基于GRNN模型降水预测研究.docVIP

基于GRNN模型降水预测研究 　　摘要：降水量是流域水资源管理、洪涝灾害预报以及农业用水计划等研究中的关键参数，对防洪预报、水资源规划等具有重要意义。根据铁岭地区1960年-2006年逐月降水资料，在分析其气候倾向率的基础上利用Mann-Kendall非参数检验法进行显著性检验，探讨该地区降水量的变化趋势，并首次将广义回归神经网络（GRNN）模型应用在该地区的降水预测中，利用误差率和预测对比图对模型的预测效果进行分析。结果表明：近47年来，铁岭地区降水量有缓慢减少趋势，但该趋势未达到显著水平（Pgt;0.1）;从预测效果来看，各月的预测值与真实值相差不大，其中预测效果最好的是10月（误差为3.39%），效果最不理想是2月（误差为19.45%）。 　　关键词：降水量;Mann-Kendall法;广义回归神经网络;降水预测 　　中图分类号：TV124文献标志码：A文章编号： 　　1672-1683（2015）02-0241-04 　　Precipitation forecast based on GRNN model 　　SHI Qing-zhi，HE Jun-shi 　　（College of Water Conservancy，Shenyang Agricultural University，Shenyang 110866，China） 　　Abstract：Precipitation is the key parameter for water resources management，flood disaster forecast，and agricultural water usage.Its accurate prediction is of great significance for the flood forecast and water resources regulation.In this paper，the precipitation trend in Tieling district was analyzed based on the monthly precipitation data from 1960 to 2006.The Mann-Kendall nonparametric method was used to test the significance level on the basis of analysis of climate tendency rate.The GRNN （generalized regression neural network） model was used in precipitation forecast，and the prediction results were analyzed using the error deviation and prediction comparison figures.The results showed that prediction in Tieling decreases slowly in the past 47 years but the trend hasn’t reached the significance level （Pgt;0.1）.The predicted precipitation was similar to the actual value for each month.October has the best prediction effect while February has the least with the error of 3.39% and 19.45%，respectively. 　　Key words：precipitation;Mann-Kendall;generalized regression neural network;precipitation forecast 　　降水径流是一个十分复杂的系统，其不仅与降水的时空分布有关，而且受流域下垫面状况、气候条件以及人类活动等的影响[1]。目前，受地形和资金等因素的限制，气象观测站的建立尚无法实现密集分布，进行降水预测显得尤为重要[2]。有关降水预测的研究已有很多，如苏力[2]利用时间序列分析法预测了西宁站降水量，张鑫等[3]结合灰色预测与马尔科夫理论创建模型对哈尔滨年降水量进行了预测。这些方法在不同类型、不同区域的降水预测中体现出各自的优势，但因应用了多种函数关系，导致将降水变化规律化、公式化，而实际上区域降水的演变趋势通常是动态的、复杂的。因此，本文拟以辽宁省铁岭市4个气象站1960年-20