基于BP人工神经网络模型对湛江市逐日低温的预报

汪彪+刘玉国+谢璐+李家林

摘要：人工神经网络模型技术综合了数理统计、神经计算和符号逻辑等人工智能理论技术，是一种非线性的动力学系统，它以抽象的人脑构造基本单位组成，模拟人脑的思维过程，目前该模型已被广泛应用于水文模型研究领域。利用三层反向传播人工神经网络（BP-ANN：Back Propagation—Artificial Neural Network）模型对湛江市逐日低温（Tmin）进行预报，为在全球气候变化的大背景下极端低温事件研究提供相关科学依据。利用湛江市常规气象资料，采用BP人工神经网络模型中的反向传播算法—Traincgf，建立湛江市的逐日低温预报模型。与此同时，利用相关统计参数对比分析了传统多元线性回归（MLR：Multiple Linear Regression）模型的估算效果，结果表明，BP-ANN模型的预测效果要远远优于MLR模型。总的来说，BP-ANN模型能够较为精确地预测湛江市的逐日最低气温，并为该市逐日低温估算提供了一种较为可靠的方法。

关键词：BP人工神经网络模型；逐日最低气温；湛江市区

1引言

根据IPCC第五次评估报告[1]，1880-2012年全球增暖0.85 ℃，过去30年是近1400年最暖的30年。进入21世纪以来，在全球变暖的大背景下，全球极端气候事件高度频发[2]，例如，高温热浪、台风、暴雨、干旱和洪水等极端天气气候事件等。这些极端天气气候事件给社会经济和人们的生活带来了极大的影响。目前，国内外有关极端天气事件的报道屡见不鲜，归结起来，主要有以下三个方面的研究：一是分析站点或区域极端天气事件的定义与多尺度特征分析[3-4]；二是探讨全球变暖背景下，大气环流等年代际的变化对极端天气事件的影响[5-6]；三是研究极端天气事件对国民经济和社会生活产生的影响[7-8]。

本文主要研究湛江市区的逐日最低气温（Tmin），Tmin与众多的氣象要素存在较为复杂的非线性的耦合关系，而人工神经网络（ANN：Artificial Neural Networks）作为一种非线性统计性数据建模工具，为非线性复杂系统过程的模拟和预测提供了一种方法在众多的人工神经网络模型中，反向传播（BP：Back Propagation）人工神经网络是一种较为成熟并应用最为广泛地的非线型函数逼近模型。目前，BP人工神经网络模型已经广泛应用于水文、气象、地质和航空等领域研究[9-10]。本文尝试利用BP人工神经网络模型和多元线型回归模型对湛江市逐日的最低气温进行预报，旨在为该地区逐日低温的估算提供一种精准可靠的方法。

2资料和方法

2.1研究区域

广东省湛江市位于中国大陆的最南端（109？31E-110 ？55E，20 ？N-21 ？35N），东濒南海，南隔琼州海峡与海南相望。该市属于热带和亚热带季风气候，终年受海洋性气候的调节，冬无严寒、夏无酷暑，暑季长，寒季短，温差不大。气温年平均23.2℃，7月最高，月平均为28.9℃，最高曾达38.1℃；1月最低，月平均为15.5℃，最低达2.8℃。极端低温事件对该市的经济和人们的社会生活生产带来了极大的影响。

2.2 研究数据

本文对气象数据进行了质量控制，剔除了个别异常数据。气象资料来自于湛江市气象局的观测数据。对于季节的划分，分别为：春季（3-5月），夏季（6-8月），秋季（9-11月）和冬季（12月-翌年2月）。

2.3 研究方法—BP 人工神经网络模型

人工神经网络是对某种算法或者函数的逼近，由多层神经元结构（图1）组成。本研究在MATLAB R2011b环境下，利用BP人工神经网络模型工具箱结合1960-1999年的逐日气象数据进行网络训练，并利用2000-2009年的逐日气象数据对建立好的BP模型进行精度验证。

图1 人工神经网络模型

3 结果分析

3.1湛江市逐日最低温度年际与年代际变化

图2给出的是湛江市区的逐日最低温度（Tmin）的时间序列变化，1959-2009年的逐日平均值为20.71mm，2009年以来，该市的逐日最低气温呈现逐年上升的趋势，近50年来的Tmin的变化率为0.014℃/a。

3.2 BP模型与MLR模型对比

利用1960-1999年的本站气压（P0），相对湿度（RH），水汽压（PW） ，风速（WS）与最低气温（Tmin）建立相关的BP人工神经网络模型。以SPSS软件为基础建立多元线性回归模型：

图2 湛江市区逐日平均最低温度时间序列变化

（1）

表1 BP与MLR模型统计结果

BP其拟合与预测结果分别见表1，其中，F表示拟合（Fitting），P表示预测（Prediction），R2为决定系数（拟合与预测优度），MAE为平均绝对偏差（Mean Absolute Error），MRE

为平均相对偏差（Mean Relative Error），RMSE为均方根误差（Root Mean Square Error）。

在拟合（Fitting）阶段，BP模型的R2F（0.93）优于MLR模型R2F（0.75）；对于预测阶段而言，BP模型的预测结果优于MLR模型的结果（表2）。上述结果表明，非线型BP模型对逐日最低气温的估算能力远远优于线性MLR模型的估算能力。

3.3 影响因子分析

由于Tmin的变化受多个气象因子影响以及气象因子又存在相互的影响，使得Tmin呈现波动的变化。为探讨分析影响Tmin的主要气象因子，对湛江市Tmin，P0，RH，PW和WS进行分析。为进一步分析和探讨各气象因子对Tmin的影响大小，针对各气象因子和Tmin，进行逐步回归分析，得到的回归方程为

（2）

表2给出了各气象因子组合与Tmin的多元线性回归，找出RMSE的最小值，该因子组合即为影响Tmin的主要气象因子组合。同时考虑P0， RH， PW和WS四个因子得到的逐步回归方程 （RMSE）最小（0.27℃）。Tmin的主要气象因子为P0，RH，PW和WS。综合来看，Tmin的变化是各种气象因子综合作用的结果。

4 结论与讨论

本文利用BP人工神经网络模型对广东省湛江市最低温度（Tmin）进行估算，结果表明，该模型有很强的非线性映射能力，与传统的多元线性回归模型相比，精度较高。主要结论如下：（1） 在全球变暖的大背景下，2009年以来，该市的逐日最低气温呈现逐年上升的趋势，近50年来的Tmin的变化率为0.014℃/a。（2） 从R2，MAE和MRE来看，非线型BP模型对Tmin的估算能力远远优于线性MLR模型的估算能力。（3） 对湛江市1960-2009年Tmin的主要气象因子为P0，RH，PW和WS。综合来看，Tmin的变化是各种气象因子综合作用的结果。

表2各个气象因子与最低气温的逐步回归分析 （均方根误差单位：℃） A（P0，RH）， B（P0，PW）， C（P0，WS）， D（RH，PW）， E（RH，WS）， F（PW， WS）， G（P0， RH，PW）， H（P0，RH， WS）， I（P0， PW，WS）， J（RH，PW，WS）， K（P0，RH，PW，WS）

参考文献

[1] Stocker T T F， Qin D， Plattner，G K G， et al. IPCC， 2013： Climate Change 2013： The Physical Science Basis. Contribution of Working

Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change” （Cambridge University Press， 2013）， p.

1535.

[2] Hoerling M， Kumar A ， Dole R， et al. Anatomy of an extreme event [J]. J Climate， 2013， 26（9）： 2811–2832.

[3] Du Y D， Ai H， Duan H L， et al. Changes in Climate Factors and Extreme Climate Events in South China during 1961-2010 [J]. Advances in climate change research， 2013， 4（1）： 1-11.

[4] 畢宝贵， 张小玲， 代刊. 2016 年超强厄尔尼诺背景下的强对流和极端降水天气特点[J].科学通报， 2017， 62 （9）： 928-937.

[5] 姜大膀， 富元海. 2℃全球变暖背景下中国未来气候变化预估[J].大气科学，2012，36（2）：234-246.

[6] 闫军辉，？周 晓，？刘明华， 等. 1951-2015年信阳极端温度事件变化及其对全球变暖的响应[J].信阳师范学院学报：自然科学 版，？2017？，？30（1）？：82-86.

[7] 杨成发，？杨顺成. 2015/2016年冬季极端低温天气对山东沂源果业的危害及综合应对措施[J].果树实用技术与信息， 2016（5）：35 -36

[8] 刘锋. 2016年极端低温对小麦生长影响分析[J].小麦研究，2016？（2）？：19-20.

[9] 郁珍艳， 李正泉， 张育慧， 等. 浙江省极端气温事件年代际变化特征及城乡差异分析[J].气象科技，2016，44（6）：972-978.

[10] 李晓杰，郭睿，黄金，等. 神经网络在北斗导航卫星轨道预报中的应用[J].武汉大学学报[J]. 2015， 40（9）： 1253-1258.

[11] 李辉东， 关德新， 袁凤辉， 等. BP 人工神经网络模拟杨树林冠蒸腾[J].生态学报，2015，35（12）： 4137-4145.

[12] 李峥， 牛丽华， 袁凤辉， 等. 辽西农林复合系统中杨树冠层导度特征[J].应用生态学报， 2012， 23（11）：2975-2982.

通讯作者简介： 汪彪 （1988-），男（汉族），四川遂宁人，硕士研究生，主要从事海洋水文气象预报保障工作，研究方向：军事气象学，数值预报，边界层与陆面过程。