基于BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)湛江市逐日低溫的預(yù)報(bào)

汪彪+劉玉國(guó)+謝璐+李家林

摘要：人工神經(jīng)網(wǎng)絡(luò)模型技術(shù)綜合了數(shù)理統(tǒng)計(jì)、神經(jīng)計(jì)算和符號(hào)邏輯等人工智能理論技術(shù)，是一種非線性的動(dòng)力學(xué)系統(tǒng)，它以抽象的人腦構(gòu)造基本單位組成，模擬人腦的思維過(guò)程，目前該模型已被廣泛應(yīng)用于水文模型研究領(lǐng)域。利用三層反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN：Back Propagation—Artificial Neural Network）模型對(duì)湛江市逐日低溫（Tmin）進(jìn)行預(yù)報(bào)，為在全球氣候變化的大背景下極端低溫事件研究提供相關(guān)科學(xué)依據(jù)。利用湛江市常規(guī)氣象資料，采用BP人工神經(jīng)網(wǎng)絡(luò)模型中的反向傳播算法—Traincgf，建立湛江市的逐日低溫預(yù)報(bào)模型。與此同時(shí)，利用相關(guān)統(tǒng)計(jì)參數(shù)對(duì)比分析了傳統(tǒng)多元線性回歸（MLR：Multiple Linear Regression）模型的估算效果，結(jié)果表明，BP-ANN模型的預(yù)測(cè)效果要遠(yuǎn)遠(yuǎn)優(yōu)于MLR模型。總的來(lái)說(shuō)，BP-ANN模型能夠較為精確地預(yù)測(cè)湛江市的逐日最低氣溫，并為該市逐日低溫估算提供了一種較為可靠的方法。

關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)模型；逐日最低氣溫；湛江市區(qū)

1引言

根據(jù)IPCC第五次評(píng)估報(bào)告[1]，1880-2012年全球增暖0.85 ℃，過(guò)去30年是近1400年最暖的30年。進(jìn)入21世紀(jì)以來(lái)，在全球變暖的大背景下，全球極端氣候事件高度頻發(fā)[2]，例如，高溫?zé)崂?、臺(tái)風(fēng)、暴雨、干旱和洪水等極端天氣氣候事件等。這些極端天氣氣候事件給社會(huì)經(jīng)濟(jì)和人們的生活帶來(lái)了極大的影響。目前，國(guó)內(nèi)外有關(guān)極端天氣事件的報(bào)道屢見(jiàn)不鮮，歸結(jié)起來(lái)，主要有以下三個(gè)方面的研究：一是分析站點(diǎn)或區(qū)域極端天氣事件的定義與多尺度特征分析[3-4]；二是探討全球變暖背景下，大氣環(huán)流等年代際的變化對(duì)極端天氣事件的影響[5-6]；三是研究極端天氣事件對(duì)國(guó)民經(jīng)濟(jì)和社會(huì)生活產(chǎn)生的影響[7-8]。

本文主要研究湛江市區(qū)的逐日最低氣溫（Tmin），Tmin與眾多的氣象要素存在較為復(fù)雜的非線性的耦合關(guān)系，而人工神經(jīng)網(wǎng)絡(luò)（ANN：Artificial Neural Networks）作為一種非線性統(tǒng)計(jì)性數(shù)據(jù)建模工具，為非線性復(fù)雜系統(tǒng)過(guò)程的模擬和預(yù)測(cè)提供了一種方法在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，反向傳播（BP：Back Propagation）人工神經(jīng)網(wǎng)絡(luò)是一種較為成熟并應(yīng)用最為廣泛地的非線型函數(shù)逼近模型。目前，BP人工神經(jīng)網(wǎng)絡(luò)模型已經(jīng)廣泛應(yīng)用于水文、氣象、地質(zhì)和航空等領(lǐng)域研究[9-10]。本文嘗試?yán)肂P人工神經(jīng)網(wǎng)絡(luò)模型和多元線型回歸模型對(duì)湛江市逐日的最低氣溫進(jìn)行預(yù)報(bào)，旨在為該地區(qū)逐日低溫的估算提供一種精準(zhǔn)可靠的方法。

2資料和方法

2.1研究區(qū)域

廣東省湛江市位于中國(guó)大陸的最南端（109？31E-110 ？55E，20 ？N-21 ？35N），東瀕南海，南隔瓊州海峽與海南相望。該市屬于熱帶和亞熱帶季風(fēng)氣候，終年受海洋性氣候的調(diào)節(jié)，冬無(wú)嚴(yán)寒、夏無(wú)酷暑，暑季長(zhǎng)，寒季短，溫差不大。氣溫年平均23.2℃，7月最高，月平均為28.9℃，最高曾達(dá)38.1℃；1月最低，月平均為15.5℃，最低達(dá)2.8℃。極端低溫事件對(duì)該市的經(jīng)濟(jì)和人們的社會(huì)生活生產(chǎn)帶來(lái)了極大的影響。

2.2 研究數(shù)據(jù)

本文對(duì)氣象數(shù)據(jù)進(jìn)行了質(zhì)量控制，剔除了個(gè)別異常數(shù)據(jù)。氣象資料來(lái)自于湛江市氣象局的觀測(cè)數(shù)據(jù)。對(duì)于季節(jié)的劃分，分別為：春季（3-5月），夏季（6-8月），秋季（9-11月）和冬季（12月-翌年2月）。

2.3 研究方法—BP 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是對(duì)某種算法或者函數(shù)的逼近，由多層神經(jīng)元結(jié)構(gòu)（圖1）組成。本研究在MATLAB R2011b環(huán)境下，利用BP人工神經(jīng)網(wǎng)絡(luò)模型工具箱結(jié)合1960-1999年的逐日氣象數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并利用2000-2009年的逐日氣象數(shù)據(jù)對(duì)建立好的BP模型進(jìn)行精度驗(yàn)證。

圖1 人工神經(jīng)網(wǎng)絡(luò)模型

3 結(jié)果分析

3.1湛江市逐日最低溫度年際與年代際變化

圖2給出的是湛江市區(qū)的逐日最低溫度（Tmin）的時(shí)間序列變化，1959-2009年的逐日平均值為20.71mm，2009年以來(lái)，該市的逐日最低氣溫呈現(xiàn)逐年上升的趨勢(shì)，近50年來(lái)的Tmin的變化率為0.014℃/a。

3.2 BP模型與MLR模型對(duì)比

利用1960-1999年的本站氣壓（P0），相對(duì)濕度（RH），水汽壓（PW） ，風(fēng)速（WS）與最低氣溫（Tmin）建立相關(guān)的BP人工神經(jīng)網(wǎng)絡(luò)模型。以SPSS軟件為基礎(chǔ)建立多元線性回歸模型：

圖2 湛江市區(qū)逐日平均最低溫度時(shí)間序列變化

（1）

表1 BP與MLR模型統(tǒng)計(jì)結(jié)果

BP其擬合與預(yù)測(cè)結(jié)果分別見(jiàn)表1，其中，F(xiàn)表示擬合（Fitting），P表示預(yù)測(cè)（Prediction），R2為決定系數(shù)（擬合與預(yù)測(cè)優(yōu)度），MAE為平均絕對(duì)偏差（Mean Absolute Error），MRE

為平均相對(duì)偏差（Mean Relative Error），RMSE為均方根誤差（Root Mean Square Error）。

在擬合（Fitting）階段，BP模型的R2F（0.93）優(yōu)于MLR模型R2F（0.75）；對(duì)于預(yù)測(cè)階段而言，BP模型的預(yù)測(cè)結(jié)果優(yōu)于MLR模型的結(jié)果（表2）。上述結(jié)果表明，非線型BP模型對(duì)逐日最低氣溫的估算能力遠(yuǎn)遠(yuǎn)優(yōu)于線性MLR模型的估算能力。

3.3 影響因子分析

由于Tmin的變化受多個(gè)氣象因子影響以及氣象因子又存在相互的影響，使得Tmin呈現(xiàn)波動(dòng)的變化。為探討分析影響Tmin的主要?dú)庀笠蜃樱瑢?duì)湛江市Tmin，P0，RH，PW和WS進(jìn)行分析。為進(jìn)一步分析和探討各氣象因子對(duì)Tmin的影響大小，針對(duì)各氣象因子和Tmin，進(jìn)行逐步回歸分析，得到的回歸方程為

（2）

表2給出了各氣象因子組合與Tmin的多元線性回歸，找出RMSE的最小值，該因子組合即為影響Tmin的主要?dú)庀笠蜃咏M合。同時(shí)考慮P0， RH， PW和WS四個(gè)因子得到的逐步回歸方程 （RMSE）最?。?.27℃）。Tmin的主要?dú)庀笠蜃訛镻0，RH，PW和WS。綜合來(lái)看，Tmin的變化是各種氣象因子綜合作用的結(jié)果。

4 結(jié)論與討論

本文利用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)廣東省湛江市最低溫度（Tmin）進(jìn)行估算，結(jié)果表明，該模型有很強(qiáng)的非線性映射能力，與傳統(tǒng)的多元線性回歸模型相比，精度較高。主要結(jié)論如下：（1） 在全球變暖的大背景下，2009年以來(lái)，該市的逐日最低氣溫呈現(xiàn)逐年上升的趨勢(shì)，近50年來(lái)的Tmin的變化率為0.014℃/a。（2） 從R2，MAE和MRE來(lái)看，非線型BP模型對(duì)Tmin的估算能力遠(yuǎn)遠(yuǎn)優(yōu)于線性MLR模型的估算能力。（3） 對(duì)湛江市1960-2009年Tmin的主要?dú)庀笠蜃訛镻0，RH，PW和WS。綜合來(lái)看，Tmin的變化是各種氣象因子綜合作用的結(jié)果。

表2各個(gè)氣象因子與最低氣溫的逐步回歸分析 （均方根誤差單位：℃） A（P0，RH）， B（P0，PW）， C（P0，WS）， D（RH，PW）， E（RH，WS）， F（PW， WS）， G（P0， RH，PW）， H（P0，RH， WS）， I（P0， PW，WS）， J（RH，PW，WS）， K（P0，RH，PW，WS）

參考文獻(xiàn)

[1] Stocker T T F， Qin D， Plattner，G K G， et al. IPCC， 2013： Climate Change 2013： The Physical Science Basis. Contribution of Working

Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change” （Cambridge University Press， 2013）， p.

1535.

[2] Hoerling M， Kumar A ， Dole R， et al. Anatomy of an extreme event [J]. J Climate， 2013， 26（9）： 2811–2832.

[3] Du Y D， Ai H， Duan H L， et al. Changes in Climate Factors and Extreme Climate Events in South China during 1961-2010 [J]. Advances in climate change research， 2013， 4（1）： 1-11.

[4] 畢寶貴， 張小玲， 代刊. 2016 年超強(qiáng)厄爾尼諾背景下的強(qiáng)對(duì)流和極端降水天氣特點(diǎn)[J].科學(xué)通報(bào)， 2017， 62 （9）： 928-937.

[5] 姜大膀， 富元海. 2℃全球變暖背景下中國(guó)未來(lái)氣候變化預(yù)估[J].大氣科學(xué)，2012，36（2）：234-246.

[6] 閆軍輝，？周 曉，？劉明華， 等. 1951-2015年信陽(yáng)極端溫度事件變化及其對(duì)全球變暖的響應(yīng)[J].信陽(yáng)師范學(xué)院學(xué)報(bào)：自然科學(xué) 版，？2017？，？30（1）？：82-86.

[7] 楊成發(fā)，？楊順成. 2015/2016年冬季極端低溫天氣對(duì)山東沂源果業(yè)的危害及綜合應(yīng)對(duì)措施[J].果樹(shù)實(shí)用技術(shù)與信息， 2016（5）：35 -36

[8] 劉鋒. 2016年極端低溫對(duì)小麥生長(zhǎng)影響分析[J].小麥研究，2016？（2）？：19-20.

[9] 郁珍艷， 李正泉， 張育慧， 等. 浙江省極端氣溫事件年代際變化特征及城鄉(xiāng)差異分析[J].氣象科技，2016，44（6）：972-978.

[10] 李曉杰，郭睿，黃金，等. 神經(jīng)網(wǎng)絡(luò)在北斗導(dǎo)航衛(wèi)星軌道預(yù)報(bào)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)[J]. 2015， 40（9）： 1253-1258.

[11] 李輝東， 關(guān)德新， 袁鳳輝， 等. BP 人工神經(jīng)網(wǎng)絡(luò)模擬楊樹(shù)林冠蒸騰[J].生態(tài)學(xué)報(bào)，2015，35（12）： 4137-4145.

[12] 李崢， 牛麗華， 袁鳳輝， 等. 遼西農(nóng)林復(fù)合系統(tǒng)中楊樹(shù)冠層導(dǎo)度特征[J].應(yīng)用生態(tài)學(xué)報(bào)， 2012， 23（11）：2975-2982.

通訊作者簡(jiǎn)介： 汪彪 （1988-），男（漢族），四川遂寧人，碩士研究生，主要從事海洋水文氣象預(yù)報(bào)保障工作，研究方向：軍事氣象學(xué)，數(shù)值預(yù)報(bào)，邊界層與陸面過(guò)程。