基于BP 神经网络模型黑龙江漠河段气温变化对开江影响预测

2020-09-10宋春山林立邦韩红卫朱新宇

东北农业大学学报 2020年8期

宋春山，林立邦，韩红卫，朱新宇

（1.东北农业大学水利与土木工程学院，哈尔滨 150030；2.黑龙江省寒区水资源与水利工程重点实验室，哈尔滨 150030）

黑龙江干流地区属于高纬度严寒地区，河流结冰时间长，开江流凌期易在黑龙江干流上游段发生冰塞冰坝灾害，冰塞冰坝主要是由于热力条件、水力条件和河道特征等因素耦合作用形成，冬春季气温变化是影响冰塞冰坝生消重要因素，封江期气温条件影响冰层厚度和冰体力学强度，开江期气温变化影响冰体消融和崩解速度。黑龙江冰凌灾害严重年份，一般均为冬季气温较常年低、冰层较常年厚；开江期气温变化急剧、温度升降变幅大。如1985年黑龙江漠河段气温特点为冬季气温偏低、开江期气温急剧上升[1]。开江期气温变化是影响冰塞冰坝生消重要因素，研究和预测冰塞冰坝生消机理尤为重要。

人工神经网络（Artificial neural networks，ANN）通过数学方法对人脑若干基本特性作抽象和模拟，模仿人脑结构及其功能非线性信息处理系统[2]。人脑神经元网络，按照不同连接方式构成不同网络模型。其中BP神经网络应用广泛，按照误差反向传播算法（Back-propagation algorithm）通过有监督或无监督学习规则，不断调整网络中各层权重，使网络输入及输出以一定精度向样本模式逼近。屈雅静等利用BP神经网络模型预测2020年和2023年北京城区土壤PAHs含量并验证[3]。左付山等以BP神经网络为基础分别建立汽油机排放3种气体预测模型，预测精度较高，达到预期结果[4]。王近佳等结合时间序列分析与BP神经网络，预测连云港市未来5日气温，接受性良好[5]。BP神经网络模型具有较好的预测性与准确性。陈守煌等利用模糊优选神经网络BP方法预测黄河内蒙段凌汛封、开江日期，结果及精度良好[6]。王涛等采用神经模糊网络理论预测天然河道及调水明渠封河时间并在黄河和南水北调中线工程中应用[7-8]。冀鸿兰等在分析凌汛成因影响因素基础上，选取合适预报因子，基于模糊识别人工神经网络BP模型，提出冰凌预报方法，应用于黄河内蒙段封河、开河日期预报。可见BP神经网络在冰凌领域内具有适用性[9]。

对于气温预测一般采用时间序列分析、多元线性回归等方法[10]，但上述方法对长期气温预测结果较差。黑龙江干流气温波动性较大，预测困难。本研究借助BP神经网络模型分析黑龙江干流漠河站前10年4月份气温与10年后4月气温相关性，利用2002～2012年4月日平均气温数据预测2021年与2022年4月日平均气温，旨在为预测气温变化对开江期影响提供合理方法，为预防黑龙江漠河段冰塞冰坝灾害提供科学依据。

1 研究区概况与研究方法

1.1 漠河概况

漠河位于黑龙江上游南岸，地理坐标为东经121°07'～124°20'，北纬 52°10'～53°33'，总面积18 223 km2。漠河属于温带大陆性季风气候，春季风大干燥；夏季多雨，并伴有冰雹；秋季昼夜温差较大；冬季寒冷，降雪较大。该地区多年平均气温-5.5℃，气温历史极低值-52.3℃，最高气温36.3℃。多年平均降雨量460 mm，多年平均蒸发量560 mm。多年平均无霜期89 d，多年平均封冻170 d，最大冻深3.2 m。每年11月上旬至次年4月中旬为结冰期。汛期最大风速12～14 m·s-1，风向多为西北风[11]。

1.2 指标选取

本研究利用黑龙江漠河1996～2005年开江期4月日平均气温数据作为BP神经网络模型输入集，2015年开江期4月份日平均气温数据作为输出集，共计11年特征指标用于BP神经网络训练。

1.3 BP神经网络构建

BP神经网络由大量神经元相互构成关联运算模型，网络拓扑结构由输入层、隐藏层和输出层构成，如图1所示。

模型构建前，分别以10年和20年为一跨度预学习，效果表明，10年为一跨度学习效果较好，因此BP神经网络输入部分为选取10个年份4月份日平均气温，输出部分为黑龙江漠河2015年开江期4月份日平均气温，故该模型输入层节点为10，输出层节点为1。其中每节点为一种特定输出函数，每两个节点间连接代表一个通过该连接信号加权值（权重）[3]，学习率决定每一次循环产生权值变化量[12]。该研究设定固定学习率为0.01，最大学习迭代次数为1 000次，通过反复迭代运算，确定权值系数及阈值，此后学习训练过程结束，模型建立成功。在建立模型前，将输入集中300个样本（10列30行）依次排列，并分配成5∶1，即训练集与测试集样本为250和50，其中用于训练和验证时间段气温数据为4月1～25日，测试时间段气温数据为4月26～30日。经过BP神经网络模型训练，比对实际值与预测值，利用相关系数R2验证该模型拟合程度。为解决BP神经网络中输入变量间单位及数量级不一致问题，采用归一化处理将样本数据控制在0～1，将输出数据作反归一化处理。

1.4 数据来源及处理

本文气温数据均来自中国气象局，选取年份为1996～2012年及2015年。数据运用Microsoft Excel计算，并在MALAB R2016a中实现BP神经网络模型建立。

2 结果与分析

2.1 漠河站开江期气温

黑龙江漠河段1996～2012年开江期日平均气温见图2。由图2可知，4月份日平均气温在±20℃范围内波动，除2008年和2009年外（2008年0.7℃、2009年0.5℃）各年份4月初气温均处于0℃以下，其中1999年4月初气温为历年月初气温最低值，达-16.4℃，1997年仅在1～3日处于0℃以下，之后气温剧烈波动，但并未下降至0℃以下。研究发现，历年4月初气温逐年上升并趋近正温，表明黑龙江漠河段开江期气温逐渐回暖，出现极低气温开江情况减少。4月中旬气温以0℃为边界频繁波动，其变化极不稳定，升高后骤降或保持平稳后突然升降，导致冰体解冻时间较正常情况提前或延迟。如2009年4月17～20日，气温由8.5℃升至1996～2012年开江期最高气温15.1℃，当年月初气温处于低温-14.4℃，表明黑龙江漠河段开江期气温变化不稳定且规律性较差。4月下旬气温在0℃以上波动，仅少数年份出现0℃以下，并出现剧烈波动。整体分析漠河段4月份气温变化趋势相同，仅变化时间节点不同。可见，漠河段开江期气温变化极不稳定，气温波动为导致开江期冰坝发生重要因素。

1996～2012年4月份平均气温见表1。可知，各年份4月份平均气温-1.76～2.68℃，0℃以上年份有13个，占总年份76%以上，开江期气温上升且出现0℃以上月平均气温概率上升，主要是自20世纪90年代后黑龙江省气温变暖，平均气温逐年升高，出现低气温概率降低。统计发现，各年份4月份负气温天数比例在50%上下波动，仅有两个年份出现较低或较高情况（其中1997年负气温天数占比7%，2003年负气温天数占比60%），1996～2012年负气温天数占比逐年降低，趋近于40%，表明黑龙江漠河段负气温天数为12 d，气温逐年稳定。

表1 1996～2012年4月份平均气温Table 1 Average temperature from 1996 to April 2012（℃）

2.2 BP神经网络模型建立

通过网络训练建立BP神经网络模型，拟合检验如图3所示。结果显示，BP神经网络模型相关系数R2为0.90，相关性较好，预测曲线与实际曲线较接近。

由图4～5可知，BP神经网络模型共9步，第3步达到最佳性能，该模型训练梯度为1.51。BP神经网络线性拟合程度如图6所示，训练线性拟合相关系数、验证线性拟合相关系数和测试线性拟合相关系数分别为0.96、0.99和0.99，综合线性拟合相关系数为0.89。拟合相关系数越接近1，说明模型精度越高，可用于预测分析。利用线性回归模型或其他模型预测时，预测精度为70%[15]，BP神经网络模型相较于线性回归等模型准确性更高。该BP神经网络模型误差仅为0.41℃，可较好预测黑龙江漠河段未知年份4月份日平均气温。

2.3 基于BP神经网络模型气温预测

根据构建BP神经网络模型，利用2002～2011年及2003～2012年4月份气温指标数据，预测2021年和2022年黑龙江漠河段4月份气温变化情况。将两组各10列气温数据作为BP神经网络模型输入层，最终输出层为2021年和2022年黑龙江漠河段4月份气温，预测结果见图7。可知，2021年4月初气温较低，以4月1日-10.5℃进入开江期，而后气温逐渐转为正温。4月中下旬气温又急转直下，气温变化波动剧烈，并在4月末气温又再次降至0℃以下。从预测2021年4月份气温整体变化趋势看，气温变化波动剧烈。2022年4月气温较2021年4月气温高，4月1日气温即高达8.8℃，但4月6日后气温直线下降，由9.8℃降至4月7日-0.4℃。4月中旬气温变化频繁但波动较小，4月下旬气温较中旬变化略有波动。从整体趋势看，2022年气温仅在上旬有较大变化，中下旬气温平稳波动。2021和2022年4月份平均气温均处于0℃以上（2021年0.1℃，2022年3.7℃），2021年和2022年负气温天数占比分别为46.7%和26.7%。与黑龙江漠河段1996～2012年负气温天数占比接近，符合逐年降低趋势。根据预测2021和2022年气温可知，2021年气温变化对开江流凌情况产生不利影响，而2022年气温变化较为缓和且温度较高，黑龙江漠河段“文开江”发生概率较大。

3 讨论

气温变化对开江期流凌、时间以及冰厚等产生重要影响，气温变化越急剧，冰层和冰体损失越小，冰块形成越多，造成流凌密度越大[13]。本文研究表明，黑龙江漠河段开江期日平均气温呈上升趋势，极低气温进入开江期情况减少，当月月平均气温逐渐趋于零上，负气温天数占比逐渐降低并趋于稳定，与潘华盛等结论[14]一致。自20世纪90年代后，黑龙江全省平均气温逐年升高，出现低气温概率降低。由于黑龙江漠河段为灾害严重地区，开江期气温变化对流凌情况具有重要影响，故本文选取黑龙江漠河段作为研究对象，通过BP神经网络预测开江期气温。

影响气温变化因素复杂，气温预测主要是依靠统计预报方式，具有局限性，拟合情况不理想，预测准确性差。BP神经网络具有大规模并行处理、容错性、自学习性、自适应性、自组织性及泛化能力等特性网络[2]，通过大量学习和训练，网络可遵循一定规则，不断调整网络各层权重，使BP神经网络输入和输出逼近给定样本。本研究将1996～2012年数据作为BP神经网络输入，将2015年数据作为输出，经多次学习和训练，最终构建BP神经网络模型，该模型相关系数接近于1，预测误差为0.41℃，表明BP神经网络模型具有可靠性，预测结果与实际结果接近。

本研究采用BP神经网络模型，根据其自我学习能力及函数处理能力，可拟合1996～2012年4月份日平均气温之间相关性，确定10年前4月日平均气温与未来10年后4月份日平均气温之间对应关系，并较好预测2021年和2022年4月日平均气温，预测结果表明，2021年和2022年气温与常年气温变化相同，但2021年初进4月气温较低变化较频繁，2022年较常年相比气温较高但气温变化平稳。本文预测气温指标仅考虑10年前气温，而影响气温变化因素较多，考虑因素略有不足，但从总体看，预测结果较合理，可为黑龙江漠河段开江期流凌情况气温变化提供参考。BP神经网络黑龙江漠河段气温预测模型，可为黑龙江上游大部分江段提供预测模型，可根据本模型相应预测呼玛站、孙吴站和黑河站等地4月日平均气温，为预防灾害提供科学依据。