兩種不同模型對漂流適宜性等級預報的對比分析

尚媛媛，杜正靜，夏曉玲

（貴州省氣象服務中心，貴州 貴陽550002）

旅游業是當前貴州大力發展的重點產業。貴州依托大數據產業，大力推動“互聯網”旅游發展，與氣象等各相關產業融合，加強智慧旅游平臺建設。然而，當前貴州旅游氣象服務的發展遠落后于旅游業發展。大部分地區局限于旅游景區的天氣預報，有些地區則開展了景區旅游氣象指數預報[1-4]。全球氣候變暖帶來的氣溫、降水、日照等氣候要素的變化[5]，導致依賴生態環境變化的旅游活動首當其沖受到影響。漂流是貴州較有特色的一項戶外水上旅游項目。漂流中游客完全暴露于自然條件下，天氣狀況對于漂流適宜性等級有著重要的影響。氣候不僅影響旅游活動的環境和旅游活動本身，還影響著游客的體感舒適度[6]。因此，研究氣象條件對漂流適宜性等級相關性十分有意義，旨在開發特色旅游氣象產品，豐富公共氣象產品庫內容。

目前，相關部門根據各地的旅游特色也展開了相應的研究。楊勝忠等[7]根據山洪水位監測站降水量和水位資料進行分析，得出翁密河降水量與水位漲幅之間存在著顯著的正相關，降水量越大，水位上漲越明顯。影響水位的因素很多，包括氣候、地形地貌、植被、河床、落差等，但是只考慮降水因素對水位影響則局限性較大。鄧學軍等[8]從氣候特點漂流氣候適宜性和漂流氣象障礙等方面分析杉木河景區氣候資源。彭潔等[9]通過分析氣候適宜性等級判定結果與漂流景區的客流量相關系數達到0.859，表明氣象因子是影響猛洞河漂流客流量的最主要因素。向紅瓊、邱粲等針對氣象因子[10-11]對漂流客流量的影響進行了詳細的研究與總結。研究發現，針對具體氣象因子對漂流等級的相關性分析方面的研究并不多。因此，本文研究對象桃源河，素有“人間仙境”、“黔中福地”之稱的貴陽修文桃源河峽谷生態旅游區，屬國家4A級旅游景區，位于貴陽市修文縣六屯鄉境內，地處桃源河谷，研究桃源河氣象因子對漂流等級的相關性分析是十分必要的。本文在前人的研究基礎上，著重對漂流適宜性等級進行劃分，提出氣象因子與漂流適宜性等級之間的關系，建立漂流適宜性等級預報模型，為貴州省科學管理和開發旅游氣候資源提供科學依據，為游客提供科學有效的指導產品，對方便游客科學、合理安排出游計劃具有重要的指導作用，也為景區根據氣象條件調配人力、調整服務項目提供依據。

1 資料與方法

本研究基于桃源河景區2015年1月1日—2016年12月31日逐日游客總數和景區所在地最近的氣象觀測站[12-13]相對應年份的日最高/最低氣溫，日平均氣溫、平均相對濕度、最小相對濕度、日降水量（北京時 08：00—20：00）[14]以及風速等資料進行研究。通過對氣象條件進行統計分析，結合日常天氣預報實際，利用前一天的數值預報資料，預報第二天的漂流等級，以此建立針對景區的漂流適宜性等級預報模型。以此類推，可用此方法進行2~5 d的漂流適宜性等級預報。

通過觀察和分析客流量數據，人為地劃分4個等級。漂流等級1，游客人數為1耀500，漂流適應性為“一般”；漂流等級 2，游客人數為 501耀1000，漂流適應性為“較適宜”；漂流等級3，游客人數為1001耀3000，漂流適應性為“適宜”；漂流等級4，游客人數為>3000，漂流適應性為“非常適宜”。同時，認定模型檢驗預報等級跟實況等級完全一致時，評分為100分；檢驗模型預報等級與實況等級相差1時，評分為80分；當檢驗模型預報等級與實況等級相差逸2時，評分記為不及格（低于60分）。為消除節假日和暑假旅游現象，節假日和暑假的數據均挑出，按“節假日、暑假逐日數據”等做二次建模。

對客流量與各氣象要素進行相關性分析后發現，此種方法效果不盡人意，故采用判別分析法[15]和BP神經網絡方法[16-17]進行分析，模型效果較好。判別分析法是在分類確定的條件下，根據漂流各種特征值判別其類型歸屬問題的一種多變量統計分析方法，其基本原理是按照一定的判別準則，建立一個或多個判別函數，用研究漂流的大量資料確定判別函數中的待定系數，并計算判別指標，最終確定漂流等級屬于何類。BP網絡（Back Propagation），是一種按誤差逆傳播算法訓練的多層前饋網絡，能學習和存貯大量的輸入—輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程，適宜于本研究。

2 基于判別分析法對漂流適宜性等級方程的建立

判別分析法建立模型預報因子包括日最高/最低氣溫，日平均氣溫、平均相對濕度、最小相對濕度、日降水量（北京時 08：00—20：00）以及風速。

2.1 基于全年漂流周期氣象因子建立漂流等級預報方程及檢驗

根據修文縣桃源河客流量監測，經過處理，最終有效數據隨機分成4組，并抽取其中一組作為檢驗組，其余剩下3組數據作為建模數據，進行建模。平均氣溫記為X1，最高氣溫記為X2，最低氣溫記為X3，平均相對濕度記為X4，最小相對濕度記為X5，08—20時降水量為X6，Y為預報客流量的數據（下同）。預報方程為：

比較計算出的 Y1、Y2、Y3、Y4，最大值的角標即為預報客流量的數據，如Y1大于其他Y值，對應預報為Y1。

從圖1可以看出，隨機選取的檢驗數據，反映出全年漂流周期的等級分布基本平衡，通過分析得出，檢驗預報評分為100分的占55.6%，預報評分為80分的占22.2%，預報評分不及格的占22.2%，由此可以看出，預報評分在80以上占77.8%，模型預報效果尚可。

圖1 對漂流全年等級預報模型的檢驗

2.2 基于節假日和周末氣象因子建立漂流等級預報方程及檢驗

根據漂流周期，國家法定節假日和周末數據，隨機分成3組，并抽取其中一組作為檢驗組，其余剩下兩組數據作為建模數據，進行建模。預報方程為：

通過檢驗預報效果（圖2），預報等級1占多數。檢驗預報評分為100分的占35.7%，預報評分為80分的占39.3%，預報評分不及格的占25%。可以看出，預報評分在80分以上占75%，模型預報效果相當好，但是參與建模的數據量相對于其他兩組的建模數據還是相對較少，并且檢驗的數據也非常有限，所以該模型預報是否運用到實際生活中還有待進一步檢驗。

圖2 對節假日和周末預報模型的檢驗

2.3 基于暑假氣象因子建立漂流等級預報方程及檢驗

根據歷年暑假放假周期，整理樣本數據，隨機分成四組，并抽取其中一組作為檢驗組，其余剩下三組數據作為建模數據，進行建模。預報方程為：

通過檢驗預報效果（圖3），暑假的漂流等級普遍偏高，等級3、4居多，適宜性較好。預報評分100分的占35.1%，預報評分80分的占37.8%，預報評分不及格的占27.1%。可以看出，預報評分在80分以上達72.9%，模型預報效果相當不錯。

圖3 對暑假漂流等級預報模型的檢驗

運用判別分析對漂流適宜性等級的預報其優勢在于，游客量的檢測值為整數，其變化規律更接近于判別分析法，故選用此方法。但是判別分析有其局限性，建立預報方程時使用的實況數據中躍3000人以上的數據是存在的，并且是不規律的，因此，預報值中也不會顯示躍3000的具體數值。因此在實際業務運行中需要根據實際情況及時更新預報方程。

3 基于氣象因子建立漂流等級BP神經網絡預報模型

本文測試了隱藏層個數為1、2，每個隱藏層神經元節點數為1~10共110種網絡結構。漂流BP神經網絡預報模型中，預報因子包括日最高/最低氣溫，日平均氣溫、平均相對濕度、最小相對濕度、日降水量以及風速。

3.1 基于全年氣象因子建立漂流等級BP神經網絡預報模型

根據修文縣桃源河客流量監測，共262個數據樣本，經過處理255個數據參與建模和檢驗，隨機選取170個樣本進行建模，剩余進行檢驗。建立神經網絡模型計算出漂流等級預報值，并檢驗模型的效果。所有數據代入神經網絡工具箱之前都進行標準化處理，使得每個因子的數據標準化到[-1，1]區間，輸出結果后反標準化處理。

BP神經網絡全年漂流等級預測效果較好的模型匯總（表1），模型3和模型5等級預報效果最好，正確率達55.3%，正確率次高的是模型4。模型3是第一個隱藏層有3個節點，第二個隱藏層有3個節點，模型4是第一個隱藏層有4個節點，第二個隱藏層有6個節點。可以看出BP神經網絡對漂流等級預測的結果，并不是隱藏層越多，隱藏層的節點數越多，預報效果越好。

從表1可以看出，預報正確率最高為55.3%，絕對值的差為1的正確率最大值為92.9%，這兩個最大值在同一個模型中，這只能代表個例，不能代表普遍。模型5的預報正確率的值最大也是55.3%。由于實際運用中采用兩者的平均值最大的模型作為業務應用，故模型3對全年漂流等級的預報與實況的對比（圖4）。分析可得，BP神經網絡預報正確率均達到51%以上，且各模型之間跨度不大，可見預報比較穩定，預報等級絕對值的差臆1的預報正確率均達到90%以上，比較穩定，等級效果比較好。由此可見，BP神經網絡對漂流等級預報的效果比較好。

表1 全年漂流等級預測效果較好的模型匯總

圖4 全年最優BP神經網絡模型對漂流等級預報和實況等級

3.2 基于節假日和周末氣象因子建立漂流等級BP神經網絡預報模型

漂流周期中含有包含節假日和周末的樣本數量有85個，其中隨機抽取45個用來建模，剩余用來檢驗。

BP神經網絡節假日和周末漂流等級預測效果較好的模型匯總（表2），等級正確率最高的均在40%以上，且跨度較寬。

表2 節假日和周末漂流等級預測效果較好的模型匯總

從表2中可以看出，預報正確率最高為57.5%，等級絕對值差為1的正確率最大值為80.0%，這兩個最大值并不集中在同一個模型中。模型2的平均值最大，模型2對周末和節假日漂流等級的預報與實況對比（圖5），預報正確率在40%~57.5%之間，等級絕對值差為1的正確率均在70%~80%之間。可見，神經網絡針對節假日和周末的預報正確率一般，等級絕對值差為1的預報效果較好，這也許與樣本數量少有一定關系，因為神經網絡預測的正確性和訓練數據的多少有較大的關系，尤其對于一個多輸入多輸出的網絡，如果缺乏足夠多的網絡訓練數據，正如漂流周期中含有包含的節假日和周末的樣本數量有限，BP網絡預測值可能存在較大的誤差。

圖5 節假日和周末最優BP神經網絡模型預報結果和實況

3.3 基于暑假氣象因子建立漂流等級BP神經網絡預報模型

漂流周期中暑假的樣本數量，共包括145個樣本，其中隨機抽取85個用來建模，剩余用來檢驗。

BP神經網絡對暑假漂流等級預報效果較好的模型匯總（表3），其中預報等級百分百正確的正確率最好的均在40.0%~51.7%。

表3 暑假漂流等級預測效果較好的模型匯總

從表3中可以看出，預報正確率最高為51.7%，等級絕對值差為1的正確率最高為90.0%，這兩個最大值也沒有集中在同一個模型中，同樣取兩者平均值最高的模型選取作為最優模型，模型5對暑假漂流預報等級和實況等級的對比（圖6），預報等級，正確率在40.0%~51.7%之間，等級絕對值差為1的正確率在83.3%~90.0%之間，可見，神經網絡對等級絕對值差為1的預報效果較好，對預報等級完全正確的效果一般，且跨度較大，這可能與樣本數量少有一定關系。

圖6 暑假最優BP神經網絡模型預測結果和實況對比

4 結論與討論

本文分析了桃源河景區氣象要素前一日的日資料與當天的漂流適宜等級之間的關系，開展運用氣象要素開展漂流適宜等級預報服務的工作。在漂流適宜性等級預報模型的研究基礎上，結合數值預報輸出的逐日要素產品，可以開展景區的漂流適宜等級預報服務，豐富公共氣象服務產品庫。因此，通過分析結果，BP神經網絡與判別分析相比，神經網絡對漂流適宜性等級預報正確率更高，效果更好。此外，暑假對漂流等級預報具有一定的正面影響。

（1）BP神經網絡相較與判別分析法效果較好。這也許跟樣本數量的個數有一定的關系。比如，兩種方法建立的模型對節假日周末的等級預報正確率都比較高，兩者差距很小。

（2）BP神經網絡具有較高的擬合能力，但預測結果仍有一定誤差。樣本數量的個數直接模型的擬合效果，數據多則效果較好，反之則較差。神經網絡對于暑假漂流等級誤差為1的預報率效果相當好，準確率最高達92.9%，但是對于節假日和周末的預報效果準確率相對較差。

（3）應用BP神經網絡構建漂流等級預報模型，并檢驗。暑假的預報效果最好，全年次之，節假日和周末最差。預報等級正確率均高于40%，等級絕對值差為1的正確率均高于70%，且最高達92%以上，具有一定的實際應用價值。

（4）不論是判別分析，還是BP神經網絡，均對暑假漂流等級預報效果較好。一是因為部分人群放假，出游人數較多。二是夏季氣溫較高，人們更愿意選擇漂流活動。因此運用到實際生活中，仍需要劃分等級和時間來進行分析。

（5）桃源河漂流適宜性等級預報是根據客流量與多種氣象要素綜合考慮的預報模型，漂流適宜性等級越大表示越適宜開展此項活動，反之則較低。漂流適宜性等級模型具有貴州省內漂流特色，對于省內開展漂流活動具有一定的指導意義。

（6）桃源河漂流適宜性等級預報模型是基于日常天氣預報結論的氣象要素，簡單、實用。但它受天氣預報正確率的制約，有時會出現偏差。對于漂流適宜性等級預報模型的檢驗和效果評估，有待進一步的研究。

參考文獻：

[1]楊琳，崔娜，陳啟忠.深圳旅游氣象條件分析[J].廣東氣象，2010，32（3）：46-48.

[2]楊尚英，李玲.旅游氣象氣候研究進展[J].桂林旅游高等專科學校學報，2007，18（3）：430-434.

[3]郭菊馨，白波，王自英，等.滇西北旅游景區氣象指數預報方法研究[J].氣象科技，2005，33（6）：604-608.

[4]吳龍，吳哲紅，方慶文.安順旅游舒適度分析[J].貴州氣象，2009，33（增）：69-70.

[5]阿布都克日木·阿巴司，努爾帕提曼·買買提熱依木，帕提曼·阿不都艾尼，等.喀什地區夏玉米發育期與氣象因子關系分析[J].沙漠與綠洲氣象，2016，10（4）：25-31.

[6]陶生才，潘婕，張磊，等.1971-2013年敦煌旅游氣候舒適度分析與評價[J].沙漠與綠洲氣象，2016，10（1）：27-33.

[7]楊勝忠，陳少華.暴雨山洪對黔東南漂流旅游影響研究[J].貴州氣象，2012，6（36）：22-24.

[8]鄧學軍，劉建粵，白慧.杉木河旅游氣候資源分析及應用[J].貴州氣象，2005，3（29）：18-20.

[9]彭潔，宗志平，黃小玉，等.湖南猛洞河漂流氣候適宜性等級評價及預報方程的建立 [J].氣象，2011，6（37）：771-776.

[10]向紅瓊，于飛.貴州山地高分辨率旅游氣象舒適度時空分布特征[J].貴州氣象，2010，3（34）：4-6.

[11]邱粲，曹潔，林隆超，等.基于GIS的山東省旅游氣候舒適度精細化評估 [J].資源科學，2013，35（12）：2501-2506.

[12]徐明時，邵玉平，王彥明.區域自動氣象站在山洪災害防治中的應用[J].黑龍江氣象，2011，28（3）：19.

[13]葉金印，李致家，劉靜，等.山洪災害氣象風險預警指標確定方法研究[J].暴雨災害，2016，35（1）：36-30.

[14]程麗君，姚敏，高鳴遠.上游降水及下游河閘對南京東山站水位的影響分析[J].水利信息化，2015（4）：21-24.

[15]黃嘉佑.氣象統計分析與預報方法[M].3版.北京：氣象出版社，2007.

[16]王立德，李欣然，李培強，等.基于人工神經網絡的綜合負荷模型[J].電網技術，2008，32（16）：59-65.

[17]王小川，史峰，郁磊，等.MATLAB神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2014：40-44.