張　鴻

(遼寧省撫順?biāo)木?，遼寧 撫順 113015)

?

遼寧省汛期降水量中長(zhǎng)期預(yù)測(cè)技術(shù)研究

張鴻

(遼寧省撫順?biāo)木?，遼寧 撫順 113015)

汛期降水作為重要的水文要素，具有確定性，隨機(jī)性和模糊性特征。確定性表現(xiàn)為：降水量具有顯著的周期性特征，在長(zhǎng)期時(shí)間尺度上變化規(guī)律明顯；隨機(jī)性表現(xiàn)為：對(duì)于某一未發(fā)生的年份，其降水量的數(shù)值是不確定的；模糊性表現(xiàn)為：降水程度、與歷史情況的相似性是模糊的。基于此，研究分別選用確定性模型——神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、隨機(jī)性模型——馬爾可夫鏈預(yù)測(cè)模型、模糊性模型——模糊識(shí)別預(yù)測(cè)模型，以遼寧省2014年汛期6——8月降水量為例進(jìn)行預(yù)測(cè)，以期為遼寧省防汛抗旱決策提供基礎(chǔ)，同時(shí)也為其他地區(qū)中長(zhǎng)期預(yù)測(cè)提供參考。

遼寧；降水特征；模型；預(yù)測(cè)；防汛抗旱

汛期雨水情趨勢(shì)預(yù)測(cè)是防汛抗旱工作的重要依據(jù)。降水量作為重要的水文要素，具有確定性、隨機(jī)性及模糊性特征?；诖耍芯糠謩e采用神經(jīng)網(wǎng)絡(luò)技術(shù)、馬爾可夫鏈預(yù)測(cè)技術(shù)、模糊識(shí)別技術(shù)建立汛期降水量預(yù)測(cè)模型，并進(jìn)行遼寧省汛期降水量趨勢(shì)預(yù)測(cè)，以期為遼寧省防汛抗旱決策提供依據(jù)，并為其他地區(qū)汛期中長(zhǎng)期預(yù)測(cè)提供參考。

1　遼寧省汛期雨水情特征

遼寧省位于我國(guó)東北地區(qū)南部，地處E118°53′～125°46′，N38°43′～43°26′。全省土地面積14.59 萬(wàn) km2，地勢(shì)自北向南、由東西向中部?jī)A斜。中部為平原，約占全省面積的1/3；兩側(cè)丘陵與山地占全省面積的2/3。

洪水災(zāi)害是遼寧省最大的自然災(zāi)害。新中國(guó)成立至今，遼寧省共發(fā)生幾十場(chǎng)重大的洪水災(zāi)害，如1995年渾河大水、2013年清原大水等；發(fā)生頻率高、損失程度重，嚴(yán)重危及經(jīng)濟(jì)發(fā)生及社會(huì)穩(wěn)定。按照成因，洪水又可分為暴雨洪水、冰凌洪水、潰壩洪水等，其中，暴雨是遼寧省洪水災(zāi)害的主要原因。夏季西風(fēng)帶氣旋頻繁通過(guò)，同時(shí)熱帶風(fēng)暴及臺(tái)風(fēng)頻繁北上，攜帶大量水汽，在太平洋副熱帶高壓位置偏北偏西情況下，往往形成遼寧省大暴雨與特大暴雨[1]。在長(zhǎng)期工作中可知：汛期(6-8月)降水量是確定防汛抗旱預(yù)案的重要依據(jù)，對(duì)汛期防汛決策意義重大。

圖1遼寧省水旱災(zāi)害統(tǒng)計(jì)特征(1949—2015)

遼寧省歷年6-8月降水量如圖2所示。

圖2　遼寧省汛期6—8月降水過(guò)程

2　神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的神經(jīng)元鏈接而構(gòu)成的復(fù)雜網(wǎng)絡(luò)，具有復(fù)雜、并行、非線性等特點(diǎn)。神經(jīng)網(wǎng)絡(luò)依靠過(guò)去的經(jīng)驗(yàn)數(shù)據(jù)，通過(guò)神經(jīng)元的模擬、記憶和聯(lián)想來(lái)處理各種復(fù)雜的、模糊的、非線性的數(shù)據(jù)，其拓?fù)浣Y(jié)構(gòu)示意圖如圖3所示。

圖3　神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)常用算法主要Hebb、Delta、Kohonen、BP等。其中BP算法(誤差反傳播算法，error back propagation)是由Rumelhart等人于1995年提出，屬前饋式神經(jīng)網(wǎng)絡(luò)，在水文預(yù)報(bào)研究中應(yīng)用較廣。BP神經(jīng)網(wǎng)絡(luò)由輸入層、若干隱含層、輸出層組成，其學(xué)習(xí)過(guò)程由正向傳播及方向傳播構(gòu)成。正向傳播時(shí)，信號(hào)經(jīng)sigmoid函數(shù)逐層轉(zhuǎn)播，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)。若在輸出層不能得到期望的信號(hào)，則修改各層神經(jīng)元的權(quán)值，并使輸出信號(hào)的誤差沿原路返回。經(jīng)過(guò)反復(fù)傳播，從而獲得滿足精度要求的輸出信號(hào)[2-3]。

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行遼寧省2014年6—8月全省、西部、中北部、東南部地區(qū)降雨量預(yù)測(cè)，以前10年降雨量作為輸入，采用單一隱含層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層節(jié)點(diǎn)數(shù)為10，全省、中北部地區(qū)模型隱含層節(jié)點(diǎn)數(shù)為5，西部、東南部地區(qū)預(yù)測(cè)模型隱含層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)1。傳遞函數(shù)分別采用tansig，purelin。采用帶動(dòng)量項(xiàng)的BP學(xué)習(xí)規(guī)則；采用Levenberg - Marquardt方法訓(xùn)練網(wǎng)絡(luò)。模型以1962—2010年數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，2011—2013年數(shù)據(jù)驗(yàn)證，預(yù)測(cè)結(jié)果如圖4所示。

圖4　神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

3　馬爾可夫鏈模型

在中長(zhǎng)期水文預(yù)報(bào)領(lǐng)域，把具有離散狀態(tài)和時(shí)間序列的水文要素過(guò)程視為馬爾可夫鏈，根據(jù)第n時(shí)刻的狀態(tài)就可以預(yù)測(cè)出第n+1時(shí)刻的狀態(tài)，這就是馬爾可夫鏈預(yù)測(cè)的基本思想。應(yīng)用馬爾可夫鏈預(yù)測(cè)時(shí)，首先根據(jù)歷史數(shù)據(jù)統(tǒng)計(jì)指標(biāo)值序列中從狀態(tài)I 經(jīng)過(guò)一步轉(zhuǎn)移到達(dá)狀態(tài)j 的頻數(shù)，并構(gòu)建轉(zhuǎn)移概率矩陣。從而根據(jù)前一時(shí)段水文要素所屬狀態(tài)來(lái)預(yù)測(cè)下一時(shí)段水文要素狀態(tài)[4]。

(1)

采用馬爾可夫鏈方法預(yù)測(cè)2014年6—8月遼寧省降雨情況。根據(jù)工作習(xí)慣，以多年平均流量多2成、多1成、少1成、少2成為閾值，將降雨分為枯水、偏枯水、平水、偏豐水、豐水5個(gè)等級(jí)。在檢驗(yàn)降雨量序列馬氏性的基礎(chǔ)上，采用一步馬爾可夫鏈、加權(quán)馬爾可夫鏈方法預(yù)測(cè)降雨量，預(yù)測(cè)結(jié)果見(jiàn)表1。其中，加權(quán)馬爾可夫鏈預(yù)測(cè)時(shí)，取前5a降雨情況預(yù)測(cè)當(dāng)年降雨情況，將各階自相關(guān)系數(shù)規(guī)范化作為各階權(quán)重。

表1　馬爾可夫鏈預(yù)測(cè)結(jié)果

4　模糊識(shí)別模型

考慮到遼寧省汛期降雨量與太陽(yáng)黑子相關(guān)呈11年周期規(guī)律，將待預(yù)報(bào)的2014年前11a降水值作為待識(shí)別系列B，與滑動(dòng)11年歷史資料系列A1，A2，……AM進(jìn)行比較，選擇趨勢(shì)值和貼近度最大的模式，并基于此做出預(yù)測(cè)。

模型原理如下[5]：假定系列Ai及待識(shí)別系列B中元素滿足，ai,j-ai,j+1<0且bi,j-bi,j+1<0或ai,j-ai,j+1>0且bi,j-bi,j+1>0，則有趨勢(shì)值ki,j+1=1/(n+1)，研究中n=11。若累積趨勢(shì)值完全一致，則稱待識(shí)別模式B與模式Ai趨勢(shì)完全一致，若為0則趨勢(shì)完全不一致。貼進(jìn)度反映兩個(gè)模式樣本相似程度，計(jì)算公式為ρ(A，B)=1/2[A?B+(1-A⊙B)。

計(jì)算結(jié)果表明：2014年前11a的變化接近于1964—1974(貼近度在0.685)、1966—1976(貼近度在0.72)、1989—1999(貼近度在0.665)的降水變化規(guī)律，其貼近度在0.665～0.72，平均值為0.69。按照此方法分析，2013年汛期全省降水量在400～480 mm。

5　結(jié)　論

本文在識(shí)別遼寧省汛期降水確定性、隨機(jī)性、模糊性的基礎(chǔ)上，采用神經(jīng)網(wǎng)絡(luò)模型、馬爾可夫鏈預(yù)測(cè)模型、模糊設(shè)別模型進(jìn)行遼寧省汛期降水量趨勢(shì)預(yù)測(cè)，但仍需注意以下關(guān)鍵問(wèn)題：

1)中長(zhǎng)期水文預(yù)報(bào)主要基于統(tǒng)計(jì)規(guī)律的雨洪趨勢(shì)性預(yù)報(bào)，影響因素多，且復(fù)雜多變，目前科技手段難以在很長(zhǎng)預(yù)見(jiàn)期內(nèi)實(shí)現(xiàn)準(zhǔn)確預(yù)知。水文部門將隨時(shí)根據(jù)氣象部門發(fā)布的中長(zhǎng)期天氣預(yù)報(bào)變化情況，滾動(dòng)分析和修定雨情水情預(yù)測(cè)預(yù)報(bào)結(jié)果。

2)受全球氣候變化的影響，遼寧省極端災(zāi)害性天氣日趨增多，局部地區(qū)強(qiáng)暴雨、極端高溫干旱呈突發(fā)、多發(fā)、并發(fā)的趨勢(shì)。

3)要警惕中小河流、中小型水庫(kù)和中小城鎮(zhèn)超標(biāo)準(zhǔn)洪水發(fā)生，要特別警惕由于局地突發(fā)性暴雨所引發(fā)的山洪、泥石流災(zāi)害。

[1]遼寧省防汛抗旱指揮部辦公室, 遼寧省水文水資源勘測(cè)局.遼寧省水旱災(zāi)害[M].沈陽(yáng)：遼寧科學(xué)技術(shù)出版社，1999：26-34.

[2]林健玲,金龍，林開(kāi)平.神經(jīng)網(wǎng)絡(luò)方法在廣西日降水預(yù)報(bào)中的應(yīng)用[J].南京氣象學(xué)院學(xué)報(bào),2006，29(02)：215-219.

[3]熊海晶.基于神經(jīng)網(wǎng)絡(luò)和小波分析的降水預(yù)報(bào)研究[D].南京：南京大學(xué), 2012.

[4]冉景江, 趙燮京, 梁川.基于加權(quán)馬爾可夫鏈的降水預(yù)測(cè)應(yīng)用研究[J].人民黃河, 2006(04)：3-5.

[5]梁鳳國(guó), 董增川, 王殿武.基于模糊模式識(shí)別法的遼寧省汛期降水預(yù)測(cè)與分析[J].水文, 2010，30(03)：48-49.

1007-7596(2016)06-0038-03

2016-05-30

張鴻(1976-)，男，遼寧撫順人，工程師，從事防汛抗旱工作。

P426.6

B