趙 琪,吳素芬,薛 燕,張 亮
(1.新疆水文水資源局,新疆烏魯木齊830000;2.石河子大學綠洲生態農業重點實驗室,新疆石河子832000)
中長期水文預報在水資源利用與調度中的作用十分重要,但是,隨著預報預見期的增加,許多影響因素變化的不確定性也隨之增加,中長期水文預報精度尚不高,研究進展緩慢[1]。
人工神經網絡是人工智能的一個分支,涉及數學、計算機、思維科學、心理學、模式識別、非線性動力學等眾多學科,是一個正在迅速發展中的交叉性學科,具有自學習、自適應和自組織能力,也能很好的抑制噪聲和信息缺失對最優解的影響[2],因此,近年來,在中長期水文預報中有廣泛的應用。
人工神經網絡有數十種模型[3],其中BP網絡在水文預測中應用較為普遍。
BP神經網絡屬于多層狀形的人工神經網絡,分為輸入層、隱層和輸出層,各層的神經元作用都是不同的[4]。輸入層接受外界的信息;輸出層則對輸入信息進行判別和決策;中間的多層隱層則用來表示或存儲知識。BP網絡算法主要包括兩個過程:一是由學習樣本、網絡權值從輸入層→隱含層→輸出層逐次算出各層節點的輸出;二是反過來計算實際輸出與計算輸出偏差構成的誤差,采用梯度下降法來調整網絡權值,使誤差減小,兩個過程反復交替,直到收斂為止。
根據學習好的網絡權值,以及給定需要判別的輸入向量,通過該網絡求得與輸入向量相對應的輸出向量,達到預報徑流量的目的。
2.2.1 BP網絡結構
利用Matlab7.0工具箱,建立有輸入層、隱含層、輸出層的模型結構,如圖1.隱含層和輸出層神經元傳遞函數選擇tansig函數,其表達式為:

誤差反向傳播采用Levenberg-Marquardt算法

圖1 BP神經網絡結構圖
2.2.2 網絡參數的確定
用于網絡訓練的初始權值在(-1,1)區間內隨機產生,網絡訓練采用誤差平方和,精度在此根據實際情況確定,學習率取0.05,沖量因子取0.9。
2.2.3 利用BP神經網絡預報葉爾羌河年徑流量
葉爾羌河是塔里木河流域主要河流之一,發源于喀喇昆侖山北麓,下游蜿蜒于塔克拉瑪干大沙漠西部邊緣,向北流至阿瓦提縣肖夾克與阿克蘇河、和田河匯合為塔里木河。葉爾羌河流域年徑流量中冰川融水補給量占63.1%,為徑流主要補給源[5]。
利用BP神經網絡對葉爾羌河年徑流量進行預報,,選取了3個預報因子,喀什前2年600hpa高空6月、7月份平均氣溫,卡群站前1年年徑流量。1960~1998年資料系列長度用于BP神經網絡的訓練,1999~2003年用來檢驗所建立網絡的預報精度。葉爾羌河卡群站年徑流量訓練和預留檢驗結果見表2。從表中可以看出網絡訓練合格率達100%,用調整好的網絡權值對預留5 a進行檢驗,合格率為80%。
周期均值疊加是水文預測中較為常用的方法,其基本定義為:一個水文要素隨時間變化的過程盡管多樣,當總可以把它看成是有限個具有不同周期的周期波相重疊而形成的過程[6]。數學模型為:

式中:x(t)為水文要素序列,pi(t)為第i個周期波序列,ε(t)為誤差項。只要我們根據實測的水文數據,分析識別出該水文要素所含有的周期,而且這些周期在預測區間內仍然保持不變,那末我們就可以根據分析出來的周期分別進行外延然后再疊加起來進行預報。計算結果見表1。

表1 BP網絡和周期均值疊加在葉爾羌河年徑流量預報中的應用結果
從方法上論,兩種方法都是采用統計預報的方法,兩種方法的不同之處在于:BP網絡基本不考慮水文過程的物理機制,而以建立輸入輸出數據之間的最優數學關系為目標的黑箱子方法多元分析,進行預測,從本質上說,神經網絡水文模型仍然是一種黑箱子模型,并不能對水文現象進行物理解釋,其參數也不具有任何的物理意義。周期分析是采用時間序列分析法,這里的周期只是概率意義上的周期,也就是指某一水文現象出現以后,經過一定的時間間隔,這種現象再次重復出現的可能性較大而已。
兩種模型雖然使用的數學方法不同,但預測結果的合格率是一樣的,擬合的合格率均為100%,而預留檢驗額合格率同為80%。但在實際應用中,兩種方法外推的預測結果合格率均不高。這是因為兩種方法均屬從數學角度擬合數據,并不能考慮水文情勢變化的眾多影響因素。
綜上所述,神經網絡模型在中長期水文預報工作中作為一種方法,實際工作中還要結合大氣環流、太陽活動、下墊面情況以及人類活動等因素,對大范圍旱澇趨勢進行定性、定量的預報,以期提高中長期水文預報的合格率。
[1]秦毅,等.基于物理成因概念的水文系統模型及其應用[J].水利學報,2004(7):6.
[2]張貴青.人工神經網絡導論[M].北京:中國水利水電出版社,2004.
[3]徐金明.MATLAB實用教程[M].北京:清華大學出版社,北京交通大學出版社,2005.
[4]周聿超.新疆河流水文水資源[M].烏魯木齊:新疆科技衛生出版社,1998.