覃 武, 林開平, 黃 穎, 李 勇, 鐘利華, 羅小莉

(1. 廣西區(qū)氣象局，廣西 南寧 530022；2. 廣西區(qū)氣象臺(tái)，廣西 南寧 530022;3. 廣西氣象減災(zāi)研究所，廣西 南寧 530022；4. 廣西氣象服務(wù)中心，廣西 南寧 530022)

?

基于遺傳-神經(jīng)網(wǎng)絡(luò)的電網(wǎng)流域面雨量預(yù)報(bào)方法研究*

覃 武1, 林開平2, 黃 穎3, 李 勇4, 鐘利華4, 羅小莉4

(1. 廣西區(qū)氣象局，廣西 南寧 530022；2. 廣西區(qū)氣象臺(tái)，廣西 南寧 530022;3. 廣西氣象減災(zāi)研究所，廣西 南寧 530022；4. 廣西氣象服務(wù)中心，廣西 南寧 530022)

以重點(diǎn)水力發(fā)電廠和大中型水庫(kù)為主要考量，并兼顧地形地貌和中小河流的分布特征，將廣西劃分為23個(gè)電網(wǎng)流域，研究了基于非線性的神經(jīng)網(wǎng)絡(luò)電網(wǎng)流域面雨量預(yù)報(bào)方法。以5-6月龍灘近庫(kù)區(qū)、龍江流域等6個(gè)電網(wǎng)流域?yàn)槔?，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)，建立了各電網(wǎng)流域的遺傳-神經(jīng)網(wǎng)絡(luò)電網(wǎng)流域面雨量預(yù)報(bào)模型。對(duì)獨(dú)立樣本的預(yù)報(bào)結(jié)果表明，基于遺傳-神經(jīng)網(wǎng)絡(luò)的電網(wǎng)流域面雨量預(yù)報(bào)模型的預(yù)報(bào)能力要優(yōu)于傳統(tǒng)的逐步回歸預(yù)報(bào)模型，也明顯優(yōu)于日本、德國(guó)數(shù)值模式預(yù)報(bào)產(chǎn)品所換算成的電網(wǎng)流域面雨量預(yù)報(bào)，并與氣象部門同期制作的綜合面雨量預(yù)報(bào)產(chǎn)品能力相當(dāng)，因而，遺傳-神經(jīng)網(wǎng)絡(luò)面雨量集合預(yù)報(bào)模型有較好的業(yè)務(wù)應(yīng)用前景。

遺傳算法；人工神經(jīng)網(wǎng)絡(luò)；電網(wǎng)流域；面雨量；預(yù)報(bào)；廣西

廣西地處低緯度東亞季風(fēng)氣候區(qū)，雨量十分充沛。同時(shí)，廣西西鄰云貴高原，南瀕北部灣，有典型的喀什特丘陵地貌，區(qū)內(nèi)中小河流域縱橫交錯(cuò)，水系尤為發(fā)達(dá)，是我國(guó)水力電力資源最為豐富的省區(qū)之一，水庫(kù)遍布廣西各地。水庫(kù)的作用除了蓄水發(fā)電的功能外，更重要的作用則是為了抗旱防洪。在全球氣候變暖的背景下，地球環(huán)境的許多要素也發(fā)生了變化。近幾年來(lái)，云南、貴州、廣西天氣氣候極端異常事件出現(xiàn)頻繁。干旱、洪澇等氣象災(zāi)害頻繁發(fā)生，并呈加劇的趨勢(shì)[1-2]。暴雨既可能導(dǎo)致中小河流出現(xiàn)洪水，有可能引發(fā)山洪、泥石流、滑坡等地質(zhì)災(zāi)害[3-5]。對(duì)各水庫(kù)來(lái)說，庫(kù)區(qū)對(duì)應(yīng)的流域降水少，庫(kù)區(qū)的蓄水不足，使水電站的發(fā)電能力不足，甚至無(wú)法發(fā)電。如果降水過多，特別是持續(xù)性的強(qiáng)降水，又會(huì)使水庫(kù)水位猛增，甚至超過警戒水位，對(duì)庫(kù)區(qū)的安全和庫(kù)區(qū)下游群眾的生命財(cái)產(chǎn)安全構(gòu)成嚴(yán)重的威脅。因此，對(duì)于庫(kù)區(qū)調(diào)度來(lái)說，氣象部門如果能提供影響庫(kù)區(qū)流域的精細(xì)化降水預(yù)報(bào)，他們就能依據(jù)流域?qū)崟r(shí)的水文資料和流域的面雨量預(yù)報(bào)，科學(xué)地對(duì)庫(kù)區(qū)的蓄水進(jìn)行調(diào)度，在保障防洪排澇的安全的前提下，能充分地利用蓄水發(fā)電，增加水力發(fā)電的經(jīng)濟(jì)效益。

對(duì)于廣西的面雨量預(yù)報(bào)，已有一些研究[6-7]，但主要是考慮廣西的主要江河流域的面雨量預(yù)報(bào)問題，很難滿足水庫(kù)和水力發(fā)電廠對(duì)中小流域面雨量精細(xì)化的要求。因此，研究針對(duì)水庫(kù)和水力發(fā)電廠中小河流域的面雨量預(yù)報(bào)方法很有必要。以往的面雨量預(yù)報(bào)多是采用相似預(yù)報(bào)法、MOS預(yù)報(bào)法、回歸統(tǒng)計(jì)預(yù)報(bào)方法。但流域的面雨量與降水一樣受眾多的因素影響，具有明顯的非線性特征。人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦信息處理方法的非線性系統(tǒng)，具有較強(qiáng)的處理非線性問題能力，比較適合于一些信息復(fù)雜、知識(shí)背景不清楚和推理規(guī)則不明確問題的建模。遺傳算法具有自適應(yīng)性、全局優(yōu)化性和隱含并行性等許多優(yōu)點(diǎn)，體現(xiàn)出很強(qiáng)的解決問題的能力[8]。將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，充分發(fā)揮它們各自的長(zhǎng)處，是目前一個(gè)十分活躍的研究課題。人工神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于降水預(yù)報(bào)和臺(tái)風(fēng)強(qiáng)度、路徑預(yù)報(bào)中，取得了良好的效果[9-11]。本文以經(jīng)過細(xì)化的以主要水庫(kù)和水電站為重要考量的中小河流流域面雨量為研究對(duì)象，對(duì)中小河流流域面雨量非線性預(yù)報(bào)方法進(jìn)行研究。

1 流域的劃分和面雨量計(jì)算方法

1.1 流域的劃分方案

廣西的水力發(fā)電廠和各種類型的水庫(kù)眾多，遍布全區(qū)各地。為了更好地開展有針對(duì)性的氣象服務(wù)，以廣西的重點(diǎn)水力發(fā)電廠和大中型水庫(kù)為主要考量，并兼顧地形地貌和中小河流的分布特征，劃分了23個(gè)面雨量預(yù)報(bào)區(qū)間[12]，即：南盤江上游、南盤江下游、北盤江上游、北盤江下游、龍灘近庫(kù)區(qū)、紅水河中下游流域、右江流域上游、右江流域、左江流域、郁江流域、西津流域、沿海流域、桂東南流域、融江流域、龍江流域、柳江流域、洛清江流域、清水河流域、西江流域、桂東北流域、桂江流域、桂江中下游流域、賀江流域(圖1)。

圖1 廣西流域面雨量預(yù)報(bào)區(qū)域分布圖

從圖1看到，南盤江上游、南盤江下游、北盤江上游、北盤江下游、龍灘近庫(kù)區(qū)、融江流域等流域超出了廣西地域，包含了部分云南、貴州區(qū)域。這樣的劃分雖然增加了氣象部門制作面雨量預(yù)報(bào)的難度，但能滿足水力發(fā)電廠和水庫(kù)對(duì)蓄水調(diào)度的需求。

1.2 面雨量的計(jì)算

面雨量的計(jì)算方法有很多，如算術(shù)平均法、梯度法、泰森多邊形法，各種算法都有優(yōu)缺點(diǎn)，本文采用的是目前應(yīng)用比較廣泛的泰森多邊形面雨量計(jì)算方法。對(duì)于流域的面雨量實(shí)況，我們采用了廣西2 000多個(gè)自動(dòng)站和貴州、云南的800多個(gè)自動(dòng)站點(diǎn)的降水資料，通過離散點(diǎn)的泰森多邊形方法計(jì)算各流域的面雨量。而對(duì)于日本、德國(guó)的數(shù)值模式，則利用其輸出的格點(diǎn)降水預(yù)報(bào)資料，用算術(shù)平均法計(jì)算各流域的面雨量，作為模式對(duì)各流域的面雨量預(yù)報(bào)結(jié)果。

2 遺傳-神經(jīng)網(wǎng)絡(luò)的基本原理和方法

2.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為有效神經(jīng)網(wǎng)絡(luò)模型之一，其廣泛應(yīng)用于醫(yī)學(xué)診斷、圖像處理和氣象、水文、金融等領(lǐng)域的預(yù)報(bào)預(yù)測(cè)中。BP算法的學(xué)習(xí)過程是通過將輸入因子沿網(wǎng)絡(luò)正向傳播，求得結(jié)果后計(jì)算誤差值，然后根據(jù)誤差來(lái)修改網(wǎng)絡(luò)權(quán)值，主要是利用均方差和梯度下降法來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)連接權(quán)值的修正，使所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的誤差平方和達(dá)到最小或小于所設(shè)定的誤差值。在神經(jīng)網(wǎng)絡(luò)中，每一層的神經(jīng)元狀態(tài)僅影響下一層神經(jīng)元狀態(tài)，從輸入層輸入樣本的特征值，通過神經(jīng)網(wǎng)絡(luò)向下層傳播，經(jīng)過隱層逐層處理，最后經(jīng)由輸出層將結(jié)果輸出。當(dāng)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與期望輸出結(jié)果的誤差大于設(shè)定的誤差標(biāo)準(zhǔn)時(shí)，神經(jīng)網(wǎng)絡(luò)就會(huì)將誤差信號(hào)沿原來(lái)連接通路反向傳播，同時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)原來(lái)的連接權(quán)值進(jìn)行修正，使得誤差變小。如此反復(fù)訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與期望輸出結(jié)果的誤差小于設(shè)定的誤差標(biāo)準(zhǔn)。

BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型是求解如下函數(shù)最優(yōu)解：

(1)

(2)

2.2 利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)

遺傳算法具有全局性搜索的特點(diǎn)，通過遺傳算法尋找最為合適的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)，從而優(yōu)化神經(jīng)網(wǎng)絡(luò)是一種快捷而可行的方法。為了簡(jiǎn)單起見，這里以一個(gè)包含輸入、輸出和隱層三層的BP網(wǎng)絡(luò)為例，來(lái)分析如何利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

設(shè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的全體樣本集為：

φ={(xi,yi),i=1,2,…,n}。

(3)

式中：xi是輸入變量，yi是輸出結(jié)果，n為樣本總數(shù)。我們可以將樣本集分為訓(xùn)練樣本φ1和檢測(cè)樣本φ2兩個(gè)部分：

φ1={(xi,yi),i=1,2,…,m,m

(4)

φ2={(xi,yi),i=m+1,m+2…,n}。

(5)

先設(shè)定網(wǎng)絡(luò)的訓(xùn)練次數(shù)及網(wǎng)絡(luò)訓(xùn)練誤差εa，利用訓(xùn)練樣本φ1對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。一般來(lái)說，只要訓(xùn)練次數(shù)足夠多，BP網(wǎng)絡(luò)往往都可能取得有很好的擬合效果，但對(duì)于試驗(yàn)樣本或?qū)嶋H情況的預(yù)報(bào)效果卻差強(qiáng)人意，這就是所謂的“過擬合”現(xiàn)象。

遺傳-神經(jīng)網(wǎng)絡(luò)算法的具體實(shí)現(xiàn)步驟可歸結(jié)為：

(1)采用二進(jìn)制對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)進(jìn)行編碼。每個(gè)遺傳個(gè)體由一個(gè)二進(jìn)制碼串組成，它與某組神經(jīng)網(wǎng)絡(luò)權(quán)值、閥值、隱節(jié)點(diǎn)一一對(duì)應(yīng)，是一種可能的優(yōu)化個(gè)體。二進(jìn)制碼串由兩部分組成，前面是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的編碼，控制隱節(jié)點(diǎn)的個(gè)數(shù)；后面部分是神經(jīng)網(wǎng)絡(luò)權(quán)重系數(shù)碼。

(2)在編碼空間中，隨機(jī)生成一個(gè)初始群體。

(6)

(4)根據(jù)個(gè)體的適應(yīng)度，對(duì)群體進(jìn)行遺傳操作。其中選擇采用賭輪法，交叉則采用多點(diǎn)交叉，在變異時(shí)，當(dāng)某個(gè)神經(jīng)元被變異運(yùn)算刪除時(shí)，相應(yīng)的有關(guān)權(quán)重系數(shù)編碼被置為0，而當(dāng)變異運(yùn)算增加某個(gè)神經(jīng)元時(shí)，則隨機(jī)產(chǎn)生有關(guān)的初始化權(quán)重系數(shù)編碼。

(5)生成新一代群體。

(6)反復(fù)進(jìn)行(3)～(5)，每進(jìn)行一次，群體就進(jìn)化一代，一直進(jìn)化到第N代，并在進(jìn)化過程中，每代保留適應(yīng)度最大的個(gè)體。

最終進(jìn)化到N代時(shí)(N為總的進(jìn)化代數(shù))，全部進(jìn)化計(jì)算結(jié)束。這樣共挑選出N個(gè)個(gè)體，比較這些個(gè)體的適應(yīng)度，把其中適應(yīng)度最佳個(gè)體予以保留。把最佳個(gè)體解碼，得到神經(jīng)網(wǎng)絡(luò)的連接權(quán)和隱節(jié)點(diǎn)，輸入檢測(cè)樣本進(jìn)行預(yù)報(bào)。其中，步驟(6)中全局性是GA搜索機(jī)理提供，GA能以較大概率進(jìn)化至全局解的區(qū)域，但不能明確是哪個(gè)解，因此不能簡(jiǎn)單地認(rèn)為最后一代適應(yīng)度最高的個(gè)體就是全局最優(yōu)解，每代保留適應(yīng)度最高的個(gè)體，直到進(jìn)化結(jié)束，這樣就大大增加了包含最優(yōu)解的概率。

3 流域面雨量預(yù)報(bào)模型及預(yù)報(bào)結(jié)果分析

本文以廣西區(qū)域前汛期5-6月份的各主要水力發(fā)電廠和大中型水庫(kù)所對(duì)應(yīng)的中小河流域的面雨量為預(yù)報(bào)對(duì)象，對(duì)基于遺傳-神經(jīng)網(wǎng)絡(luò)的中小河流域面雨量預(yù)報(bào)方法進(jìn)行研究。

3.1 預(yù)報(bào)對(duì)象處理和預(yù)報(bào)因子的選取

考慮到既要研究重點(diǎn)的庫(kù)區(qū)流域，又要兼顧到有代表性的庫(kù)區(qū)，在這里我們選取了龍灘近庫(kù)區(qū)、龍江流域、桂江中下游流域、左江流域、右江流域和清水河流域等6個(gè)流域的作為研究對(duì)象。

從多年的降水研究和實(shí)際天氣預(yù)報(bào)經(jīng)驗(yàn)來(lái)看，華南西部的降水成因很復(fù)雜，降水既受大氣環(huán)流的影響，也受到各種天氣系統(tǒng)的制約和它們之間的配置和相互作用影響，此外，水汽供應(yīng)條件、輻合輻散氣流、上升氣流和地形也是影響降水的重要因素。因此，在預(yù)報(bào)因子初選時(shí)，重點(diǎn)是考慮地面、850hPa、700hPa、500hPa各層的溫度、濕度、氣壓(高度)、風(fēng)向風(fēng)速等各種氣象要素和渦度、散度、水汽通量散度、垂直速度等物理量。從預(yù)報(bào)實(shí)踐中發(fā)現(xiàn)，針對(duì)廣西的降水，歐洲中心的數(shù)值預(yù)報(bào)模式的預(yù)報(bào)性能更好。因此，選取歐洲中心的數(shù)值預(yù)報(bào)模式的預(yù)報(bào)產(chǎn)品作為備選場(chǎng)。

考慮到一般臺(tái)站獲取數(shù)值預(yù)報(bào)產(chǎn)品的滯后性，本文所選用的歐洲中心數(shù)值預(yù)報(bào)產(chǎn)品均為48h預(yù)報(bào)場(chǎng)，范圍為：100°～120°E，15°～30°N，格距為1°×1°，這樣，所選區(qū)域的格點(diǎn)數(shù)為336。選取的產(chǎn)品包括各標(biāo)準(zhǔn)層的各個(gè)常規(guī)氣象要素預(yù)報(bào)場(chǎng)及物理量預(yù)報(bào)場(chǎng)。

對(duì)2009-2012年5月、6月歐洲中心數(shù)值預(yù)報(bào)產(chǎn)品場(chǎng)與預(yù)報(bào)對(duì)象進(jìn)行場(chǎng)相關(guān)普查，通過普查，發(fā)現(xiàn)不同的流域面雨量對(duì)同一層次、同一要素場(chǎng)的相關(guān)程度差別很大。因此，我們將龍江流域等6個(gè)流域分別對(duì)上述所選區(qū)域的各標(biāo)準(zhǔn)層各個(gè)常規(guī)氣象要素預(yù)報(bào)場(chǎng)及物理量預(yù)報(bào)場(chǎng)進(jìn)行相關(guān)普查，將成片穩(wěn)定(置信水平高于0.05)的高相關(guān)格點(diǎn)作為預(yù)報(bào)因子的選擇區(qū)，在選擇區(qū)內(nèi)選擇相關(guān)系數(shù)最大的2個(gè)相鄰的格點(diǎn)的平均值作為該相關(guān)區(qū)的代表值，作為待選因子。另外對(duì)與預(yù)報(bào)對(duì)象相關(guān)好但符號(hào)相反的兩個(gè)相鄰或相近區(qū)域，將這兩個(gè)區(qū)域的代表值相減，獲得組合預(yù)報(bào)因子。預(yù)選因子時(shí)，以達(dá)到或超過0.01置信度水平為入選標(biāo)準(zhǔn)，最終得到的各流域各月的預(yù)報(bào)因子見表1。這些待選因子中包含了數(shù)值預(yù)報(bào)產(chǎn)品的要素預(yù)報(bào)場(chǎng)和各種物理量。各預(yù)報(bào)區(qū)最終入選的因子，既含有與降水有關(guān)的大尺度形勢(shì)場(chǎng)，又有與降水密切相關(guān)的物理量場(chǎng)。

表1 各流域面雨量預(yù)報(bào)因子

3.2 模型試驗(yàn)及結(jié)果分析

3.2.1 逐步回歸預(yù)報(bào)方法建模試驗(yàn)

根據(jù)上述所選定的6個(gè)流域的預(yù)報(bào)因子，采用逐步回歸建模方法，分別建立各流域的5月、6月流域面雨量逐步回歸預(yù)報(bào)模型。利用表1給出的各流域5月、6月份預(yù)報(bào)因子作為備選因子，將5月和6月的樣本分為建模樣本和獨(dú)立樣本兩部分。本文規(guī)定，對(duì)于各流域5月、6月的各個(gè)樣本序列，均把最后30個(gè)樣本作為獨(dú)立樣本，其余的樣本作為建模樣本。這樣，各流域5月份的建模樣本124個(gè)，獨(dú)立樣本30個(gè)，6月份的建模樣本為120個(gè)，獨(dú)立樣本也為30個(gè)。在建立的各個(gè)逐步回歸方程中，都要求能通過F=2.0的顯著性檢驗(yàn)。以桂江中下游流域?yàn)槔捎弥鸩交貧w方法建立了5月、6月逐步回歸預(yù)報(bào)方程進(jìn)行獨(dú)立樣本預(yù)報(bào)試驗(yàn)，對(duì)每個(gè)獨(dú)立樣本，建立一個(gè)回歸預(yù)報(bào)方程，之后把用過的獨(dú)立樣本追加到建模樣本，使下一個(gè)獨(dú)立樣本的回歸預(yù)報(bào)方程的建模樣本數(shù)增加，因此，某一組的30個(gè)獨(dú)立樣本，就有30個(gè)不同的回歸方程。對(duì)30個(gè)獨(dú)立樣本的預(yù)報(bào)絕對(duì)誤差求平均，就得到了5月份的面雨量預(yù)報(bào)平均絕對(duì)誤差為5.83 mm，而6月份的平均絕對(duì)誤差為7.84 mm。表2給出了各流域5月和6月份的逐步回歸模型對(duì)獨(dú)立樣本的預(yù)報(bào)情況。

表2 各流域5月、6月的面雨量逐步回歸預(yù)報(bào)模型對(duì)獨(dú)立樣本預(yù)報(bào)平均絕對(duì)誤差 mm

3.2.2 遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型建模試驗(yàn)

以逐步回歸模型相同的樣本，采用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，分別建立6個(gè)流域5月、6月的流域面雨量遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。為了便于與回歸模型進(jìn)行比較，在建立各流域面雨量的遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型時(shí)，所選的預(yù)報(bào)因子與逐步回歸模型所選的因子完全相同。建模試驗(yàn)中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)為200次，學(xué)習(xí)因子和動(dòng)量因子分別取0.5；對(duì)進(jìn)化計(jì)算的遺傳算法，設(shè)置遺傳算法的隱節(jié)點(diǎn)搜索空間范圍設(shè)定為輸入節(jié)點(diǎn)的0.5倍到1.5倍之間，交叉概率為0.6，變異概率為0.05，網(wǎng)絡(luò)連接權(quán)的解空間設(shè)定為[-2，2]，初始遺傳種群數(shù)為50，進(jìn)化代數(shù)為50代。進(jìn)化計(jì)算結(jié)束后，對(duì)遺傳種群的50個(gè)遺傳個(gè)體解碼，得到50個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)個(gè)體，并對(duì)每個(gè)預(yù)報(bào)個(gè)體賦以的相同的權(quán)重，分別建立了6個(gè)流域5月、6月共12個(gè)遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型。

利用所建立的12個(gè)流域面雨量遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型，對(duì)獨(dú)立樣本的預(yù)報(bào)時(shí)采用與3.2.1節(jié)中相同的方法，即對(duì)每個(gè)獨(dú)立樣本，建立一個(gè)遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型，之后把用過的獨(dú)立樣本追加到建模樣本，使下一個(gè)獨(dú)立樣本的遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型的建模樣本數(shù)增加，因此，某一組的30個(gè)獨(dú)立樣本，就有30個(gè)不同的遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型。表3給出了各流域5月和6月份的遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)獨(dú)立樣本的預(yù)報(bào)情況。

表3 各流域5、6月面雨量遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)獨(dú)立樣本預(yù)報(bào)平均絕對(duì)誤差 mm

3.2.3 遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型與逐步回歸預(yù)報(bào)模型的比較

表2、表3中分別給出了面雨量逐步回歸預(yù)報(bào)模型和遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)相同的獨(dú)立樣本的預(yù)報(bào)平均絕對(duì)誤差，從預(yù)報(bào)結(jié)果來(lái)看，兩種預(yù)報(bào)模型對(duì)6個(gè)流域的面雨量都有較好的預(yù)報(bào)能力。圖2、圖3中分別給出了回歸預(yù)報(bào)模型和遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)各流域5月、6月獨(dú)立樣本的預(yù)報(bào)結(jié)果對(duì)比。從圖中可以看到，不管是5月份還是6月份，對(duì)于絕大多數(shù)流域來(lái)說，遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)獨(dú)立樣本預(yù)報(bào)的平均絕對(duì)誤差要明顯小于逐步回歸預(yù)報(bào)模型，尤其是對(duì)處于廣西西北部的龍灘近庫(kù)區(qū)流域、龍江流域，遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型的預(yù)報(bào)能力明顯優(yōu)于逐步回歸預(yù)報(bào)模型。但對(duì)于地處桂東的桂江流域和清水河流域，遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型的預(yù)報(bào)能力與逐步回歸預(yù)報(bào)模型相當(dāng)，甚至略遜于逐步回歸預(yù)報(bào)模型。

圖2 5月份各流域回歸模型和遺傳-神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)平均絕對(duì)誤差(mm)比較

圖3 6月份各流域回歸模型和遺傳-神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)平均絕對(duì)誤差(mm)比較

3.2.4 遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型與其它數(shù)值預(yù)報(bào)模式的比較

為了研究各流域面雨量的遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的預(yù)報(bào)性能，將遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)獨(dú)立樣本的預(yù)報(bào)結(jié)果與同期的日本、德國(guó)數(shù)值預(yù)報(bào)模式對(duì)同樣獨(dú)立樣本的預(yù)報(bào)進(jìn)行比較。具體方法是將日本、德國(guó)的數(shù)值預(yù)報(bào)模式24 h降水預(yù)報(bào)格點(diǎn)值，通過泰森多邊形面雨量計(jì)算方法，分別求得日本數(shù)值模式和德國(guó)數(shù)值模式對(duì)各流域的24 h面雨量預(yù)報(bào)。這里，僅以6月各流域的面雨量預(yù)報(bào)為例進(jìn)行比較。圖4中給出了6月份遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型與日本數(shù)值預(yù)報(bào)模式、德國(guó)數(shù)值預(yù)報(bào)模式對(duì)各流域獨(dú)立樣本的預(yù)報(bào)結(jié)果對(duì)比。從圖中可以看到，日本數(shù)值預(yù)報(bào)模式對(duì)各流域的獨(dú)立樣本的面雨量預(yù)報(bào)能力要優(yōu)于德國(guó)的數(shù)值模式，而遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型的預(yù)報(bào)能力則遠(yuǎn)遠(yuǎn)優(yōu)于日本數(shù)值預(yù)報(bào)模式和德國(guó)的數(shù)值預(yù)報(bào)模式。為了便于在實(shí)際的預(yù)報(bào)業(yè)務(wù)應(yīng)用和為氣象服務(wù)提供參考，這里還將遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)獨(dú)立樣本的預(yù)報(bào)能力與同期廣西氣象部門的氣象服務(wù)中心提供給各流域水電站的綜合面雨量預(yù)報(bào)結(jié)果進(jìn)行比較(圖4)，從圖4中可以看到，遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型的預(yù)報(bào)能力與氣象業(yè)務(wù)部門提供給各流域水電站的綜合面雨量預(yù)報(bào)能力相當(dāng)，遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型在龍江流域和龍灘近庫(kù)區(qū)流域的面雨量預(yù)報(bào)平均絕對(duì)誤差還略小于氣象業(yè)務(wù)部門的綜合預(yù)報(bào)。

圖4 6月份各流域遺傳-神經(jīng)網(wǎng)絡(luò)模型與其它數(shù)值模式預(yù)報(bào)平均絕對(duì)誤差(mm)比較

4 結(jié)論與討論

(1)居于非線性方法的遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型與線性的逐步回歸預(yù)報(bào)模型不同，前者能顯示出“學(xué)習(xí)”能力。遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)廣西各流域5月、6月的面雨量預(yù)報(bào)能力明顯優(yōu)于逐步回歸預(yù)報(bào)模型，如龍灘近庫(kù)區(qū)流域和龍江流域遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)5月和6月份面雨量的預(yù)報(bào)精度比逐步回歸預(yù)報(bào)模型的精度提高了18.3%～24.2%。

(2)遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對(duì)廣西各流域5月、6月的面雨量的預(yù)報(bào)能力遠(yuǎn)遠(yuǎn)優(yōu)于日本數(shù)值預(yù)報(bào)模式和德國(guó)的數(shù)值預(yù)報(bào)模式，并與氣象部門同期制作的綜合面雨量預(yù)報(bào)產(chǎn)品能力相當(dāng)，因而，遺傳-神經(jīng)網(wǎng)絡(luò)面雨量集合預(yù)報(bào)模型有較好的業(yè)務(wù)應(yīng)用和推廣前景。

(3)由于所用的建模樣本和檢驗(yàn)樣本年限只有5年，樣本長(zhǎng)度相對(duì)較短，因此，所建的各流域5月、6月面雨量遺傳-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的穩(wěn)定性還有待進(jìn)一步的驗(yàn)證。

[1] 秦大河，陳振林，羅勇, 等．氣候變化科學(xué)的最新認(rèn)知[J]．氣候變化研究進(jìn)展，2007，3(2)：63-73．

[2] 鄭建萌，任菊章，張萬(wàn)誠(chéng)．云南近百年來(lái)溫度雨量的變化特征分析[J]．災(zāi)害學(xué)，2010，25(3)：24-31．

[3] 胡娟，閔穎，李華宏, 等．云南省山洪地質(zhì)災(zāi)害氣象預(yù)報(bào)預(yù)警方法研究[J]．災(zāi)害學(xué)，2014，29(1)：62-66．

[4] 陳靜靜，姚蓉，文強(qiáng), 等．湖南省降雨型地質(zhì)災(zāi)害致災(zāi)雨量閾值分析[J]．災(zāi)害學(xué)，2014，29(2)：42-47．

[5] 倪化勇，王德偉．基于雨量(強(qiáng))條件的泥石流預(yù)測(cè)預(yù)報(bào)研究現(xiàn)狀、問題與建議[J]．災(zāi)害學(xué)，2010，25(1)：124-128．

[6] 林開平，孫崇智，鄭鳳琴, 等．丘陵地區(qū)面雨量計(jì)算方法及應(yīng)用[J]．氣象，2003，29(10)：8-12．

[7] 林開平，孫崇智，陳冰廉, 等．廣西主要江河流域的面雨量合成分析與洪澇的關(guān)系[J]．熱帶地理，2003，23(3)：222-225．

[8] Lakshmanan V. Using a genetic algorithm to turn a bounded weak echo region detection algorithm[J]. Journal of Applied Meteorology, 2000, 39(2)：222-230.

[9] 姚才，金龍，黃明策, 等．遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的熱帶氣旋強(qiáng)度預(yù)報(bào)方法試驗(yàn)[J]. 海洋學(xué)報(bào)，2007，29(4)：11-19．

[10]林開平．人工神經(jīng)網(wǎng)絡(luò)的泛化性能與降水預(yù)報(bào)的應(yīng)用研究[D]．南京：南京信息工程大學(xué)，2007.

[11]林健玲,金龍,彭海燕.區(qū)域降水?dāng)?shù)值預(yù)報(bào)產(chǎn)品人工神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)研究[J].氣象科技,2006,34(1):12-17.

[12]鐘利華,鐘仕全,李勇, 等. 廣西電網(wǎng)流域面雨量監(jiān)測(cè)、預(yù)報(bào)、報(bào)警系統(tǒng)[J].氣象研究與應(yīng)用，2013,34(3):111-112.

A Prediction Scheme with Genetic-Neural Network for Area Rainfall over Power Basin

Qin Wu1, Lin Kaiping2, Huang Ying3, Li Yong4, Zhong Lihua4and Luo Xiaoli4

(1.GuangxiMeteorologicalService,Nanning530022,China; 2.GuangxiMeteorologicalObservatory,Nanning530022,China; 3.GuangxiResearchInstituteofMeteorologicalDisastersMitigation,Nanning530022,China; 4.GuangxiMeteorologicalScienceandTechnologyServiceCenter,Nanning530022,China)

Takingthekeyhydropowerplantandlargeandmiddlereservoirsasamajorconsideration, 23powerbasininGuangxiaredividedbasedonthelandformandphysiognomyandthedistributionofmediumandsmallrivers,andanonlinearneuralnetworkpredictionmethodforarearainfalloverpowerbasinhasbeendeveloped.ForthesixpowerbasininMayandJune,suchasLongTanandLongJiangpowerbasin,thegeneticneuralnetworkpredictionmodelsforarearainfalloverpowerbasinareestablished,andtheconnectionweightandstructureoftheBPneuralnetworkisoptimizedusingthegeneticalgorithm.Resultsofindependentsamplesshowthatthegeneticneuralnetworkpredictionmodelisbetterthanthetraditionalstepwiseregressionmethodforarearainfalloverpowerbasin,andissuperiortothepredictionsconvertedfromJapanandGermanynumericalpredictionproducts,moreover,thepredictioncapacityofthegeneticneuralnetworkmodelisthesameasthatofthecorrespondingintegratedarearainfallpredictionproductsfrommeteorologicaldepartment.Therefore,thegeneticneuralnetworkmodelforarearainfalloverpowerbasinopensupavastrangeofpossibilitiesforoperationalweatherprediction.

geneticalgorithm;artificialneuralnetwork;powerbasin;arearainfall;prediction;Guangxi

2014-11-21

2015-01-06

廣西科學(xué)研究與技術(shù)開發(fā)計(jì)劃項(xiàng)目(桂科攻1355010-4)；廣西自然科學(xué)基金北部灣重大專項(xiàng)項(xiàng)目(2011GXNSFE018006)

覃武(1963-)，男，廣西東蘭人，碩士，高級(jí)工程師，主要從事天氣預(yù)報(bào)技術(shù)研究與管理. E-mail:gxqinwu@163.com.

林開平(1960-)，男，廣西平南人，博士，教授級(jí)高級(jí)工程師，碩士生導(dǎo)師，研究方向?yàn)榇髿饪茖W(xué)、人工智能應(yīng)用.E-mail:linkp0305@aliyun.com.

P457；X4

A

1000-811X(2015)03-0033-05

10.3969/j.issn.1000-811X.2015.03.007

覃武,林開平,黃穎，等. 基于遺傳-神經(jīng)網(wǎng)絡(luò)的電網(wǎng)流域面雨量預(yù)報(bào)方法研究[J].災(zāi)害學(xué), 2015,30(3):033-037. [Qin Wu, Lin Kaiping, Huang Ying，et al. A prediction scheme with genetic neural network for area rainfall over power basin[J].Journal of Catastrophology, 2015,30(3)：033-037.]