人工神經網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神經網絡預測模型。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月的觀測數據作為訓練樣本，確定了以tansig-logsig為傳遞函數，traingdx等三種函數為訓練函數的網絡最終結構。最后，利用2002年8月的觀測數據對模型進行檢驗，結果顯示：訓練函數為trainlm函數時，網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網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神經網絡；預測模型；訓練函數

降水量是影響干旱最主要的因素，它直接決定著干旱的發生發展，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、推動社會經濟的可持續發展具有重要意義。

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

而人工神經網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表達式的局限性，還能通過學習、訓練過程選擇相對最優網絡對目標值進行預測。非線性，具反饋能力的神經網絡模型在水文，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 ]進行了神經網絡汛期降水預報性能與逐步回歸預報準確率的對比分析，認為神經網絡預報模型的預報性能明顯優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神經網絡強大的非線性函數逼近功能，建立基于BP神經網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 數據收集與處理

1.1 數據的收集

本次試驗數據來源于遼寧省沈陽市氣象觀測站，位置為北緯41°44′、東經122°25′，海拔高度42.8米。沈陽市地處中國東北地區的南部，遼寧省的中部，位于北溫帶亞洲季風區北緣，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個數據，用其中的7月和9月數據作為模型的訓練集，8月的數據作為模型的檢驗集，來建立人工神經網絡的降水預測模型。

1.2 數據的處理

從地面觀測圖和高空圖中提取相關的數據，根據提取的數據的完整程度，進行修正。然后根據各個因子與日降水量的相關程度，選取相關系數較大的因子作為人工神經網絡的輸入因子。

由于原始數據幅值大小不一，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網絡的學習過程，使其不能反映小的測量值的變化。

所以，在網絡訓練之前，輸人數據和目標矢量都要經過歸一化處理。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神經網絡建模

應用BP神經網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月的數據作為檢驗樣本。

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 網絡參數的最終確定

確定優化的BP網絡模型的具體參數如下：

2.3 三種訓練函數預測評分

從預報準確率（對晴天和雨天預報正確的天數占總天數的百分比）、降水的準確率（成功預報降水的天數占實際降水天數的百分比）和綜合降水的TS評分（對降水預報正確的天數占報對、報空和報漏總天數的百分比）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函數和trainlm函數的準確性相同，均為66.7%，trainscg函數的準確性較低，為56.7%。

對于降水預報的準確性來說，三種函數的差別很大，其中trainlm函數的預報效果最好，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，降水預報準確度為66.7%，降水的TS評分為38.1%，略高于traingdx函數的TS評分。

綜上所述，當BP神經網絡模型的訓練函數為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，確定了網絡各個層次之間的傳遞函數：輸入層到隱層為tansig函數，隱層到輸出層位logsig函數。并且選擇出了擬合效果比較好的訓練函數，依次為traingdx函數、trainlm函數和trainscg函數。

3）由于隱層節點數對網絡的性能影響比較大，本文通過比較三種不同訓練函數對樣本的擬合誤差和訓練速度，確定了每種訓練函數的最佳隱層數：traingdx函數為12個、trainlm函數13個和trainscg函數9個。

4）分別利用三種訓練函數進行降水預測，通過比較發現：當BP神經網絡模型的訓練函數為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、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4個以上的站點觀測數據，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，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.人工神經網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.基于人工神經網絡的集成預報方法研究和比較[J].氣象學報，1999，57（2）：198- 207.