人工神經網絡在臺風風暴潮模擬中的解釋應用

張娟，周水華，黃寶霞，張敏

（國家海洋局南海預報中心，廣東廣州510300）

?

人工神經網絡在臺風風暴潮模擬中的解釋應用

張娟，周水華，黃寶霞，張敏

（國家海洋局南海預報中心，廣東廣州510300）

摘要：將BP人工神經網絡引入到風暴潮數值預報的解釋應用中，并以惠州站為例，根據臺風參數與增水的關系建立3套神經網絡模型，對風暴潮的數值預報結果進行訂正，計算結果顯示：BP人工神經網絡可以改進風暴潮數值模式的預報精度，可以作為惠州站數值預報結果解釋應用的一種方法，同時也為臺風風暴潮數值預測的解釋應用提供了新思路。

關鍵詞：BP人工神經網絡；風暴潮；解釋應用；數值預報

1　引言

現階段風暴潮預報方法主要有經驗統計預報和數值預報，其中風暴潮數值預報結果已經成為風暴潮預報中的主要參考依據［1-2］，在風暴潮預報中發揮著重要的作用，模式能較好的模擬增水的基本變化狀況，但有時預報值仍然有較大的誤差，這在目前的風暴潮數值預報是常見的現象，這可能是由不精確的臺風風場、氣壓場、地形和底摩擦等因素導致的。當然，數值模式本身的缺陷也是其中原因之一。因此，對數值預報產品的解釋應用來提高預報精度是非常有必要的。目前，國內外針對氣象要素開展的數值預報產品釋用技術研究已經有較多的成果［3-17］，而對于海洋預報要素的數值預報產品的釋用技術處于探索階段。在風暴潮方面，目前國內只看到王培濤等人用集合預報的方法對其數值預報的解釋應用［18-19］。因此，本文嘗試以惠州站為例，利用BP人工神經網絡對風暴潮數值產品的釋用進行初步探析。

2　方法介紹

2.1 BP人工神經網絡模型簡介

人工神經網絡簡稱神經網絡，是基于生物學神經網絡原理而建立的一種適應系統，由若干稱為神經元的簡單處理組合而成，所有神經元通過前向或回饋的方式相互作用、相互聯系。神經網絡具有自適應、自組織、自學習的特點，非線性映射能力極強［20-21］。

本文采用的人工神經網絡是應用較為廣泛的3層結構的BP人工神經網絡，BP人工神經網絡是一種基于誤差反向傳播算法的多層前饋型網絡，由信號的正向傳遞與誤差的反向傳播組成：正向傳播時，輸入的信息流從輸入層，經隱層逐層處理后傳向輸出層（見圖1）。若輸出層的實際輸出與期望輸出不符，則轉向誤差的反向傳播階段。誤差的反向傳播是將輸出誤差以某種形式通過隱層向輸入層逐層反轉，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程是周而復始地進行。而權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止［21］。

圖1典型的前饋型人工神經網絡示意圖

人工神經網絡在大氣科學數值預報的解釋應用方面，獲得了較廣泛的應用，并已經取得相關的研究成果［12-17］，但是在海洋要素預報方面，目前只看到在海浪要素的解釋應用［22-23］。本文嘗試將BP神經網絡引入到風暴潮數值預報解釋應用領域中。

2.2數值模式簡介

本文采用風暴潮數值模型是國家海洋局南海預報中心業務化運行的南海近岸精細化風暴潮模型，南海近岸精細化風暴潮模型是該中心基于ELCIRC正壓模型開發的，ELCIRC采用了基于水平無結構網格，垂向Z坐標體系，半隱格式的歐拉-拉格朗日的有限體積和有限差分算法解淺水方程。此模型的數學物理方程及計算框架本文不在贅述，詳見參考文獻［24］，為了保證南海近岸海域的精細化模擬，同時又能節約計算速度，本研究的模型采用非結構網格。總網格圖見圖2，大亞灣網格見圖3。模型的總單元數為212 064，節點數為121 115。大亞灣網格分辨率為50—200 m左右。

圖2南海區域網格

圖3大亞灣區域網格

風暴潮計算所需要的臺風風場是在Jelesnianski模式的基礎上，加入7級大風半徑和10級大風半徑改進而成。此臺風風場模式在國家海洋局南海預報中心臺風浪、風暴潮預報中應用多年，具體公式見文獻［25］和［26］。

3　資料準備

本文采用資料包括臺風參數、惠州站實測增水數據、惠州站數值計算結果。

臺風參數來自中國氣象局熱帶氣旋資料中心的CMA熱帶氣旋最佳路徑數據集（http://tcdata. typhoon.gov.cn/zjljsjj_sm.htm），CMA熱帶氣旋最佳路徑數據集是熱帶氣旋季節過后根據收集到的常規和非常規氣象觀測資料，對熱帶氣旋的路徑和強度資料進行整編而形成。由于目前最佳路徑數據集沒有給出7級大風和10級大風半徑參數，本文所采用的7級和10級大風半徑來自佛山市氣象局（http://www.fs121.com/Typhoon.aspx）。7級和10級大風半徑是臺風影響期間，中國氣象局根據相關資料確定的，但是臺風季節過后，沒有對此進行校正。臺風參數時間間隔為6 h，為了計算的需要，利用線形插值方法，將臺風要素資料插值成間隔為1 h。

惠州站增水資料來自我單位臺站資料整理結果，根據惠州站潮位資料2006—2013年逐時潮位資料，采用最小二乘法對惠州站逐時潮位數據進行調和分析，獲得調和常數，再用調和常數預報惠州站天文潮位，最后將惠州站實測潮位減去天文潮位獲得惠州站實測增水資料，時間間隔為1 h。本文收集和整理了惠州站2006—2013年臺風風暴潮資料。

采用所用搜集到的影響惠州的臺風資料，利用南海近岸精細化風暴潮模型，進行模擬，獲得惠州站數值計算結果，計算結果時間間隔為1 h。

4　神經網絡模型的建立和檢驗

4.1神經網絡模型的建立

（1）因子的選取

本文主要探討利用神經網絡模型訂正數值預報結果，因此將數值預報結果作為神經網絡模型的一個輸入因子。

另外造成臺風風暴潮增水的原因很多，有風、氣壓、臺風強度、路徑等等，是極其復雜的過程，為了避免選取的因子過多，使得建立的網絡不穩定，這里只選取風暴潮增水影響比較顯著的因子作為輸入因子來構建神經網絡模型：臺風中心距惠州站的距離、臺風中心氣壓、臺風中心風速和臺風移速、7級大風半徑、10級大風半徑。

（2）模型的建立

本文搜集到2006—2013年惠州站最大增水大于80cm的9次臺風過程（0806、0809、0812、0814、0906、0915、1013、1208、1319），另由于0601號臺風路徑的特殊，本文也將0601臺風的增水過程作為研究對象，臺風路徑見圖4。

圖4　0601臺風路徑

為了建立和檢驗人工神經網絡，將樣本分成2組，其中將0806、0809、0812、0814、0906、0915、1013 7場臺風影響期間增水大于40 cm的數據，作為訓練樣本，共有81個訓練樣本，將未參加訓練的1208、1319、0601臺風影響期間的數據，作為“未知”樣本，由已掌握了知識信息的神經網絡對其進行預報。

輸入層節點數

輸入層節點數取決于輸入向量的維數。本文采用惠州站數值結果和臺風參數作為輸入變量，并分多種情況進行推算（見表1）。

表1神經網絡輸入層的設置

隱含層節點數

神經網絡的參數隱層的神經元個數仍然沒有較好的方法事先確定。過少的神經元會使網絡缺乏逼進能力，過多的神經元則增加訓練時間和降低ANN的反應速度。因此，通常是在訓練過程中逐漸增加或減少其數目，直到精度到達要求為止。本文通過試錯法調試后，隱層節點數確定為10（僅1個隱層）。

輸出層節點數

輸出層僅有1個節點，輸出因子為惠州站增水。

（3）訓練結果

圖5為訓練樣本的訓練結果與實測結果及elcirc模式計算結果對比過程，誤差統計結果見表2。從圖表結果可以看出，訓練后的結果均比ELCIRC更貼合實測過程，且誤差均比ELCIRC計算誤差明顯減小。尤其是ANNa，相對模型計算結果，經過網格模型預測的增水平均絕對誤差由30.0 cm下降到10.2 cm，平均相對誤差由43.8%下降到15.0%，ANNc也將平均絕對誤差降到13.2 cm，平均相對誤差也下降到18.9%。

4.2神經網絡模型的結果

圖5訓練樣本的訓練結果、elcirc計算結果與實測增水過程的對比

表2訓練樣本誤差統計

在數值預報工作中發現，位于臺風右半圓的站點，增水預報效果一般較好，而位于臺風左半圓的站點，增水預報效果則是比較差的，甚至會出現實測為增水，而預報為減水的情況，因此檢驗樣本除了選擇惠州站位于臺風右半圓的1208號臺風，還選擇了惠州站位于臺風左半圓的0601號臺風和1319號臺風。臺風路徑圖略。

根據上節建立好的神經網絡模型，對0601號、1208號、1319號臺風數值預報增水進行訂正。訂正結果見圖6，統計結果見表3。從圖表來看：（1）3種方案的神經網絡模型預測結果均優于ELCIRC模式計算結果，尤其是0601號臺風，惠州站位于0601號臺風的左半圓，從圖上可以看出，數值模擬結果與實測結果變化趨勢是相反的，但經過神經網絡模型訂正后的結果與實測變化趨勢是一致的，并且方案c的訂正結果與實測吻合最好；（2）除了在趨勢變化上較好的改善外，在最大增水值和最大增水值出現時間上，也有較大的提高，1208號數值預報結果最大增水值比實測最大值出現提前2 h，而經過神經網絡訂正過的最大增水值出現時間與實測一致；1319號數值預報的最大增水比實測值大60 cm，經過神經網絡模型方案a訂正后的最大增水與實測值只相差4 cm；

圖6預測樣本的神經網絡訂正結果、elcirc計算結果與實測增水過程的對比

從圖表結果來看，不同神經網絡方案訂正效果不同，對1319號臺風來講，方案a有較明顯的提高，但方案c訂正過的最大增水值卻比實測大100 cm左右，比訂正前還大；在0601號臺風過程中，方案c訂正效果最好，方案b其次；相對1208號臺風來講，3種方案訂正效果差別不大。究其原因分析有，一是臺風資料的不準確性，本文所用的臺風資料是根據線形插值方法插值成間隔為1 h的，與實際資料并不完全相符，二是大風半徑的不準確，且臺風過后，并沒有根據相關資料對其進行訂正；三是惠州站建站較晚，所獲得的樣本資料比較少，樣本資料的多少對神經網絡模型計算結果有很大的影響。

表3預測樣本誤差統計

5　小結

本文將BP神經網絡引入風暴潮數值預報的解釋應用中，根據輸入因子與風暴增水的關系，設計了3套神經網絡模型，并利用建立神經網絡對數值預報結果進行解釋應用，從神經網絡輸出結果來看，所建立的神經網絡在惠州站的訂正效果還是比較滿意的，可以作為惠州站數值預報結果解釋應用的一種方法，同時也為臺風風暴潮數值預測的解釋應用提供了新思路。

從訂正結果可以看出，雖然已經取得了很大的進展，但該方法在預報精度方面仍有提升空間，需要說明的是，作為一種探索，本文預報因子的選取、模型的建立以及預報個例的檢驗等方面還有許多值得完善、改進之處，還有待于進一步探索、研究。

參考文獻：

［1］王喜年.風暴潮預報知識講座第四講風暴潮預報技術（1）［J］.海洋預報，2001，18（4）:63-69.

［2］馮士笮.風暴潮導論［M］.北京:科學出版社，1982.

［3］樊曉春，董彥雄，董安祥，等.T213資料在冰雹短期預報中的釋用［J］.干旱氣象，2004，22（1）:86-89.

［4］黃輝，陳淑琴.MM5數值預報產品在舟山海域風力分區預報中的釋用［J］.海洋預報，2006，23（2）:67-71.

［5］徐琳娜，馮漢中.基于數值預報產品的溫度釋用方法比較［J］.四川氣象，2006，26（2）:4-5，14.

［6］應爽.日本數值預報產品在溫度預報中的釋用［J］.吉林氣象，2007，（2）:21-22，40.

［7］陳舜華，呂純廉，范淦清.用數值預報產品的逐步LOGISTIC動力統計釋用天氣預報模型［J］.氣象科學，1996，16（1）:81-85.

［8］鄭和文，嚴明良，范淦清.PP法用于江蘇臺風暴雨預報的經驗、結果和應用前景［J］.氣象科學，1999，16（2）:178-183.

［9］劉鴻升，余功梅.偏北大風的數值預報釋用方法研究［J］.氣象科學，2002，22（1）:100-106.

［10］王太微，陳德輝.數值預報發展的新方向-集合數值預報［J］.氣象研究與應用，2007，28（1）:6-12，24.

［11］蘇兆達，蘇洵.數值預報產品釋用的閾值法研究［J］.氣象研究與應用，2007，28（4）:5-7.

［12］Marzeban C，Witt A.A Bayesian Neural Network for Severe-Hail SizePrediction［J］.WeatherandForecasting，2001，16（5）: 600-610.

［13］McCann D W.A Neural Network Short-Term Forecast of Significant Thunderstorms［J］.Weather and Forecasting，1992，7 （3）:525-534.

［14］Silverman D，Dracup J A.Artificial Neural Networks and Long-Range Precipitation Prediction in California［J］.Journal of Applied Meteorology，2000，39（1）:57-66.

［15］余運河，胡邦輝，董文娟，等.BP自適應網絡在數值預報產品的釋用［J］.解放軍理工大學學報（自然科學版），2003，4（6）:94-97.

［16］金龍，林熙，金健，等.模塊化模糊神經網絡的數值預報產品釋用預報研究［J］.氣象學報，2003，61（1）:78-84.

［17］鄧小花，魏立新.運行神經網絡方法對WRF數值模擬結果的初步釋用［J］.海洋預報，2011，28（6）:17-23.

［18］王培濤，于福江，劉秋興，等.臺風風暴潮異模式集合數值預報技術研究及應用［J］.海洋學報，2013，35（3）:56-64.

［19］王培濤，于福江，劉秋興，等.福建沿海精細化臺風風暴潮集合數值預報技術研究及應用［J］.海洋預報，2010，27（5）:7-15.

［20］苑希民，李鴻雁，劉樹坤，等.神經網絡和遺傳算法在水科學領域的應用［M］.北京:中國水利水電出版社，2002.

［21］胡守仁，余少波，戴葵.神經網絡導論［M］.長沙:國防科技大學出版社，1993.

［22］朱智慧.BP神經網絡方法在海浪數值預報中的釋用研究［J］.大氣科學研究與應用，2011，（1）:84-91.

［23］齊義泉，張志旭，李志偉，等.人工神經網絡在海浪數值預報中的應用［J］.水科學進展，2005，16（1）:32-35.

［24］Zhang Y L，Baptista A M，Myers E P.A Cross-Scale Model for 3D BaroclinicCirculationinEstuary-Plume-ShelfSystems:I. Formulation and Skill Assessment［J］.Continental Shelf Research，2004，24（18）:2187-2214.

［25］周水華，李遠芳，馮偉忠，等.“0601”號臺風控制下的廣東近岸浪特征［J］.海洋通報，2010，29（2）:130-134.

［26］張娟，馮偉忠，李廣敏，等.1003號臺風“燦都”風暴潮特征分析與模擬［J］.海洋通報，2011，30（4）:367-370.

中圖分類號：P731.23

文獻標識碼：A

文章編號：1003-0239（2016）02-0060-06

DOI:10.11737/j.issn.1003-0239.2016.02.009

收稿日期：2015-08-19

基金項目：國家海洋局海洋公益性行業科研專項（201305031-4）

作者簡介：張娟（1982-），女，工程師，碩士，主要從事海洋環境預報工作。E-mail:zhangjuan8205@126.com

Interpretation of numerical storm surge model results using the artificial neural network

ZHANG Juan，ZHOU Shui-hua，HUANG Bao-xia，ZHANG Min
（Sea Forcasting Center of South China Sea，State Oceanic Administration，Guangzhou 510300 China）

Abstract：In order to apply the BP artificial neural networkd（ANN）method in the forecasting system of storm surge model，three kinds of BP ANN models were established based on the relationship between typhoon parameters and increasing water.Taken Huizhou station as an example，the forecasting results from storm surge model were rectified.The results show that the BP ANN method could improve the forecasting accuracy from storm surge model，and the modeled results have a good agreement with the observed data.Hence，The BP ANN can be a useful measure method to reduce the bias of the simulation.

Key words：the BP artificial neural network；storm surge；interpretation；numerical prediction