云南汛期(6-8月)雨量预报最优化方案的研究.pdfVIP

云南汛期（6-8 月）雨量预报最优化方案的研究 1,2 3 3 何明洋 李伟东 曹杰 1.中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室，北京，100029 2.中国科学院大学，北京，100049 3.云南大学资源环境与地球科学学院大气科学系，昆明，650091 摘 要 本文将逐步回归算法、传统 BP 神经网络、基于 Levenberg-Marquardt 算法改进的 BP 神经网络和基于遗传算法 改进的BP神经网络所建立起的四种汛期雨量预报模型进行了对比实验，结果表明：平均状态下三种神经网络模型对 云南汛期（6-8月）雨量的拟合效果相对于传统的数理统计方法均得到了显著提升。然而，由于各神经网络模型所得 预报结果并非定值，而是在一定标准下随机产生的，因此各次运算过程中模型所得预报效果不尽相同，故找到多次 运算过程中预报效果最佳的方案自然成为人们所关注的问题。为此，本文探究了三种神经网络模型拟合部分各指标 与预报效果之间的相关关系，从而为找到对汛期雨量预报效果最佳的方案提供了重要参考依据。最后本文通过优化 设计相关理论对以上四种模型进行了集合优化处理，建立起三种汛期雨量预报的最优化方案，各方案相对于以上四 种模型而言在拟合及预报效果方面均得到了一定程度的改善。 关键词：最优化方案，神经网络，汛期雨量，集合预报。 1 引言 汛期雨量预报是短期气候预测的重点和难点，在目前月、季、年尺度数值预报能力有限的情况 下，多采用基于数理统计的预报方法。数理统计方法理论成熟、概念准确、便于通过计算机程序予 以实现、具有极强的实用价值，因此广泛应用于自然科学研究、工程计算、社会、经济等诸多领域， 其事先规定好某种数学模型，而且一般都是线性的，并采用最小二乘法等去匹配各项的系数，它对 样本大小、样本的独立性和样本的正态分布等，都有明确的要求。然而，大气是一个非线性耗散系 统，其观测样本往往难以满足或仅仅是近似满足数理统计预报方法的条件，而且样本序列本身不可 避免地含有噪声，这些都必然影响其预报能力。 近些年来，随着计算机技术的显著提高及人工神经网络(ANN)研究的逐步深入，神经网络作为一 种人工智能技术，正越来越多的被众多科学领域所采用。由于其具有非线性、非常定性、非凸性等 特点，故其不但具有较好的模式识别能力，而且可以克服统计等方法的限制，最重要的是它具有学 习能力，可随时依据数据资料进行自适应学习、训练，调整其内部的存储权重参数从而以任意精度 1 逼近一个非线性函数。在大气科学领域应用最多的神经网络模型是BP神经网络，然而由于模型本身 所固有的问题，在实际预报过程中其表现出收敛速度慢、预报结果不够稳定、可调参数较多(人为干 预较多)、误差函数出现振荡、不收敛等一系列问题，严重影响了其在实际气象预报工作中的推广及 [1] 应用 。 本文结合优化设计相关理论及神经网络天气预测研究的相关成果，对传统的BP神经网络进行了 改进，将云南汛期（6-8月）雨量选作预报量，利用基于Levenberg-Marquardt算法改进后的BP神经 网络和基于遗传算法改进后的BP神经网络建立起汛期雨量预报模型，并与采用传统数理统计方法— — 逐步回归算法及传统BP神经网络所建立起的预报模型进行了对比试验，同时探究了三种神经网络 模型拟合部分各指标与预报效果之间的相关关系，最后对四种模型进行了最优化集成处理。通过实 例验证可知，集成后的预报模型在云南汛期（6-8月）雨量预报方面具有一定的优越性和实用价值， 拥有较好的应用前景。 2 算法介绍 [1] 2.1 BP神经网络 BP 神经网络全称是误差反传(error back propagation)前向网络，其基本原理是：网络把一系 列输入经过联接权重加权输送给隐含层，隐含层各神经元汇总所有输入后，通过一种转移函数产生 某种响应输出，并通过下一层联接权输送给输出层。输出层各神经元汇总所有输入后又产生一种响 应输出。然后再将其输出与期望输出进行比较。若二者趋于一致或相差甚小，可认为这个网络基本 学会了这一问题。若相差较大或不够满意，便将网络输出与期望输出二者间误差送回，通过调