遼寧省汛期降水量中長期預測技術研究

張　鴻

(遼寧省撫順水文局，遼寧 撫順 113015)

?

遼寧省汛期降水量中長期預測技術研究

張鴻

(遼寧省撫順水文局，遼寧 撫順 113015)

汛期降水作為重要的水文要素，具有確定性，隨機性和模糊性特征。確定性表現為：降水量具有顯著的周期性特征，在長期時間尺度上變化規律明顯；隨機性表現為：對于某一未發生的年份，其降水量的數值是不確定的；模糊性表現為：降水程度、與歷史情況的相似性是模糊的。基于此，研究分別選用確定性模型——神經網絡預測模型、隨機性模型——馬爾可夫鏈預測模型、模糊性模型——模糊識別預測模型，以遼寧省2014年汛期6——8月降水量為例進行預測，以期為遼寧省防汛抗旱決策提供基礎，同時也為其他地區中長期預測提供參考。

遼寧；降水特征；模型；預測；防汛抗旱

汛期雨水情趨勢預測是防汛抗旱工作的重要依據。降水量作為重要的水文要素，具有確定性、隨機性及模糊性特征。基于此，研究分別采用神經網絡技術、馬爾可夫鏈預測技術、模糊識別技術建立汛期降水量預測模型，并進行遼寧省汛期降水量趨勢預測，以期為遼寧省防汛抗旱決策提供依據，并為其他地區汛期中長期預測提供參考。

1　遼寧省汛期雨水情特征

遼寧省位于我國東北地區南部，地處E118°53′～125°46′，N38°43′～43°26′。全省土地面積14.59 萬 km2，地勢自北向南、由東西向中部傾斜。中部為平原，約占全省面積的1/3；兩側丘陵與山地占全省面積的2/3。

洪水災害是遼寧省最大的自然災害。新中國成立至今，遼寧省共發生幾十場重大的洪水災害，如1995年渾河大水、2013年清原大水等；發生頻率高、損失程度重，嚴重危及經濟發生及社會穩定。按照成因，洪水又可分為暴雨洪水、冰凌洪水、潰壩洪水等，其中，暴雨是遼寧省洪水災害的主要原因。夏季西風帶氣旋頻繁通過，同時熱帶風暴及臺風頻繁北上，攜帶大量水汽，在太平洋副熱帶高壓位置偏北偏西情況下，往往形成遼寧省大暴雨與特大暴雨[1]。在長期工作中可知：汛期(6-8月)降水量是確定防汛抗旱預案的重要依據，對汛期防汛決策意義重大。

圖1遼寧省水旱災害統計特征(1949—2015)

遼寧省歷年6-8月降水量如圖2所示。

圖2　遼寧省汛期6—8月降水過程

2　神經網絡模型

人工神經網絡是由大量簡單的神經元鏈接而構成的復雜網絡，具有復雜、并行、非線性等特點。神經網絡依靠過去的經驗數據，通過神經元的模擬、記憶和聯想來處理各種復雜的、模糊的、非線性的數據，其拓撲結構示意圖如圖3所示。

圖3　神經網絡拓撲結構

神經網絡常用算法主要Hebb、Delta、Kohonen、BP等。其中BP算法(誤差反傳播算法，error back propagation)是由Rumelhart等人于1995年提出，屬前饋式神經網絡，在水文預報研究中應用較廣。BP神經網絡由輸入層、若干隱含層、輸出層組成，其學習過程由正向傳播及方向傳播構成。正向傳播時，信號經sigmoid函數逐層轉播，每一層神經元的狀態只影響下一層神經元狀態。若在輸出層不能得到期望的信號，則修改各層神經元的權值，并使輸出信號的誤差沿原路返回。經過反復傳播，從而獲得滿足精度要求的輸出信號[2-3]。

采用BP神經網絡進行遼寧省2014年6—8月全省、西部、中北部、東南部地區降雨量預測，以前10年降雨量作為輸入，采用單一隱含層網絡結構，輸入層節點數為10，全省、中北部地區模型隱含層節點數為5，西部、東南部地區預測模型隱含層節點數為4，輸出層節點數1。傳遞函數分別采用tansig，purelin。采用帶動量項的BP學習規則；采用Levenberg - Marquardt方法訓練網絡。模型以1962—2010年數據訓練網絡，2011—2013年數據驗證，預測結果如圖4所示。

圖4　神經網絡預測結果

3　馬爾可夫鏈模型

在中長期水文預報領域，把具有離散狀態和時間序列的水文要素過程視為馬爾可夫鏈，根據第n時刻的狀態就可以預測出第n+1時刻的狀態，這就是馬爾可夫鏈預測的基本思想。應用馬爾可夫鏈預測時，首先根據歷史數據統計指標值序列中從狀態I 經過一步轉移到達狀態j 的頻數，并構建轉移概率矩陣。從而根據前一時段水文要素所屬狀態來預測下一時段水文要素狀態[4]。

(1)

采用馬爾可夫鏈方法預測2014年6—8月遼寧省降雨情況。根據工作習慣，以多年平均流量多2成、多1成、少1成、少2成為閾值，將降雨分為枯水、偏枯水、平水、偏豐水、豐水5個等級。在檢驗降雨量序列馬氏性的基礎上，采用一步馬爾可夫鏈、加權馬爾可夫鏈方法預測降雨量，預測結果見表1。其中，加權馬爾可夫鏈預測時，取前5a降雨情況預測當年降雨情況，將各階自相關系數規范化作為各階權重。

表1　馬爾可夫鏈預測結果

4　模糊識別模型

考慮到遼寧省汛期降雨量與太陽黑子相關呈11年周期規律，將待預報的2014年前11a降水值作為待識別系列B，與滑動11年歷史資料系列A1，A2，……AM進行比較，選擇趨勢值和貼近度最大的模式，并基于此做出預測。

模型原理如下[5]：假定系列Ai及待識別系列B中元素滿足，ai,j-ai,j+1<0且bi,j-bi,j+1<0或ai,j-ai,j+1>0且bi,j-bi,j+1>0，則有趨勢值ki,j+1=1/(n+1)，研究中n=11。若累積趨勢值完全一致，則稱待識別模式B與模式Ai趨勢完全一致，若為0則趨勢完全不一致。貼進度反映兩個模式樣本相似程度，計算公式為ρ(A，B)=1/2[A?B+(1-A⊙B)。

計算結果表明：2014年前11a的變化接近于1964—1974(貼近度在0.685)、1966—1976(貼近度在0.72)、1989—1999(貼近度在0.665)的降水變化規律，其貼近度在0.665～0.72，平均值為0.69。按照此方法分析，2013年汛期全省降水量在400～480 mm。

5　結　論

本文在識別遼寧省汛期降水確定性、隨機性、模糊性的基礎上，采用神經網絡模型、馬爾可夫鏈預測模型、模糊設別模型進行遼寧省汛期降水量趨勢預測，但仍需注意以下關鍵問題：

1)中長期水文預報主要基于統計規律的雨洪趨勢性預報，影響因素多，且復雜多變，目前科技手段難以在很長預見期內實現準確預知。水文部門將隨時根據氣象部門發布的中長期天氣預報變化情況，滾動分析和修定雨情水情預測預報結果。

2)受全球氣候變化的影響，遼寧省極端災害性天氣日趨增多，局部地區強暴雨、極端高溫干旱呈突發、多發、并發的趨勢。

3)要警惕中小河流、中小型水庫和中小城鎮超標準洪水發生，要特別警惕由于局地突發性暴雨所引發的山洪、泥石流災害。

[1]遼寧省防汛抗旱指揮部辦公室, 遼寧省水文水資源勘測局.遼寧省水旱災害[M].沈陽：遼寧科學技術出版社，1999：26-34.

[2]林健玲,金龍，林開平.神經網絡方法在廣西日降水預報中的應用[J].南京氣象學院學報,2006，29(02)：215-219.

[3]熊海晶.基于神經網絡和小波分析的降水預報研究[D].南京：南京大學, 2012.

[4]冉景江, 趙燮京, 梁川.基于加權馬爾可夫鏈的降水預測應用研究[J].人民黃河, 2006(04)：3-5.

[5]梁鳳國, 董增川, 王殿武.基于模糊模式識別法的遼寧省汛期降水預測與分析[J].水文, 2010，30(03)：48-49.

1007-7596(2016)06-0038-03

2016-05-30

張鴻(1976-)，男，遼寧撫順人，工程師，從事防汛抗旱工作。

P426.6

B