐+李家林

摘要：人工神經(jīng)網(wǎng)絡模型技術綜合了數(shù)理統(tǒng)計、神經(jīng)計算和符號邏輯等人工智能理論技術，是一種非線性的動力學系統(tǒng)，它以抽象的人腦構(gòu)造基本單位組成，模擬人腦的思維過程，目前該模型已被廣泛應用于水文模型研究領域。利用三層反向傳播人工神經(jīng)網(wǎng)絡（BP-ANN：Back Propagation—Artificial Neural Network）模型對湛江市逐日低溫（Tmin）進行預報，為在全球氣候變化的大背景下極端低溫事件研究提供相關科學依據(jù)。利用湛江市常規(guī)氣象資料，采用BP人工神經(jīng)網(wǎng)絡模型中的反向傳播算法—Traincgf，建立湛江市的逐日低溫預報模型。與此同時，利用相關統(tǒng)計參數(shù)對比分析了傳統(tǒng)多元線性回歸（MLR：Multiple Linear Regression）模型的估算效果，結(jié)果表明，BP-ANN模型的預測效果要遠遠優(yōu)于MLR模型。總的來說，BP-ANN模型能夠較為精確地預測湛江市的逐日最低氣溫，并為該市逐日低溫估算提供了一種較為可靠的方法。

關鍵詞：BP人工神經(jīng)網(wǎng)絡模型；逐日最低氣溫；湛江市區(qū)

1引言

根據(jù)IPCC第五次評估報告[1]，1880-2012年全球增暖0.85 ℃，過去30年是近1400年最暖的30年。進入21世紀以來，在全球變暖的大背景下，全球極端氣候事件高度頻發(fā)[2]，例如，高溫熱浪、臺風、暴雨、干旱和洪水等極端天氣氣候事件等。這些極端天氣氣候事件給社會經(jīng)濟和人們的生活帶來了極大的影響。目前，國內(nèi)外有關極端天氣事件的報道屢見不鮮，歸結(jié)起來，主要有以下三個方面的研究：一是分析站點或區(qū)域極端天氣事件的定義與多尺度特征分析[3-4]；二是探討全球變暖背景下，大氣環(huán)流等年代際的變化對極端天氣事件的影響[5-6]；三是研究極端天氣事件對國民經(jīng)濟和社會生活產(chǎn)生的影響[7-8]。

本文主要研究湛江市區(qū)的逐日最低氣溫（Tmin），Tmin與眾多的氣象要素存在較為復雜的非線性的耦合關系，而人工神經(jīng)網(wǎng)絡（ANN：Artificial Neural Networks）作為一種非線性統(tǒng)計性數(shù)據(jù)建模工具，為非線性復雜系統(tǒng)過程的模擬和預測提供了一種方法在眾多的人工神經(jīng)網(wǎng)絡模型中，反向傳播（BP：Back Propagation）人工神經(jīng)網(wǎng)絡是一種較為成熟并應用最為廣泛地的非線型函數(shù)逼近模型。目前，BP人工神經(jīng)網(wǎng)絡模型已經(jīng)廣泛應用于水文、氣象、地質(zhì)和航空等領域研究[9-10]。本文嘗試利用BP人工神經(jīng)網(wǎng)絡模型和多元線型回歸模型對湛江市逐日的最低氣溫進行預報，旨在為該地區(qū)逐日低溫的估算提供一種精準可靠的方法。

2資料和方法

2.1研究區(qū)域

廣東省湛江市位于中國大陸的最南端（109？31E-110 ？55E，20 ？N-21 ？35N），東瀕南海，南隔瓊州海峽與海南相望。該市屬于熱帶和亞熱帶季風氣候，終年受海洋性氣候的調(diào)節(jié)，冬無嚴寒、夏無酷暑，暑季長，寒季短，溫差不大。氣溫年平均23.2℃，7月最高，月平均為28.9℃，最高曾達38.1℃；1月最低，月平均為15.5℃，最低達2.8℃。極端低溫事件對該市的經(jīng)濟和人們的社會生活生產(chǎn)帶來了極大的影響。

2.2 研究數(shù)據(jù)

本文對氣象數(shù)據(jù)進行了質(zhì)量控制，剔除了個別異常數(shù)據(jù)。氣象資料來自于湛江市氣象局的觀測數(shù)據(jù)。對于季節(jié)的劃分，分別為：春季（3-5月），夏季（6-8月），秋季（9-11月）和冬季（12月-翌年2月）。

2.3 研究方法—BP 人工神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡是對某種算法或者函數(shù)的逼近，由多層神經(jīng)元結(jié)構(gòu)（圖1）組成。本研究在MATLAB R2011b環(huán)境下，利用BP人工神經(jīng)網(wǎng)絡模型工具箱結(jié)合1960-1999年的逐日氣象數(shù)據(jù)進行網(wǎng)絡訓練，并利用2000-2009年的逐日氣象數(shù)據(jù)對建立好的BP模型進行精度驗證。

圖1 人工神經(jīng)網(wǎng)絡模型

3 結(jié)果分析

3.1湛江市逐日最低溫度年際與年代際變化

圖2給出的是湛江市區(qū)的逐日最低溫度（Tmin）的時間序列變化，1959-2009年的逐日平均值為20.71mm，2009年以來，該市的逐日最低氣溫呈現(xiàn)逐年上升的趨勢，近50年來的Tmin的變化率為0.014℃/a。

3.2 BP模型與MLR模型對比

利用1960-1999年的本站氣壓（P0），相對濕度（RH），水汽壓（PW） ，風速（WS）與最低氣溫（Tmin）建立相關的BP人工神經(jīng)網(wǎng)絡模型。以SPSS軟件為基礎建立多元線性回歸模型：

圖2 湛江市區(qū)逐日平均最低溫度時間序列變化

（1）

表1 BP與MLR模型統(tǒng)計結(jié)果

BP其擬合與預測結(jié)果分別見表1，其中，F(xiàn)表示擬合（Fitting），P表示預測（Prediction），R2為決定系數(shù)（擬合與預測優(yōu)度），MAE為平均絕對偏差（Mean Absolute Error），MRE

為平均相對偏差（Mean Relative Error），RMSE為均方根誤差（Root Mean Square Error）。

在擬合（Fitting）階段，BP模型的R2F（0.93）優(yōu)于MLR模型R2F（0.75）；對于預測階段而言，BP模型的預測結(jié)果優(yōu)于MLR模型的結(jié)果（表2）。上述結(jié)果表明，非線型BP模型對逐日最低氣溫的估算能力遠遠優(yōu)于線性MLR模型的估算能力。

3.3 影響因子分析

由于Tmin的變化受多個氣象因子影響以及氣象因子又存在相互的影響，使得Tmin呈現(xiàn)波動的變化。為探討分析影響Tmin的主要氣象因子，對湛江市Tmin，P0，RH，PW和WS進行分析。為進一步分析和探討各氣象因子對Tmin的影響大小，針對各氣象因子和Tmin，進行逐步回歸分析，得到的回歸方程為

（2）

表2給出了各氣象因子組合與Tmin的多元線性回歸，找出RMSE的最小值，該因子組合即為影響Tmin的主要氣象因子組合。同時考慮P0， RH， PW和WS四個因子得到的逐步回歸方程 （RMSE）最小（0.27℃）。Tmin的主要氣象因子為P0，RH，PW和WS。綜合來看，Tmin的變化是各種氣象因子綜合作用的結(jié)果。

4 結(jié)論與討論

本文利用BP人工神經(jīng)網(wǎng)絡模型對廣東省湛江市最低溫度（Tmin）進行估算，結(jié)果表明，該模型有很強的非線性映射能力，與傳統(tǒng)的多元線性回歸模型相比，精度較高。主要結(jié)論如下：（1） 在全球變暖的大背景下，2009年以來，該市的逐日最低氣溫呈現(xiàn)逐年上升的趨勢，近50年來的Tmin的變化率為0.014℃/a。（2） 從R2，MAE和MRE來看，非線型BP模型對Tmin的估算能力遠遠優(yōu)于線性MLR模型的估算能力。（3） 對湛江市1960-2009年Tmin的主要氣象因子為P0，RH，PW和WS。綜合來看，Tmin的變化是各種氣象因子綜合作用的結(jié)果。

表2各個氣象因子與最低氣溫的逐步回歸分析 （均方根誤差單位：℃） A（P0，RH）， B（P0，PW）， C（P0，WS）， D（RH，PW）， E（RH，WS）， F（PW， WS）， G（P0， RH，PW）， H（P0，RH， WS）， I（P0， PW，WS）， J（RH，PW，WS）， K（P0，RH，PW，WS）

參考文獻

[1] Stocker T T F， Qin D， Plattner，G K G， et al. IPCC， 2013： Climate Change 2013： The Physical Science Basis. Contribution of Working

Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change” （Cambridge University Press， 2013）， p.

1535.

[2] Hoerling M， Kumar A ， Dole R， et al. Anatomy of an extreme event [J]. J Climate， 2013， 26（9）： 2811–2832.

[3] Du Y D， Ai H， Duan H L， et al. Changes in Climate Factors and Extreme Climate Events in South China during 1961-2010 [J]. Advances in climate change research， 2013， 4（1）： 1-11.

[4] 畢寶貴， 張小玲， 代刊. 2016 年超強厄爾尼諾背景下的強對流和極端降水天氣特點[J].科學通報， 2017， 62 （9）： 928-937.

[5] 姜大膀， 富元海. 2℃全球變暖背景下中國未來氣候變化預估[J].大氣科學，2012，36（2）：234-246.

[6] 閆軍輝，？周 曉，？劉明華， 等. 1951-2015年信陽極端溫度事件變化及其對全球變暖的響應[J].信陽師范學院學報：自然科學 版，？2017？，？30（1）？：82-86.

[7] 楊成發(fā)，？楊順成. 2015/2016年冬季極端低溫天氣對山東沂源果業(yè)的危害及綜合應對措施[J].果樹實用技術與信息， 2016（5）：35 -36

[8] 劉鋒. 2016年極端低溫對小麥生長影響分析[J].小麥研究，2016？（2）？：19-20.

[9] 郁珍艷， 李正泉， 張育慧， 等. 浙江省極端氣溫事件年代際變化特征及城鄉(xiāng)差異分析[J].氣象科技，2016，44（6）：972-978.

[10] 李曉杰，郭睿，黃金，等. 神經(jīng)網(wǎng)絡在北斗導航衛(wèi)星軌道預報中的應用[J].武漢大學學報[J]. 2015， 40（9）： 1253-1258.

[11] 李輝東， 關德新， 袁鳳輝， 等. BP 人工神經(jīng)網(wǎng)絡模擬楊樹林冠蒸騰[J].生態(tài)學報，2015，35（12）： 4137-4145.

[12] 李崢， 牛麗華， 袁鳳輝， 等. 遼西農(nóng)林復合系統(tǒng)中楊樹冠層導度特征[J].應用生態(tài)學報， 2012， 23（11）：2975-2982.

通訊作者簡介： 汪彪 （1988-），男（漢族），四川遂寧人，碩士研究生，主要從事海洋水文氣象預報保障工作，研究方向：軍事氣象學，數(shù)值預報，邊界層與陸面過程。