BP人工神经网络在大连降水预报中的应用-修改.docVIP

B-P人工神经网络模型在大连降水预报中的应用 周芦燕 袁大为 胡邦辉 （1.解放军理工大学气象学院；2.） 摘 要 利用相关系数进行筛选预报因子，分四季进行神经网络学习,得出各季神经网络预报的网络系数,建立预报模式，并对大连海军试验基地第二试验场2000年10 月和2001年1、4、6月的降水概率、降水量进行预报，取得了较好的效果。 关键词：神经网络 B-P模型 自适应 降水预报 引言 人工神经网络（Artificial Neural Networks）是近年来在国内外迅速发展起来的一门边缘学科。它具有非线性、良好的容错性、自适应性和吸引性以及其大规模并行处理的特征,具有很强的学习功能，网络中的大量参数均由学习（训练）获得（而不是人为设定），并能在使用中不断调整，从而使系统变得更“聪明”。在预测高复杂程度的非线性方面明显优于传统的线性预测方法,并已被应用于水文、气象要素及农业昆虫等预测,显示了它的应用前景。自20世纪80年代后期以来，B-P人工神经网络在大气科学领域中取得了大量的研究成果。在国外，David Silverman和John A.Dracup合作利用B-P网络模型对美国加利福尼亚地区降水长期预报进行了研究，他们将加州分为7个区域分别建立预报模型，结果发现，多数预报模式对降水场的预报结果与实况分布配合相当好。在国内，曹晓钟和王强利用一种改进的B-P网络模型提出了基于相空间,时间相关和模式相关的3种资料优化处理方案,认为神经网络方法比时间序列方法应用更广泛,是时间序列方法的扩充。金龙等利用B-P网络结合多元分析和时间序列分析预报方法，进行了混合长期天气预报的预报建模研究，通过对苏州地区1999－2001年春季降水研究，结果发现利用B-P网络的混合预报模型平均预报误差明显小于其他方法。 在二十世纪八十年代末期，神经网络开始在天气预报领域中尝试应用,国内也有不少人做了应用尝试，并取得了较好的效果B-P模型，并对大连海军试验基地第二试验场的降水概率、降水量进行预报，得出了一些有意义的结论。 基本原理 B-P网络结构由输入层、隐层和输出层组成，工作过程中包括信息的正向传播和反向传播。在正向传播过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回。通过修正各层神经元的权值，使得误差信号减小。重复上述过程，直至误差最小或得到期望精度的输出。如下图1： 输入层 隐层 输出层 图1 B-P网络基本结构图 B-P人工神经网络把一组样本的输入、输出问题作为非线性优化问题来处理，使用优化中最普通的梯度下降法，用迭代运算求解权重值，并通过引入隐节点的方法增加优化问题的可调参数，从而使得到更精确的解成为可能。 因子分析 (一)资料 影响降水的因子很多，如：各种气象要素（气压、气温、湿度等）和各种天气现象（风、云、雨、雾等）。本文的资料来源是由国家气象中心T106模式用历史基本资料反算得到。资料年限是1995年1月至1997年12月。资料内容以逐日20时为初始时刻，模式产品的输出时次为00、24、36、48、60、72、96、120、144 资料范围：70oE—146oE，15oN—65oN，由西向东，由南向北分布，格距为2o×2o。 （二）因子分析 预报因子绝非越多越好，因子太多既会影响预报方程的稳定性、增加计算量，还会让不良因子混杂在较好因子之中，往往起到干扰和掩盖好因子的作用，使预报效果变差。所以要进行因子的筛选，对因子进行逐个审查，淘汰一些相形见绌的因子，保留少而精的几个因子建立预报方程。在整个筛选因子的过程中，遵循以下两条原则：（1）因子和预报对象间的相关性好且稳定；（2）因子间相互配合要好。应用相关系数法从大量资料中选取与预报对象（某天气现象）相关性较好的且相互间配合较好的一组作为预报因子。我们是根据概率统计的相关系数法选取因子的。其公式为： 经过逐步引进（剔除），求得输入因子，而不同预报的对象、不同的时效所选的因子不同，下面仅列出大连第一季度12、24、36、48时效降水概率预报筛选引入的因子： 表1 降水概率预报12小时时效所选因子 要素场 相对湿度 水汽通量散度 涡度 散度 散度 螺旋度 螺旋度 辐散风 U 辐散风 V 螺旋度 螺旋度 螺旋度 层次 (hPa) 850 500 500 925 700 1000 500 850 850 925 800 700 经度 108 128 142 122 108 132 116 78 82 126 116 116 纬度 53 37 19 33 33 47