盧君峰，李少偉，袁方超（1.中國海洋大學(xué)海洋環(huán)境學(xué)院，山東青島66110；.國家海洋局廈門海洋預(yù)報臺，福建廈門61008；.廈門海洋環(huán)境監(jiān)測站，福建廈門6100）

基于BP神經(jīng)網(wǎng)絡(luò)的廈門沿海風(fēng)暴潮預(yù)報應(yīng)用

盧君峰1，2，李少偉3，袁方超2
（1.中國海洋大學(xué)海洋環(huán)境學(xué)院，山東青島266110；2.國家海洋局廈門海洋預(yù)報臺，福建廈門361008；3.廈門海洋環(huán)境監(jiān)測站，福建廈門361002）

以BP人工神經(jīng)網(wǎng)絡(luò)可有效描述非線性問題的特性應(yīng)用于短期風(fēng)暴潮增水預(yù)報，利用風(fēng)暴潮增水與各項影響因素的關(guān)系，建立廈門沿海的風(fēng)暴潮增水預(yù)報的人工神經(jīng)網(wǎng)絡(luò)模型。該模型將以臺風(fēng)中心最低氣壓、最大風(fēng)速，七級大風(fēng)半徑、臺風(fēng)中心距測站位置的距離和測站當(dāng)?shù)貧鈮?、?dāng)?shù)仫L(fēng)速、天文潮位及增水值、作為主要的輸入因子，預(yù)測未來1 h、2 h、3 h及6 h風(fēng)暴潮增水值。分別探討廈門沿海的風(fēng)暴潮増水在3種代表性熱帶氣旋路徑的影響下的模型應(yīng)用情況，由預(yù)報結(jié)果的分析顯示：該BP神經(jīng)網(wǎng)絡(luò)模型所預(yù)報的風(fēng)暴潮增水較好的擬合了實際變化趨勢，表明本模型對于廈門沿海風(fēng)暴潮増水的預(yù)報具有相當(dāng)不錯的成效。

風(fēng)暴潮；BP神經(jīng)網(wǎng)絡(luò)；預(yù)報

1　引言

福建省廈門市位于我國東南沿海，臺灣海峽的西岸，其海岸線基本呈東北-西南向延伸，處于西北太平洋熱帶氣旋主要移動路徑上，臺風(fēng)影響頻繁，受到海峽對風(fēng)產(chǎn)生的狹管效應(yīng)影響，成為福建省乃至我國遭受風(fēng)暴潮災(zāi)害較為嚴(yán)重的地區(qū)之一。廈門周邊海域平均每年約發(fā)生2.7個風(fēng)暴潮災(zāi)害影響過程，造成嚴(yán)重的經(jīng)濟(jì)損失。9914號（Dan）臺風(fēng)在福建龍海登陸，引發(fā)廈門海域出現(xiàn)大海潮和臺風(fēng)巨浪，造成全市受災(zāi)人口76.25萬人，死亡13人，失蹤3人，受傷727人，被困8 764人，直接經(jīng)濟(jì)損失19.38億元。還有1996年的9608號（HERB）臺風(fēng)，引發(fā)廈門港出現(xiàn)五十年一遇的高潮位，造成全市17.71萬人受災(zāi)，房屋等損毀嚴(yán)重，直接經(jīng)濟(jì)損失4.18億元。風(fēng)暴潮災(zāi)害給廈門沿海造成的直接經(jīng)濟(jì)損失近年來呈急劇增加的趨勢，因此風(fēng)暴潮增水預(yù)報與預(yù)警技術(shù)研究對于提高廈門沿海海洋防災(zāi)減災(zāi)的能力有重大的現(xiàn)實意義。

2　BP神經(jīng)網(wǎng)絡(luò)與風(fēng)暴潮預(yù)報

BP人工神經(jīng)網(wǎng)絡(luò)是誤差反向傳播（Error Back-Propagation）神經(jīng)網(wǎng)絡(luò)，最主要的優(yōu)點是具有極強(qiáng)的非線性映射能力，非常適合于風(fēng)暴潮增水預(yù)報的研究。首先，不需要建立任何實際系統(tǒng)的數(shù)學(xué)模型和確定初值，只需利用所觀測到的系統(tǒng)輸入輸出數(shù)據(jù)調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部的連接權(quán)，完成整個網(wǎng)絡(luò)的信息處理；其次，其對信息采取空間上的分布存儲和時間上的并行處理，因而具有良好的容錯性和聯(lián)想記憶功能，可以較好的做出精確預(yù)測；第三，其具有強(qiáng)大的自學(xué)習(xí)、自組織與自適應(yīng)性，能夠通過對系統(tǒng)輸入輸出樣本對的學(xué)習(xí)，自動提取組合其中的映射規(guī)則，自動調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)以適應(yīng)環(huán)境變化，具有較強(qiáng)的逼近能力和擬合能力［1-2］。

基于以上因素，人工神經(jīng)網(wǎng)絡(luò)已被國內(nèi)外的研究學(xué)者廣泛應(yīng)用于風(fēng)暴潮短期增水預(yù)報方面的研究。蔡煜東等［3］在1994年以廣東海門測站為例，用BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)報了該站臺風(fēng)暴潮的增水極值；薛彥廣等［4］在2005年建立了湛江站風(fēng)暴潮增水預(yù)報的人工神經(jīng)網(wǎng)絡(luò)模型，并使用了貝葉斯優(yōu)化算法；李未等［5］在2006年利用BP人工神經(jīng)網(wǎng)絡(luò)，建立了燈籠山測站和黃埔測站臺風(fēng)暴潮和天文潮的綜合增水效應(yīng)預(yù)報模型；臺灣的Lee［6］在2005年以將軍測站潮位作為研究對象，應(yīng)用倒傳遞學(xué)習(xí)類神經(jīng)網(wǎng)路，建立臺風(fēng)暴潮預(yù)測模式。國外，波蘭的Sztobryn［7］研究在潮汐影響非常小的海域，以風(fēng)速為主要輸入因子，應(yīng)用類神經(jīng)網(wǎng)路法建立預(yù)測模式；Kim等［8］將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于日本的Sanin海岸，測試了臺風(fēng)各個影響因子在模型中的靈敏度響應(yīng)程度，并對未來1—5 h的增水進(jìn)行預(yù)報檢驗。Tseng等［9］應(yīng)用倒傳遞類神經(jīng)網(wǎng)絡(luò)建立18個輸入因子的風(fēng)暴潮預(yù)測模式，對成功和東石潮位站進(jìn)行風(fēng)暴潮預(yù)測?？偟膩碚f，都是以臺風(fēng)影響期間氣象場和潮汐變化的因素出發(fā)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)建立預(yù)測模式，來驗證單個站點的風(fēng)暴潮水位的短期變化情況，并獲得了相當(dāng)不錯的準(zhǔn)確度。

3　風(fēng)暴潮預(yù)報模型的建立

3.1風(fēng)暴潮增水影響因子

影響風(fēng)暴潮增水的因素眾多，包括臺風(fēng)因素、氣象因素、海岸地形、潮汐因素、海流海浪等因素，均與風(fēng)暴潮增水存在著許多不確定的非線性關(guān)系。臺風(fēng)因素主要為臺風(fēng)本身特性如中心氣壓、中心風(fēng)速、移動速度、大風(fēng)半徑、行進(jìn)方向及測站距臺風(fēng)中心距離等；氣象和潮汐因素主要為臺風(fēng)影響期間測站當(dāng)?shù)氐臍庀筇匦匀鐨鈮?、風(fēng)向風(fēng)速以及天文潮位等。

以廈門站為例，選取該站的1985—2013年受影響的共179個熱帶氣旋及風(fēng)暴增水資料，分析風(fēng)暴潮最大增水值與臺風(fēng)中心最低氣壓、最大風(fēng)速、七級大風(fēng)半徑、臺風(fēng)中心距測站過程最短距離的關(guān)系（見圖1），如圖顯示：風(fēng)暴潮增水值與臺風(fēng)中心最低氣壓大致呈現(xiàn)反相關(guān)關(guān)系；與臺風(fēng)中心最大風(fēng)速大致呈現(xiàn)正相關(guān)關(guān)系；與臺風(fēng)七級大風(fēng)半徑大致呈現(xiàn)正相關(guān)關(guān)系；在相同大風(fēng)半徑下，與臺風(fēng)中心距測站過程最短距離大致呈現(xiàn)反相關(guān)關(guān)系。

本文選擇對風(fēng)暴潮增水的影響比較顯著的臺風(fēng)中心最低氣壓P0、臺風(fēng)中心最大風(fēng)速V、臺風(fēng)七級大風(fēng)半徑R7、臺風(fēng)中心距測站的距離r、測站當(dāng)?shù)貧鈮篜、測站當(dāng)?shù)仫L(fēng)速w、測站天文潮位Y這7項作為預(yù)報模型的輸入因子，考慮到風(fēng)暴潮增水本身趨勢上的影響，將增水值△H作為輸入因子加入到預(yù)報模型中。

3.2模型參數(shù)確定

預(yù)報模型采用單隱含層的三層BP神經(jīng)網(wǎng)絡(luò)，即輸入層、隱含層和輸出層。輸入層因子為當(dāng)前t時次臺風(fēng)中心最低氣壓P0、臺風(fēng)中心最大風(fēng)速V，臺風(fēng)七級大風(fēng)半徑R7、臺風(fēng)中心距測站的距離r、測站當(dāng)?shù)貧鈮篜、測站當(dāng)?shù)仫L(fēng)速w、測站天文潮位Y、測站增水值△H；輸出層向量因子為t+1時次的風(fēng)暴潮增水值△H（t+1），如式（1）所示。通過不同參數(shù)設(shè)定進(jìn)行反復(fù)訓(xùn)練與測試，確定以隱含層神經(jīng)元數(shù)為13、學(xué)習(xí)速率為0.01、動量因子為0.5、訓(xùn)練次數(shù)1 000次作為該網(wǎng)絡(luò)模型的最佳參數(shù)進(jìn)行訓(xùn)練。圖2為該風(fēng)暴潮BP神經(jīng)網(wǎng)絡(luò)預(yù)報模型的基本架構(gòu)示意圖。其中V=（V1，V2，…，Vm）表示輸入層和隱含層的權(quán)值矩陣，W=（W1，W2，…，Ws）表示隱含層和輸出層的權(quán)值矩陣。

3.3預(yù)報評估指標(biāo)

為了有效評估在不同網(wǎng)絡(luò)模式下的訓(xùn)練與驗證結(jié)果的優(yōu)劣，根據(jù)研究對象風(fēng)暴潮增水的特性，采用均方根誤差（Root of Mean Square Error，RMSE）與相關(guān)系數(shù)（Correlation Coefficient，CC）來進(jìn)行網(wǎng)絡(luò)模型有效性的評估。

均方根誤差，即代表模型預(yù)報增水值與實際增水值之間的誤差值，誤差值越小代表所預(yù)報的結(jié)果越準(zhǔn)確。本文的均方根誤差公式采取真實的輸出值。見式（2）：

相關(guān)系數(shù)，用以評估實際觀測增水值與預(yù)報值之間的相關(guān)程度，采用絕對值的大小判斷相關(guān)程度，見式（3）。|CC|值越接近1代表預(yù)報結(jié)果與實際值的整體資料序列相近程度越高。依|CC|值的大小，將結(jié)果分成|CC|＞0.7為高度相關(guān)，0.3≤|CC|≤0.7為中度相關(guān)，|CC|＜0.3為低度相關(guān)。

圖1　廈門站風(fēng)暴潮最大增水值與臺風(fēng)要素相關(guān)關(guān)系圖

式中：n為樣本數(shù)，yk為第k個樣本的觀測值，k為第k個樣本的預(yù)報值，ˉk為樣本觀測值的平均值，k為樣本預(yù)報值的平均值。

3.4模型資料來源

根據(jù)1990—2013年引起廈門沿海風(fēng)暴潮增水的熱帶氣旋資料，選取出3條具有代表性的影響路徑，從這3條路徑各選取8個典型的熱帶氣旋個例（見表1），其中7個作為網(wǎng)絡(luò)訓(xùn)練個例，另外1個作為模型驗證個例，驗證個例路徑示意圖如圖3所示。從每個參與訓(xùn)練的熱帶氣旋個例中選取臺風(fēng)登陸前40 h的每小時的臺風(fēng)要素資料，以及對應(yīng)時間測站的氣象要素資料、潮汐資料、增水資料進(jìn)行組合，組成40個訓(xùn)練模式對，因此每一種路徑下有280個訓(xùn)練模式對。按同樣的方法組成驗證模式對，每一種路徑下有40個驗證模式對。

表1　模型訓(xùn)練與驗證的熱帶氣旋個例

圖2　風(fēng)暴潮BP網(wǎng)絡(luò)模型基本架構(gòu)圖

圖3　驗證熱帶氣旋路徑示意圖

4　模型應(yīng)用分析

圖4　t時次模型預(yù)測計算方式示意圖

該風(fēng)暴潮增水預(yù)報模型分別以每一種路徑下的280個訓(xùn)練模式對進(jìn)行模式訓(xùn)練，然后應(yīng)用訓(xùn)練后的模型進(jìn)行40個驗證模式對的預(yù)測驗證，分別預(yù)測3個熱帶氣旋登陸前各40 h的t+1（下1 h）、t+2（下2 h）、t+3（下3 h）、t+6（下6 h）時次的預(yù)報值。模型的預(yù)測方式是以當(dāng)前t時次的計算天文潮Y（t）和實測的△H（t）以及其余的輸入因子預(yù)報t+1時次的增水值；以t+1時次的計算天文潮Y（t+1）和預(yù)報的t+1時次△H（t+1）取代Y（t）和△H（t），以及t+1時次的其余輸入因子，預(yù)報t+2時次的增水值，以此類推來預(yù)報t+3、t+6時次的增水值。模型預(yù)測方式如圖4所示。

4.1第1路徑應(yīng)用分析

第1類路徑選擇西行穿過臺灣島正面登陸福建的熱帶氣旋，尤其是穿過臺灣島中部及南部的路徑對廈門沿海風(fēng)暴潮增水的影響最為顯著。該類型路徑往往會引起廈門沿海的風(fēng)暴潮增水產(chǎn)生較規(guī)律的雙增水峰或多增水峰的現(xiàn)象［10］。

圖5所示的是熱帶氣旋登陸前40 h每個時次的t+1（下1 h）、t+2（下2 h）、t+3（下3 h）、t+6（下6 h）時次的增水預(yù)報曲線和實測曲線的對比圖（圖6、圖7亦同）。由圖5可以看出，通過模型預(yù)報產(chǎn)生的增水曲線相對實測增水過程曲線會較為規(guī)則，較為平滑，并且較好模擬出了多個增水峰過程，具有相當(dāng)良好的趨勢預(yù)報精度，但在t+3和t+6時次的預(yù)報也會出現(xiàn)一些振蕩的奇異值和變化滯后的現(xiàn)象。

由表2可以看出，各時次所預(yù)報的t+1至t+6時次的增水值的均方根誤差呈增大趨勢，但均小于0.3 m；相關(guān)系數(shù)則呈下降趨勢，均達(dá)到高度相關(guān)，所預(yù)報的過程增水極值均小于實測的增水極值，但絕對誤差值均小于0.15 m。

4.2第2路徑應(yīng)用分析

圖5　廈門站0908風(fēng)暴潮各預(yù)報時次風(fēng)暴潮增水曲線與實測曲線對比圖

表2　0908風(fēng)暴潮增水各預(yù)報時次相關(guān)系數(shù)、均方根誤差及增水極值分析表

第2類路徑選擇經(jīng)巴士海峽、南海東北部西行正面登陸福建南部或廣東東部的熱帶氣旋。由于該類路徑的臺風(fēng)在行進(jìn)過程中，廈門沿海都處于其右半旋向岸大風(fēng)區(qū)內(nèi)，受強(qiáng)風(fēng)力和臺風(fēng)移動速度較快的影響，增水增長較為迅速，并在登陸前幾個小時達(dá)到極值；臺風(fēng)登陸后廈門沿海處于左半旋離岸風(fēng)區(qū)內(nèi)，增水迅速減小。

由圖6可以看出，通過模型預(yù)報的增水曲線相對實測增水曲線，較好的模擬主增水峰的各個振蕩階段，初振階段擬合較為平滑，主振峰階段的趨勢相符合，整體的趨勢較為規(guī)整，預(yù)報效果較好，但在余振階段的下降有出現(xiàn)滯后現(xiàn)象。

表3　9914風(fēng)暴潮增水各預(yù)報時次相關(guān)系數(shù)、均方根誤差及增水極值分析表

由表3可以看出，各時次所預(yù)報t+1至t+6時次的的增水值的均方根誤差呈增大趨勢，但均小于0.3 m；相關(guān)系數(shù)呈下降趨勢，均達(dá)到高度相關(guān)；所預(yù)報的過程增水極值均小于實測的增水極值，但絕對誤差值均小于0.2 m。

4.3第3路徑應(yīng)用分析

圖6　廈門站9914風(fēng)暴潮各預(yù)報時次風(fēng)暴潮增水曲線與實測曲線對比圖

第3類路徑選擇經(jīng)臺灣島北部海面正面登陸福建或浙江的熱帶氣旋。該類路徑雖然距離廈門沿海較遠(yuǎn)，但是強(qiáng)烈的向岸大風(fēng)會不斷的將海水向臺灣海峽的狹管里堆積，使得臺灣海峽西岸沿海會在臺風(fēng)登陸前的較長時間內(nèi)產(chǎn)生持續(xù)較強(qiáng)和波動較大的風(fēng)暴潮增水。

由圖7可以看出，通過模型預(yù)報的增水曲線相對實測增水曲線的振蕩趨勢是基本符合的，都是不規(guī)則性較大且波動性較大，特別是t+6時次的預(yù)報結(jié)果，偶爾會產(chǎn)生低估或高估的現(xiàn)象，但其相關(guān)性和均方根誤差仍在可接受范圍內(nèi)。

由表4可以看出，各時次所預(yù)報的t+1至t+6時次的增水值的均方根誤差呈增大趨勢，但均小于0.2 m；相關(guān)系數(shù)呈下降趨勢，均達(dá)到高度相關(guān)；所預(yù)報的t+1至t+3時次的過程增水極值均小于實測的增水極值，t+6時次的大于實測的增水極值，但絕對誤差值均小于0.2 m。

表4　0418風(fēng)暴潮增水各預(yù)報時次相關(guān)系數(shù)、均方根誤差及增水極值分析表

5　結(jié)論

選取臺風(fēng)影響要素和廈門潮位站水文氣象要素中的8個主要影響因子，利用BP人工神經(jīng)網(wǎng)絡(luò)建立廈門沿海風(fēng)暴潮增水預(yù)報模型，探討在3種典型熱帶氣旋路徑的影響下的模型應(yīng)用情況，并針對3個熱帶氣旋個例進(jìn)行了預(yù)報驗證。由風(fēng)暴潮增水預(yù)報結(jié)果分析顯示：

圖7　廈門站0418風(fēng)暴潮各預(yù)報時次風(fēng)暴潮增水曲線與實測曲線對比圖

（1）從預(yù)報的準(zhǔn)確性和時效性來看，t+1至t+2時次的的預(yù)報結(jié)果表現(xiàn)出較高的準(zhǔn)確率和相關(guān)度，預(yù)報的準(zhǔn)確度均會隨著時距的加長而出現(xiàn)降低的趨勢，但t+6時次的預(yù)報結(jié)果均方根誤差都小于0.3 m，相關(guān)性也都達(dá)到0.7高度相關(guān)以上，仍可較精確的描繪出風(fēng)暴潮增水的變化趨勢；

（2）從熱帶氣旋路徑類型來看，對于引起的風(fēng)暴潮增水較有規(guī)律可循且較規(guī)則的熱帶氣旋，模型預(yù)報的相關(guān)性較好，擬合的精確度較高，例如第1路徑和第2路徑；而對于引起的風(fēng)暴潮增水波動性和擾動幅度較大的臺風(fēng)路徑，模型預(yù)報會出現(xiàn)較多的振蕩現(xiàn)象，例如第3路徑；

（3）過程增水極值預(yù)報結(jié)果大致存在低于實測增水極值的情況，絕對誤差都均在0.2 m以下，可能是由于模型未考慮復(fù)雜的地形影響等因素，實際原因仍需作進(jìn)一步的探討。

綜上所述，本模型的預(yù)報效果良好，預(yù)報的趨勢基本能反映實際風(fēng)暴潮增水的變化趨勢，具有較好的適用性和預(yù)報精度，可為今后廈門沿海風(fēng)暴潮的增水預(yù)報提供有效的科學(xué)輔助與參考。

［1］朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用［M］.北京:科學(xué)出版社，2006.

［2］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)［M］.北京:電子工業(yè)出版社，2005.

［3］蔡煜東，姚林聲.預(yù)報臺風(fēng)風(fēng)暴潮極值的人工神經(jīng)網(wǎng)絡(luò)方法［J］.海洋預(yù)報，1994，11（1）:77-81.

［4］薛彥廣，沙文鈺，徐海斌，等.人工神經(jīng)網(wǎng)絡(luò)在風(fēng)暴潮增水預(yù)報中的應(yīng)用［J］.海洋預(yù)報，2005，22（2）:33-37.

［5］李未，王如云，盧長娜，等.神經(jīng)網(wǎng)絡(luò)在珠江口風(fēng)暴潮預(yù)報中的應(yīng)用［J］.熱帶海洋學(xué)報，2006，25（3）:10-13.

［6］Lee T L.Neural network prediction of a storm surge［J］.Ocean Engineering，2006，33（3-4）:483-494.

［7］Sztobryn M.Forecast of storm surge by means of artificial neural network［J］.Journal of Sea Research，2003，49（4）:317-322.

［8］Kim S Y，Matsumi Y，Shiozaki S，et al.A study of a real-time storm surge forecast system using a neural network at the Sanin Coast，Japan［C］//Proceedings of the 2012Oceans.Hampton Roads，VA: IEEE，2012:1-7.

［9］Tseng C M，Jan C D，Wang J S，et al.Application of artificial neural networks in typhoon surge forecasting［J］.Ocean Engineering，2007，34（11-12）:1757-1768.

［10］張文舟，胡建宇，商少平，等.福建沿海風(fēng)暴潮特征的分析［J］.海洋通報，2004，23（3）:12-19.

Application of storm surge forecasting by BP artificial neural network off coast of Xiamen

LU Jun-feng1，2，LI Shao-wei3，YUAN Fang-chao2
（1.Ocean University of China，Qingdao 266110 China；2.Xiamen Marine Forecast Station of SOA，Xiamen 361008 China；3.Xiamen marine environmental monitoring station，Xiamen 361002 China）

The relations between storm surge and the influence factors are used to establish the storm surge forecasting model based on Back-propagation artificial neural network off coast of Xiamen.The inputs of model are the major parameters of the typhoon，including the current data about the central pressure of typhoon，the maximum wind speed of typhoon，the seven-grade typhoon radius，the local station pressure，the local station wind velocity，the local station astronomical tide，the storm surge height，the distance from the center of typhoon to the station.The model can be used to forecast the storm surge height one hour to six hour ahead.The study discussed the model analysis situation of the effects of three different typhoon routes.Then the original data of three typhoons is used to verify the present model.The results indicate that the storm surge predicted by the BP neural network model is in good agreement with measured data.It’s indicated that the model built on the back-propagation artificial neural network can be effective in storm surge forecasting off coast of Xiamen.

storm surge；back-propagation artificial neural network；forecast

P731.34

A

1003-0239（2016）04-0009-08

10.11737/j.issn.1003-0239.2016.04.002

2015-02-06

國家海洋局東海分局青年科技基金資助項目（201514）。

盧君峰（1979-），男，工程師，碩士研究生，主要從事海洋預(yù)報工作。E-mail∶junfengluke@126.com