黑龙江省齐齐哈尔市降雨预测技术研究

王洪宝

(盘锦市水利勘测设计有限公司，辽宁 盘锦 124000)

降水是整个水资源体系中不可忽视的构成部分，降水量的多少和所覆盖范围的大小不仅会带来旱涝灾害还会影响农业生产[1]。因此，在预防灾害和农业水管理方面，对降水预报的研究显得尤为重要[2]。

据统计，黑龙江省每年都会发生多种不同等级的自然灾害，其中干旱的发生频率排在该地区农业灾害的第一位。目前，黑龙江省的干旱情况还在不断恶化，较为严重的是发生在西部地区的荒漠化和沙漠化问题。齐齐哈尔市地表水资源稀缺，水资源含量主要依靠大气降雨补充，但是全年的降雨一般只发生在7、8两个月。随着现代化进程的不断推进，人们在生产生活中的耗水量持续递增，无法提供充足的水资源是导致齐齐哈尔市城市发展进度缓慢的主要原因。

文章基于年际降雨特征分析、年内降雨量丰枯变化趋势和基于EMD的BP神经网络模型等方法，对齐齐哈尔市克山站、龙江站、齐齐哈尔站和富裕站4个气象站的逐月降雨资料，探讨年际降雨特征以及降雨预测变化的合理性，从而给齐齐哈尔市一定的理论指导。

1 资料与方法

1.1 数据来源

文章数据来源于1960-2015年共56年齐齐哈尔市的克山站、龙江站、齐齐哈尔站和富裕站4个气象站的逐月降水资料，所有数据均经过整编、整理和人工质核，数据质量合理可靠。

1.2 水文气象

齐齐哈尔市虽然日照充足，雨热同季，但常伴随着各种自然灾害，其中旱、涝、霜、风都会影响农作物生长，阻碍农业生产。在时空分布上呈现出不同灾害不同程度上的差异性。齐齐哈尔市地表水资源稀少，全市分布的江湖数量不超过1 000条。齐齐哈尔市水资源总量有42.6771亿 m3/a。水资源补给模数为10.05万 m3/a·km2。地下水总补给量为36.14亿 m3/a，补给模数为9.18万 m3/a·km2。

1.3 BP神经网络模型

BP算法，即误差反向传播算法，是目前应用最广泛的人工神经网络。BP神经网络，即使用BP算法的多层前馈结构形式的人工神经网络。研究表明，一个三层的BP神经网络几乎可以解决任何复杂的映射问题[3]，这种三层前馈网络的拓扑结构，它的训练过程又分为两个过程：向前传播输入(前馈型网络)；反向误差传播(也就是学习过程)。

1.4 经验模态分解法

经验模态分解法(Empirical Mode Decomposition,EMD)是一种处理复杂非线性信号的方法，将信号由复杂变为平稳。具体而言就是不断分解信号中不同尺度(频率)的波动或趋势直到出现互不影响且稳定性强的数据序列。该方法的优势在于：首先，因为它的基函数是正余弦函数，具有可以变化幅度和频率的性质，所以分解出的信号唯一且适应性强，而傅氏分解、小波分解法无法实现；其次，该方法能够呈现到局部细节化的信息。

2 结果分析

2.1 年际降雨特征

采用算术平均法计算齐齐哈尔市四个气象站的逐年降水量，时间跨度长达56 a的降水资料经过计算得出多年平均降水量为460.89 mm。近20 a(1996-2015年)齐齐哈尔市年平均降水量为474.35 mm；2011-2015年，平均降水量为541.5 mm。最小降雨量发生在1976年为288.83 mm，最大降雨量发生于1998年为754.7 mm。

采用五点移动平均法可以弱化降水量周期随机性带来的障碍，分析年降水量的变化趋势。计算公式如下：

yt=(yt-2+yt-1+yt+yt+1+yt+2)/5

(1)

式中：为t点的滑动平均值。

分别计算四个测站1960-2015年逐年、多年平均降水量及五点滑动平均降水量，并绘成折线图，如图1所示。从年时间尺度来看齐齐哈尔市降水变化趋势显著。降水的丰枯趋势大致为：60年代末期到70年代末期降雨量最少，从70年代末80年代初开始，降雨量开始呈现上升趋势，且整体上高于多年平均降雨量水平；90年代降雨量有所下降；从2000年开始，降雨量又呈现上升趋势，整体上超过年平均降雨。齐齐哈尔站五点滑动平均值拟合的线性方程为：y=0.849 8 x+403.3，与年际降雨量拟合方程基本一致，说明虽然上升趋势缓慢，但齐齐哈尔市56 a内降雨量逐年上升。

图1 齐齐哈尔市年际降雨规律分析

2.2 基于EMD的BP神经网络预测模型简介

不同程度和发生时空的干旱灾害不会对基于EMD的BP神经网络干旱预测模型的分析造成影响。其操作方法是：首先，要采用EMD经验模态分解法，将原降水时间分解成平稳性的时间序列。接下来，建立BP神经网络预测模型预测分解序列。最后，最终预测结果是所有得到结果的加和。具体操作流程如图2所示。

图2 基于EMD的BP神经网络预测模型流程图

2.3 基于EMD的BP神经网络在齐齐哈尔市降雨预测中的应用

在将以往的经验模态分解法(EMD)和神经网络结合应用时，往往将每个序列数据分解成线性稳态序列和非线或不稳定序列两种。其中ARMA或者ARIMA等方法是用来预测具有良好稳定性的线性序列的常用模型；人工神经网络模型是用来进行一对一预测非线性或不稳定的序列的。本研究采用人工神经网络模型多对多的将各个序列进行预测，以期达到降低一对一模型所造成的多项误差累积效应的结果。因此，本研究根据经验模态分解法的分解步骤，借助MATLAB软件，将观测到的四个气象站的平均值序列(1960-2015年共56 a)依据EMD的BP神经网络预测模型流程图进行EMD分解。将分解结果中前46年(1960-2005年)的年均降水时间序列输入BP神经网络，用后10年的年降水时间序列进行精度检验，即可得到基于EMD的BP神经网络预测结果。

图3 齐齐哈尔市降水序列EMD分解图

图中imf1-imf4分别表示EMD分解出的本征模态分量，r为剩余量。如图所示，imf1-imf4中，imf1振幅最大、频率最高，波长最短，其它imf呈现的变化恰好与之相反，说明EMD分解后减小了所提供的时间序列的随机性，平稳性得到提高，提高了BP神经网络模型预测的准确程度，降低了相对误差。

BP神经网络模型预测分解序列的操作步骤如下：先构建出BP神经网络模型序列的矩阵x，x=[c1(t)，c2(t)，c3(t)，c4(t)]，x(t)为研究的年降水量序列，c1(t)，c2(t)，c3(t)，c4(t)为的4个imf分量，为剩余量，矩阵每一行数据构成了该模型的训练样本，神经网络检验数据选用所研究年份里的后十年；本研究所选用的BP神经网络模型为隐含层节点数为5个的单隐含层网络结构，输入节点和输出节点都为n+1。隐含层和输出层的神经元传递函数选用tansig，trainglm作为训练函数将其训练次数设定为1万次。经过反复试验和不断修改，最终得出齐齐哈尔市2006-2015年降水量预测值。神经网络对数据的训练过程见图4。为了判断预测结果的准确程度，将其与真实降雨量对比，见表1。由统计结果可知，预测效果理想，相对误差全部控制在10%以下，说明该模型对齐齐哈尔市年均降水量进行有效预测。因此，对齐齐哈尔市采用基于EMD的BP神经网络预测模型对降雨量进行预测是可行的。

图4 神经网络训练过程图

表1 基于EMD的BP神经网络模型预测齐齐哈尔市降水量结果

3 结语

(1)本文采用算术平均法，计算出了齐齐哈尔市四个气象站1960-2015年共56年的降水资料的逐年降水量，得出多年平均降水量为460.89 mm。齐齐哈尔站五点滑动平均值拟合的线性方程为：y=0.849 8x+403.3，与年际降雨量拟合方程基本一致，说明虽然上升趋势缓慢，但齐齐哈尔市1960-2015年期间降雨量逐年上升。

(2)齐齐哈尔市年均降水量采用基于EMD的BP神经网络模型预测较为合理，相对误差均不超过10%。因此，对齐齐哈尔市采用基于EMD的BP神经网络预测模型对降雨量进行预测是可行的。