基于BP神经网络的厦门沿海风暴潮预报应用

卢君峰，李少伟，袁方超（1.中国海洋大学海洋环境学院，山东青岛66110；.国家海洋局厦门海洋预报台，福建厦门61008；.厦门海洋环境监测站，福建厦门6100）

基于BP神经网络的厦门沿海风暴潮预报应用

卢君峰1，2，李少伟3，袁方超2
（1.中国海洋大学海洋环境学院，山东青岛266110；2.国家海洋局厦门海洋预报台，福建厦门361008；3.厦门海洋环境监测站，福建厦门361002）

以BP人工神经网络可有效描述非线性问题的特性应用于短期风暴潮增水预报，利用风暴潮增水与各项影响因素的关系，建立厦门沿海的风暴潮增水预报的人工神经网络模型。该模型将以台风中心最低气压、最大风速，七级大风半径、台风中心距测站位置的距离和测站当地气压、当地风速、天文潮位及增水值、作为主要的输入因子，预测未来1 h、2 h、3 h及6 h风暴潮增水值。分别探讨厦门沿海的风暴潮増水在3种代表性热带气旋路径的影响下的模型应用情况，由预报结果的分析显示：该BP神经网络模型所预报的风暴潮增水较好的拟合了实际变化趋势，表明本模型对于厦门沿海风暴潮増水的预报具有相当不错的成效。

风暴潮；BP神经网络；预报

1　引言

福建省厦门市位于我国东南沿海，台湾海峡的西岸，其海岸线基本呈东北-西南向延伸，处于西北太平洋热带气旋主要移动路径上，台风影响频繁，受到海峡对风产生的狭管效应影响，成为福建省乃至我国遭受风暴潮灾害较为严重的地区之一。厦门周边海域平均每年约发生2.7个风暴潮灾害影响过程，造成严重的经济损失。9914号（Dan）台风在福建龙海登陆，引发厦门海域出现大海潮和台风巨浪，造成全市受灾人口76.25万人，死亡13人，失踪3人，受伤727人，被困8 764人，直接经济损失19.38亿元。还有1996年的9608号（HERB）台风，引发厦门港出现五十年一遇的高潮位，造成全市17.71万人受灾，房屋等损毁严重，直接经济损失4.18亿元。风暴潮灾害给厦门沿海造成的直接经济损失近年来呈急剧增加的趋势，因此风暴潮增水预报与预警技术研究对于提高厦门沿海海洋防灾减灾的能力有重大的现实意义。

2　BP神经网络与风暴潮预报

BP人工神经网络是误差反向传播（Error Back-Propagation）神经网络，最主要的优点是具有极强的非线性映射能力，非常适合于风暴潮增水预报的研究。首先，不需要建立任何实际系统的数学模型和确定初值，只需利用所观测到的系统输入输出数据调节网络内部的连接权，完成整个网络的信息处理；其次，其对信息采取空间上的分布存储和时间上的并行处理，因而具有良好的容错性和联想记忆功能，可以较好的做出精确预测；第三，其具有强大的自学习、自组织与自适应性，能够通过对系统输入输出样本对的学习，自动提取组合其中的映射规则，自动调整网络结构参数以适应环境变化，具有较强的逼近能力和拟合能力［1-2］。

基于以上因素，人工神经网络已被国内外的研究学者广泛应用于风暴潮短期增水预报方面的研究。蔡煜东等［3］在1994年以广东海门测站为例，用BP人工神经网络模型预报了该站台风暴潮的增水极值；薛彦广等［4］在2005年建立了湛江站风暴潮增水预报的人工神经网络模型，并使用了贝叶斯优化算法；李未等［5］在2006年利用BP人工神经网络，建立了灯笼山测站和黄埔测站台风暴潮和天文潮的综合增水效应预报模型；台湾的Lee［6］在2005年以将军测站潮位作为研究对象，应用倒传递学习类神经网路，建立台风暴潮预测模式。国外，波兰的Sztobryn［7］研究在潮汐影响非常小的海域，以风速为主要输入因子，应用类神经网路法建立预测模式；Kim等［8］将人工神经网络应用于日本的Sanin海岸，测试了台风各个影响因子在模型中的灵敏度响应程度，并对未来1—5 h的增水进行预报检验。Tseng等［9］应用倒传递类神经网络建立18个输入因子的风暴潮预测模式，对成功和东石潮位站进行风暴潮预测。总的来说，都是以台风影响期间气象场和潮汐变化的因素出发，应用人工神经网络建立预测模式，来验证单个站点的风暴潮水位的短期变化情况，并获得了相当不错的准确度。

3　风暴潮预报模型的建立

3.1风暴潮增水影响因子

影响风暴潮增水的因素众多，包括台风因素、气象因素、海岸地形、潮汐因素、海流海浪等因素，均与风暴潮增水存在着许多不确定的非线性关系。台风因素主要为台风本身特性如中心气压、中心风速、移动速度、大风半径、行进方向及测站距台风中心距离等；气象和潮汐因素主要为台风影响期间测站当地的气象特性如气压、风向风速以及天文潮位等。

以厦门站为例，选取该站的1985—2013年受影响的共179个热带气旋及风暴增水资料，分析风暴潮最大增水值与台风中心最低气压、最大风速、七级大风半径、台风中心距测站过程最短距离的关系（见图1），如图显示：风暴潮增水值与台风中心最低气压大致呈现反相关关系；与台风中心最大风速大致呈现正相关关系；与台风七级大风半径大致呈现正相关关系；在相同大风半径下，与台风中心距测站过程最短距离大致呈现反相关关系。

本文选择对风暴潮增水的影响比较显著的台风中心最低气压P0、台风中心最大风速V、台风七级大风半径R7、台风中心距测站的距离r、测站当地气压P、测站当地风速w、测站天文潮位Y这7项作为预报模型的输入因子，考虑到风暴潮增水本身趋势上的影响，将增水值△H作为输入因子加入到预报模型中。

3.2模型参数确定

预报模型采用单隐含层的三层BP神经网络，即输入层、隐含层和输出层。输入层因子为当前t时次台风中心最低气压P0、台风中心最大风速V，台风七级大风半径R7、台风中心距测站的距离r、测站当地气压P、测站当地风速w、测站天文潮位Y、测站增水值△H；输出层向量因子为t+1时次的风暴潮增水值△H（t+1），如式（1）所示。通过不同参数设定进行反复训练与测试，确定以隐含层神经元数为13、学习速率为0.01、动量因子为0.5、训练次数1 000次作为该网络模型的最佳参数进行训练。图2为该风暴潮BP神经网络预报模型的基本架构示意图。其中V=（V1，V2，…，Vm）表示输入层和隐含层的权值矩阵，W=（W1，W2，…，Ws）表示隐含层和输出层的权值矩阵。

3.3预报评估指标

为了有效评估在不同网络模式下的训练与验证结果的优劣，根据研究对象风暴潮增水的特性，采用均方根误差（Root of Mean Square Error，RMSE）与相关系数（Correlation Coefficient，CC）来进行网络模型有效性的评估。

均方根误差，即代表模型预报增水值与实际增水值之间的误差值，误差值越小代表所预报的结果越准确。本文的均方根误差公式采取真实的输出值。见式（2）：

相关系数，用以评估实际观测增水值与预报值之间的相关程度，采用绝对值的大小判断相关程度，见式（3）。|CC|值越接近1代表预报结果与实际值的整体资料序列相近程度越高。依|CC|值的大小，将结果分成|CC|＞0.7为高度相关，0.3≤|CC|≤0.7为中度相关，|CC|＜0.3为低度相关。

图1　厦门站风暴潮最大增水值与台风要素相关关系图

式中：n为样本数，yk为第k个样本的观测值，k为第k个样本的预报值，¯k为样本观测值的平均值，k为样本预报值的平均值。

3.4模型资料来源

根据1990—2013年引起厦门沿海风暴潮增水的热带气旋资料，选取出3条具有代表性的影响路径，从这3条路径各选取8个典型的热带气旋个例（见表1），其中7个作为网络训练个例，另外1个作为模型验证个例，验证个例路径示意图如图3所示。从每个参与训练的热带气旋个例中选取台风登陆前40 h的每小时的台风要素资料，以及对应时间测站的气象要素资料、潮汐资料、增水资料进行组合，组成40个训练模式对，因此每一种路径下有280个训练模式对。按同样的方法组成验证模式对，每一种路径下有40个验证模式对。

表1　模型训练与验证的热带气旋个例

图2　风暴潮BP网络模型基本架构图

图3　验证热带气旋路径示意图

4　模型应用分析

图4　t时次模型预测计算方式示意图

该风暴潮增水预报模型分别以每一种路径下的280个训练模式对进行模式训练，然后应用训练后的模型进行40个验证模式对的预测验证，分别预测3个热带气旋登陆前各40 h的t+1（下1 h）、t+2（下2 h）、t+3（下3 h）、t+6（下6 h）时次的预报值。模型的预测方式是以当前t时次的计算天文潮Y（t）和实测的△H（t）以及其余的输入因子预报t+1时次的增水值；以t+1时次的计算天文潮Y（t+1）和预报的t+1时次△H（t+1）取代Y（t）和△H（t），以及t+1时次的其余输入因子，预报t+2时次的增水值，以此类推来预报t+3、t+6时次的增水值。模型预测方式如图4所示。

4.1第1路径应用分析

第1类路径选择西行穿过台湾岛正面登陆福建的热带气旋，尤其是穿过台湾岛中部及南部的路径对厦门沿海风暴潮增水的影响最为显著。该类型路径往往会引起厦门沿海的风暴潮增水产生较规律的双增水峰或多增水峰的现象［10］。

图5所示的是热带气旋登陆前40 h每个时次的t+1（下1 h）、t+2（下2 h）、t+3（下3 h）、t+6（下6 h）时次的增水预报曲线和实测曲线的对比图（图6、图7亦同）。由图5可以看出，通过模型预报产生的增水曲线相对实测增水过程曲线会较为规则，较为平滑，并且较好模拟出了多个增水峰过程，具有相当良好的趋势预报精度，但在t+3和t+6时次的预报也会出现一些振荡的奇异值和变化滞后的现象。

由表2可以看出，各时次所预报的t+1至t+6时次的增水值的均方根误差呈增大趋势，但均小于0.3 m；相关系数则呈下降趋势，均达到高度相关，所预报的过程增水极值均小于实测的增水极值，但绝对误差值均小于0.15 m。

4.2第2路径应用分析

图5　厦门站0908风暴潮各预报时次风暴潮增水曲线与实测曲线对比图

表2　0908风暴潮增水各预报时次相关系数、均方根误差及增水极值分析表

第2类路径选择经巴士海峡、南海东北部西行正面登陆福建南部或广东东部的热带气旋。由于该类路径的台风在行进过程中，厦门沿海都处于其右半旋向岸大风区内，受强风力和台风移动速度较快的影响，增水增长较为迅速，并在登陆前几个小时达到极值；台风登陆后厦门沿海处于左半旋离岸风区内，增水迅速减小。

由图6可以看出，通过模型预报的增水曲线相对实测增水曲线，较好的模拟主增水峰的各个振荡阶段，初振阶段拟合较为平滑，主振峰阶段的趋势相符合，整体的趋势较为规整，预报效果较好，但在余振阶段的下降有出现滞后现象。

表3　9914风暴潮增水各预报时次相关系数、均方根误差及增水极值分析表

由表3可以看出，各时次所预报t+1至t+6时次的的增水值的均方根误差呈增大趋势，但均小于0.3 m；相关系数呈下降趋势，均达到高度相关；所预报的过程增水极值均小于实测的增水极值，但绝对误差值均小于0.2 m。

4.3第3路径应用分析

图6　厦门站9914风暴潮各预报时次风暴潮增水曲线与实测曲线对比图

第3类路径选择经台湾岛北部海面正面登陆福建或浙江的热带气旋。该类路径虽然距离厦门沿海较远，但是强烈的向岸大风会不断的将海水向台湾海峡的狭管里堆积，使得台湾海峡西岸沿海会在台风登陆前的较长时间内产生持续较强和波动较大的风暴潮增水。

由图7可以看出，通过模型预报的增水曲线相对实测增水曲线的振荡趋势是基本符合的，都是不规则性较大且波动性较大，特别是t+6时次的预报结果，偶尔会产生低估或高估的现象，但其相关性和均方根误差仍在可接受范围内。

由表4可以看出，各时次所预报的t+1至t+6时次的增水值的均方根误差呈增大趋势，但均小于0.2 m；相关系数呈下降趋势，均达到高度相关；所预报的t+1至t+3时次的过程增水极值均小于实测的增水极值，t+6时次的大于实测的增水极值，但绝对误差值均小于0.2 m。

表4　0418风暴潮增水各预报时次相关系数、均方根误差及增水极值分析表

5　结论

选取台风影响要素和厦门潮位站水文气象要素中的8个主要影响因子，利用BP人工神经网络建立厦门沿海风暴潮增水预报模型，探讨在3种典型热带气旋路径的影响下的模型应用情况，并针对3个热带气旋个例进行了预报验证。由风暴潮增水预报结果分析显示：

图7　厦门站0418风暴潮各预报时次风暴潮增水曲线与实测曲线对比图

（1）从预报的准确性和时效性来看，t+1至t+2时次的的预报结果表现出较高的准确率和相关度，预报的准确度均会随着时距的加长而出现降低的趋势，但t+6时次的预报结果均方根误差都小于0.3 m，相关性也都达到0.7高度相关以上，仍可较精确的描绘出风暴潮增水的变化趋势；

（2）从热带气旋路径类型来看，对于引起的风暴潮增水较有规律可循且较规则的热带气旋，模型预报的相关性较好，拟合的精确度较高，例如第1路径和第2路径；而对于引起的风暴潮增水波动性和扰动幅度较大的台风路径，模型预报会出现较多的振荡现象，例如第3路径；

（3）过程增水极值预报结果大致存在低于实测增水极值的情况，绝对误差都均在0.2 m以下，可能是由于模型未考虑复杂的地形影响等因素，实际原因仍需作进一步的探讨。

综上所述，本模型的预报效果良好，预报的趋势基本能反映实际风暴潮增水的变化趋势，具有较好的适用性和预报精度，可为今后厦门沿海风暴潮的增水预报提供有效的科学辅助与参考。

［1］朱大奇，史慧.人工神经网络原理及应用［M］.北京:科学出版社，2006.

［2］飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京:电子工业出版社，2005.

［3］蔡煜东，姚林声.预报台风风暴潮极值的人工神经网络方法［J］.海洋预报，1994，11（1）:77-81.

［4］薛彦广，沙文钰，徐海斌，等.人工神经网络在风暴潮增水预报中的应用［J］.海洋预报，2005，22（2）:33-37.

［5］李未，王如云，卢长娜，等.神经网络在珠江口风暴潮预报中的应用［J］.热带海洋学报，2006，25（3）:10-13.

［6］Lee T L.Neural network prediction of a storm surge［J］.Ocean Engineering，2006，33（3-4）:483-494.

［7］Sztobryn M.Forecast of storm surge by means of artificial neural network［J］.Journal of Sea Research，2003，49（4）:317-322.

［8］Kim S Y，Matsumi Y，Shiozaki S，et al.A study of a real-time storm surge forecast system using a neural network at the Sanin Coast，Japan［C］//Proceedings of the 2012Oceans.Hampton Roads，VA: IEEE，2012:1-7.

［9］Tseng C M，Jan C D，Wang J S，et al.Application of artificial neural networks in typhoon surge forecasting［J］.Ocean Engineering，2007，34（11-12）:1757-1768.

［10］张文舟，胡建宇，商少平，等.福建沿海风暴潮特征的分析［J］.海洋通报，2004，23（3）:12-19.

Application of storm surge forecasting by BP artificial neural network off coast of Xiamen

LU Jun-feng1，2，LI Shao-wei3，YUAN Fang-chao2
（1.Ocean University of China，Qingdao 266110 China；2.Xiamen Marine Forecast Station of SOA，Xiamen 361008 China；3.Xiamen marine environmental monitoring station，Xiamen 361002 China）

The relations between storm surge and the influence factors are used to establish the storm surge forecasting model based on Back-propagation artificial neural network off coast of Xiamen.The inputs of model are the major parameters of the typhoon，including the current data about the central pressure of typhoon，the maximum wind speed of typhoon，the seven-grade typhoon radius，the local station pressure，the local station wind velocity，the local station astronomical tide，the storm surge height，the distance from the center of typhoon to the station.The model can be used to forecast the storm surge height one hour to six hour ahead.The study discussed the model analysis situation of the effects of three different typhoon routes.Then the original data of three typhoons is used to verify the present model.The results indicate that the storm surge predicted by the BP neural network model is in good agreement with measured data.It’s indicated that the model built on the back-propagation artificial neural network can be effective in storm surge forecasting off coast of Xiamen.

storm surge；back-propagation artificial neural network；forecast

P731.34

A

1003-0239（2016）04-0009-08

10.11737/j.issn.1003-0239.2016.04.002

2015-02-06

国家海洋局东海分局青年科技基金资助项目（201514）。

卢君峰（1979-），男，工程师，硕士研究生，主要从事海洋预报工作。E-mail∶junfengluke@126.com