基于BP神经网络的台风降雨量预测研究

2012-05-07武博强崔灵周

水土保持研究 2012年3期

封毅，武博强，崔灵周

（1.温州大学学报编辑部，浙江温州325035；2.温州大学生命与环境科学学院，浙江温州325035；3.长安大学地质工程学院，西安710054）

台风作为影响我国东南沿海的强烈天气系统，往往会引发持续性的特大暴雨降水过程，造成洪涝突发、农田受淹、城市内涝和路毁车阻等灾害，带来严重的经济和人员损失［1－2］。如何准确预报台风暴雨降水的空间分布，成为近年来倍受关注的重点领域之一。黄永玉等［3］、钮学新［4］利用中尺度 MM5模式分别对0418号“艾利”台风和0216号“森拉克”台风降水进行了数值模拟。曾欣欣等［5］对0716号“罗莎”台风造成的浙江大暴雨到特大暴雨过程中，大环流天气形势演变、动力条件、水汽输送及物理量特征的影响进行了诊断研究。有些学者［6－9］建立了适用于登陆台风的定量降水估计方法，实现了登陆台风未来0～3h的短时定量降水预报；利用多普勒雷达体扫和自动雨量站资料，结合概率配对法对“海棠”和“麦莎”两个台风的小时降水量进行了定量估测；采用多种物理量综合诊断分析方法，对登陆台风“云娜”在西进途中水汽来源和不稳定层结的维持等方面进行研究；用综合多级相似预报技术，对“浙东南沿海”台风过程所引发的暴雨天气进行研究。邵月红［10］、邵利民等［11］分别利用BP神经网络方法，结合多普勒雷达体扫的回波强度及雨量计观测资料，估测了临沂地区暴雨过程的小时降雨量，对我国沿海的热带气旋的移动路径进行了预报。可以看出，台风暴雨降水的研究主要集中在中尺度MM5模式、基于多普勒雷达体扫资料的概率配对和多级相似预报等方面，但由于模式分辨率较低和雷达探测范围有限等原因，台风暴雨降水预报的准确性和实际应用受到明显限制。

BP神经网络由于结构简单、自适应和自学习能力强等特点，在气象水文等领域得到了广泛应用［1，10－11］。本文以200509号台风“麦莎”在温州地区登陆所形成的降雨量为研究对象，利用雨量站实测降水数据，建立台风期间各雨量站6h降水量BP神经网络预测模型，实现台风暴雨期间重点区域降水量空间分布快速、准确估算，为防台减灾预案制定及综合决策提供科学依据。

1 200509号台风“麦莎”概况

1.1 台风路径及强度

200509号“麦莎”台风于7月31日20时在菲律宾以东洋面上生成后向西北方向移动，8月2日8时加强为强热带风暴，并继续向西北方向移动，于8月3日2时加强为台风。8月6日3时40分在温州地区东侧的玉环县干江镇登陆，登陆后继续沿西北方向移动进入温州东北的乐清和永嘉等地区，8月6日17时进入诸暨境内并减为强热带风暴。

1.2 台风中心气压、风力及风速

从表1可以看出，200509号台风“麦莎”在登陆以前为超强台风，中心气压均保持在950hPa，最大风力和最大风速分别达到14级和45m／s。台风登陆后，其中心气压逐步升高，即从登陆前的950hPa升高到960 hPa，直至8月6号17时的980hPa；最大风力及风速均相应减小，分别从登陆前的14级和45m／s降低到13级和40m／s，至8月6号17点分别降低到11级和30m／s，此时的台风减弱为强热带风暴。

表1 2005 09号台风“麦莎”中心气压、最大风力及风速变化表

1.3 降水量时空变化

图1—4是200509号台风“麦莎”登陆前8月5日8时至登陆后8月6日8时温州地区88个雨量站6h观测雨量空间分布图。可见，温州地区的6h雨量随着台风逐步逼近和过境，其降水量呈现先增加后减小的变化趋势，其中6h降水量峰值出现在台风登陆后的8月6日3时至8时，北部地区的李家山站达到单站6h观测雨量最大值，为213mm；随着台风登陆各雨量站点的6h观测雨量快速下降。从降雨量的空间分布来看，台风“麦莎”登陆前后温州地区的降水量主要分布于东北部的雁荡山区，中南部降水量显著偏少。由于台风“麦莎”移动路径一直在温州地区东侧沿向西北方向行进，在玉环县登陆后继续沿西北方向穿过温州地区东北部的永嘉和乐清两地，台风路径变化成为导致降雨量在温州地区分布严重不均衡的主要原因。

图1 8月5日14：00－20：00温州地区降水量分布

图2 8月5日21：00－8月6日2：00温州地区降水量分布

图3 8月6日3：00－8：00温州地区降水量分布

图4 8月6日9：00－14：00温州地区降水量分布

2 台风降雨量预测模型建立

BP神经网络也称误差反传（Error Back Propagation）前向网络，一般由输入层、输出层和若干隐层组成。当信息输入网络时，先从输入层传至隐层节点，经激活函数作用和联接权重加权后，再传至下一隐层，然后经处理后由输出层产生计算结果。将输出层所得到的计算结果与期望输出进行比较，若二者相差较大，则将误差进行反向传播，通过调整连接权值进行反复训练，直到误差达到预设的允许范围之内或训练次数；否则，停止训练。完成训练后，该BP神经网络就可以进行预报等实际应用。

2.1 BP神经网络结构设计

本文采用典型的三层BP神经网络结构（图5），由输入层、隐层和输出层构成，每个数据层包括若干数据节点。输入数据层主要为台风降量影响因子层，具体包括雨量观测站点的经度（°）、纬度（°）、高程（m）、某时刻站点距台风中心距离（km）和台风中心气压5个输入数据节点，输出层仅包括相应时刻前6小时该站点的降雨量观测值（mm）1个输出数据节点，隐层的数据节点主要根据经验公式和网络训练效果进行调整，最后节点数确定为17个。

图5 三层神经网络结构

2.2 隐层激活函数和网络训练参数选取

由于S型函数具有非线性放大系数功能，可把（－∞，＋∞）变化范围的数据变换到（－1，＋1）间输出，常被用作隐层的激活函数，本文BP神经网络隐层的激活函数选取Sigmoid函数，即：

该函数是连续可微的，便于误差反向传播过程节点权值的调节。

期望误差（训练目标）、学习速率、最大训练次数、初次权值和阈值等参数值设置对于BP网络训练和模型精度控制具有重要影响。通过反复调整和比较，确定所建立的BP神经网络训练目标为0.01、学习速率为0.1、最大训练次数为1 000、初始输入层至隐层及隐层至输出层的权值均设为0.5、隐层节点及输出节点阈值分别设为0.75和0。

2.3 输入层样本数据预处理

BP神经网络输入层节点的数据由于量纲、数量级和单位等具有较大差别，在网络训练前须对原始数据进行归一化处理，以提高BP神经网络训练速度和灵敏性，同时可有效避开Sigmoid函数的饱和区。本文采用的归一化公式如下，即：

式中：X′——归一化后的数值；X——处理前的数值；Xmax，Xmin——该样本数据的最大值和最小值，归一化后的样本数据输出范围变为［－1，1］。

2.4 BP神经网络的MATLAB实现

MATLAB是美国MathWorks公司开发的商业数学软件，主要用于算法开发、数据可视化、数据分析以及数值计算。该软件提供了神经网络工具箱，利用该工具箱，通过编写程序和相关函数调用，实现了该BP神经网络建立、网络训练参数设定与调整、输入层样本数据预处理、网络训练和模型应用。

3 模型应用

利用200509号台风“麦莎”期间温州地区的黄山、张溪、碧莲、上塘、潘山、曹村、埭头、泰顺等74个雨量站（见图6）连续6h观测总雨量和相应台风信息为训练数据，对本文所建立的台风降雨量BP神经网络预测模型进行训练，然后利用该场台风期间温州地区的雁荡、叶山、应坑、永嘉石柱、中保和朱涂等14个雨量站点（见图6）连续6h降雨总量进行了检验。

3.1 模型训练

表2和表3分别是用于前文所建立的台风降雨量BP神经网络预测模型训练的部分雨量站（黄山站和碧莲站）及相关数据和模型训练结果误差分析。从表2可见，模型训练的输入数据包括雨量站的经纬度、雨量站高程、初始时刻雨量站距台风中心距离及台风中心气压，输出数据为初始时刻后6h观测雨量。受台风“麦莎”影响，黄山站和碧莲站均从8月5日3：00出现17.2mm和19.9mm的降雨，降雨分别持续至8月7日2：00和8月6日20：00。以6h为时间单元，黄山站和碧莲站共有15组数据参与模型训练，其中黄山站8组数据、碧莲站7组数据。全部参与模型训练的数据共74个雨量站的152组。模型训练结果显示（见表3），不同雨量站各时段6h雨量预测相对误差均值为28.4%、最大相对误差值为90%、相对误差小于30%的数据组所占比例达到75%，各雨量站总雨量、最大雨量预测相对误差和平均雨量预测相对误差分别为10.2%，11.7%，0.9%。本次模型训练精度较好。

图6 BP模型训练和检验雨量站点分布

表2 台风降雨量BP神经网络预测模型训练部分数据表

表3 台风降雨量BP神经网络预测模型训练结果及误差分析

3.2 模型检验

由表4可见，模型检验输入输出数据同模型训练，即雨量站经纬度、雨量站高程、雨量站距台风中心距离、台风中心气压和6h降雨量。雁荡山站从8月5日3：00至8月7日2：00，以6h为时间单元，共有8组数据参与模型检验；同样，叶山站从8月4日21：00至8月6日14：00，以6h为时间单元，有9组数据参与模型检验；全部参与模型检验共计14个雨量站的56组数据。模型检验结果表明（表5），各雨量站不同时段6h降雨量预测相对误差均值、最大相对误差和相对误差小于30%比例分别为38.2%，95%，71.1%，分别比模型训练提高9.8%，5%和降低4.9%。各雨量站总雨量预测相对误差均值、最大雨量预测相对误差均值和平均雨量相对误差分别为29.5%，33.3%和29.9%，分别比模型训练提高19.3%，21.6%和29%。总体来看，模型检验结果可以接受。