李良偉，鄒斌，石立堅(jiān)，劉鵬

（1.國(guó)家衛(wèi)星海洋應(yīng)用中心，北京 100081；2.國(guó)家海洋環(huán)境預(yù)報(bào)中心，北京 100081；3.自然資源部空間海洋遙感與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，北京 100081；4.南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室，廣東 廣州 511458）

1 引言

海表溫度（Sea Surface Temperature，SST）與降雨有著密不可分的聯(lián)系，以往的一些研究集中在降水與局部和區(qū)域尺度SST變化關(guān)系上。Zahraie等[1]利用K-means聚類(lèi)算法和遺傳算法（Genetic Algorithm，GA），將阿曼灣、阿拉伯海和印度洋北部選定區(qū)域的SST進(jìn)行聚類(lèi)，提出了改進(jìn)的K-means方法和GA模型，該模型可以有效地用于研究區(qū)域正常降水的季節(jié)預(yù)測(cè)，這兩種聚類(lèi)技術(shù)的結(jié)果已被用于制定伊朗東南部省份的季節(jié)性降水預(yù)測(cè)指南中。Cordery等[2]觀察到一個(gè)季節(jié)的全球和局部現(xiàn)象與干旱事件的未來(lái)4個(gè)季節(jié)的降水之間有著很強(qiáng)的關(guān)系，例如太平洋SST異?？捎糜陬A(yù)測(cè)澳大利亞?wèn)|部的低降水季節(jié)。Higgins等[3]利用熱帶太平洋SST對(duì)Nino-3.4地區(qū)的氣溫和降水作出了客觀的季節(jié)預(yù)報(bào)，并且跟蹤并比較了這些預(yù)測(cè)與8 a的觀測(cè)結(jié)果以及美國(guó)國(guó)家海洋和大氣管理局（National Oceanic and Atmospheric Administration，NOAA）官方發(fā)布的美國(guó)氣候預(yù)測(cè)中心（Climate Prediction Center，CPC）的季節(jié)性預(yù)報(bào)結(jié)果的差異。不同時(shí)間尺度的SST和海溫大氣耦合系統(tǒng)的震蕩通常會(huì)對(duì)降雨活動(dòng)產(chǎn)生重要的影響。對(duì)中國(guó)降水有影響的包括：季節(jié)或年內(nèi)震蕩，主要是受太陽(yáng)輻射周期的變化，時(shí)間尺度通常為1 a，如季風(fēng)；年際震蕩，如厄爾尼諾與南方濤動(dòng)（El Ni?o-Southern Oscillation，ENSO）[4]；年代際震蕩，如太平洋年代際振蕩（Pacific Decadal Oscillation，PDO）[5]，這些震蕩在降水長(zhǎng)期預(yù)測(cè)以及氣候預(yù)測(cè)中有重要作用。研究指出，ENSO循環(huán)對(duì)中國(guó)降水具有很大影響[6-7]。陶詩(shī)言等[7]研究發(fā)現(xiàn)ENSO的不同階段對(duì)中國(guó)夏季降水有不同的影響。王紹武等[8]利用近500 a旱澇資料，指出赤道中太平洋地區(qū)年代際變化與中國(guó)東部36 a旱澇周期關(guān)系密切，從而提出了與海氣相互作用有關(guān)的旱澇36 a周期變化機(jī)制。于淑秋等[9]應(yīng)用滑動(dòng)T檢驗(yàn)法對(duì)北太平洋海溫年代際躍變進(jìn)行了研究，指出在1976/1977年SST躍變前中國(guó)汛期降水量在東北地區(qū)偏少，華北地區(qū)偏多，長(zhǎng)江流域偏少，華南偏多，而躍變后則相反。朱益民等[10]指出，PDO位于暖位相期（即中緯度北太平洋異常冷，熱帶中東太平洋異常暖），冬季阿留申低壓增強(qiáng)，蒙古高壓也增強(qiáng)（但東西伯利亞高壓減弱），中國(guó)東北、華北、江淮以及長(zhǎng)江流域大部分地區(qū)降水偏少。針對(duì)具體海域?qū)邓挠绊?，孫柏民等[11]指出，夏季江淮流域降水與1月黑潮區(qū)的SST有很好的正相關(guān)關(guān)系，與6月SST則呈負(fù)相關(guān)。

中國(guó)降水的主要因素有來(lái)自印度洋和太平洋受SST驅(qū)動(dòng)的季風(fēng)和臺(tái)風(fēng)，也有受不同時(shí)間尺度的SST和海溫大氣耦合系統(tǒng)的震蕩（如ENSO和PDO等）的影響，過(guò)去大多數(shù)研究都是以某一具體海域的溫度異常或者局部海域的海氣耦合震蕩來(lái)研究對(duì)中國(guó)降水的影響。本文則以30°E～70°W和50°N～50°S的SST為研究范圍，這也是影響中國(guó)降水的季風(fēng)、臺(tái)風(fēng)以及黑潮的主要來(lái)源及活動(dòng)海域。通過(guò)機(jī)器學(xué)習(xí)的方法來(lái)挖掘SST對(duì)中國(guó)降水的時(shí)空影響，利用聚焦時(shí)延神經(jīng)網(wǎng)絡(luò)（Focused Time-Delay Neural Network，F(xiàn)TDNN）嘗試?yán)肧ST對(duì)聚類(lèi)后的中國(guó)降水進(jìn)行中長(zhǎng)期的預(yù)測(cè)。

本文探索通過(guò)機(jī)器學(xué)習(xí)的方法建立SST與周降水量的機(jī)器學(xué)習(xí)模型，并用此模型預(yù)測(cè)各聚類(lèi)區(qū)的周降水量。通過(guò)預(yù)測(cè)的周降水量累加可得到月降水量或季度降水量，從而預(yù)測(cè)出該區(qū)域降水量較長(zhǎng)一段時(shí)間內(nèi)的趨勢(shì)變化。

2 數(shù)據(jù)

本文所用的兩個(gè)數(shù)據(jù)集如下：

中國(guó)日降水量取自中國(guó)地面降水日值0.5°×0.5°格點(diǎn)數(shù)據(jù)集（V2.0）。該數(shù)據(jù)集是基于國(guó)家氣象信息中心基礎(chǔ)資料專(zhuān)項(xiàng)最新整編的中國(guó)地面高密度臺(tái)站（2 472個(gè)國(guó)家級(jí)氣象觀測(cè)站）的降水資料，利用ANUSPLIN軟件的薄盤(pán)樣條法（Thin Plate Spline，TPS）進(jìn)行空間插值，生成1961年至最新的中國(guó)地面水平分辨率0.5°×0.5°的日值降水格點(diǎn)數(shù)據(jù)。

SST取自NOAA最優(yōu)插值（Optimal Interpolation，OI）SST每周數(shù)據(jù)；時(shí)間為1981年10月29日—2016年11月13日；SST的選取范圍為30°E～70°W和50°N～50°S，這是影響中國(guó)降水的季風(fēng)、臺(tái)風(fēng)以及黑潮的主要來(lái)源及活動(dòng)海域。

3 研究方法

3.1 降水的時(shí)間序列聚類(lèi)

時(shí)間序列是由一組按時(shí)間先后順序排列的變量組成，它通常是在相等間隔的時(shí)間段內(nèi)，依照給定的采樣率，對(duì)某種觀測(cè)要素進(jìn)行長(zhǎng)期觀測(cè)得到的[12]。本文將使用K-means聚類(lèi)算法，選取時(shí)間序列的相關(guān)性特征將時(shí)空立方體的位置劃分為多個(gè)簇，每個(gè)簇內(nèi)的時(shí)間序列的相關(guān)性值較為接近，彼此之間的相似程度高于其他簇中的時(shí)間序列[13]。在時(shí)間范圍內(nèi)，統(tǒng)計(jì)相關(guān)性來(lái)衡量時(shí)間序列的相似性時(shí)，例如，時(shí)間序列（1，2，3，4，5）與時(shí)間序列（10，20，30，40，50）的值不同，但是完全相關(guān)，其差為0，可以通過(guò)1減去相關(guān)性來(lái)計(jì)算兩個(gè)時(shí)間序列之間的差。這意味著完全正相關(guān)（相關(guān)性=1）的時(shí)間序列的差為0，不相關(guān)（相關(guān)性=0）的時(shí)間序列的差為1，而完全負(fù)相關(guān)（相關(guān)性=-1）的時(shí)間序列的差為2。所有其他相關(guān)程度將生成介于0～2之間的值，正相關(guān)性越大表明相似度越高。

本文使用輪廓系數(shù)（Silhouette）法確定降水的最佳聚類(lèi)數(shù)。Silhouette系數(shù)由Rousseeuw[14]于1987年提出，它能夠衡量一個(gè)結(jié)點(diǎn)與它屬聚類(lèi)相較于其他聚類(lèi)的相似程度，計(jì)算方法如下：

式中：a(i)為樣本i到同簇其他樣本的平均距離，a(i)稱(chēng)為樣本i的簇內(nèi)不相似度，簇C中所有樣本的a(i)均值稱(chēng)為簇C的簇不相似度；b(i)為樣本i的簇間不相似度，b(i)值越大，說(shuō)明樣本i越不屬于其他簇；s(i)接近1，則說(shuō)明樣本i聚類(lèi)合理；s(i)接近-1，則說(shuō)明樣本i更應(yīng)該分類(lèi)到另外的簇；若s(i)近似為0，則說(shuō)明樣本i在兩個(gè)簇的邊界上。

3.2 主成分分析降維

主 成 分 分 析（Principal Component Analysis，PCA）可以用于減少特征空間維數(shù)、選擇最有用的變量、確定變量的線(xiàn)性組合和識(shí)別目標(biāo)或是異常值分組等[15]。對(duì)于一組數(shù)據(jù)中某個(gè)特征組成的多維向量，其中的某些元素本身沒(méi)有區(qū)分性，比如都為0，或者與0相差很小，那么這個(gè)元素本身就沒(méi)有區(qū)分性，用它做特征來(lái)區(qū)分，貢獻(xiàn)會(huì)非常小。我們的目標(biāo)是找到變化大的元素，即方差大的那些維，去除掉變化不大的維，從而使特征留下的都是最能代表此元素的值。例如，本文中對(duì)于SST在99%的方差被保留之后，SST的數(shù)據(jù)維度從20 000多個(gè)降到600多個(gè)。方差太少時(shí)無(wú)法代表所有的海溫活動(dòng)，而過(guò)大時(shí)，會(huì)大幅增加輸入神經(jīng)網(wǎng)絡(luò)的維度，增大神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，最終的預(yù)測(cè)結(jié)果也不理想。本文經(jīng)過(guò)測(cè)試最終保留了SST均方差為91%的維度來(lái)研究主要維度對(duì)降水的影響。表1與圖1是本文輸入神經(jīng)網(wǎng)絡(luò)中的前6個(gè)主要維度的方差和空間模態(tài)。第一模態(tài)代表了SST的季節(jié)性模態(tài)，后5個(gè)模態(tài)在赤道和太平洋顯示出很大的變化，這些模態(tài)捕獲了ENSO、PDO和北太平洋環(huán)流振蕩（North Pacific Gyre Oscillation，NPGO）等現(xiàn)象[16]。

表1 前6個(gè)主要維度的方差

圖1 SST前6個(gè)主要模態(tài)的空間分布

3.3 FTDNN

時(shí)延神經(jīng)網(wǎng)絡(luò)（Ti me-Delay Neural Network，TDNN）是一種多層人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由Waibel等[17]于1989年提出。初衷是為了解決語(yǔ)音識(shí)別中，傳統(tǒng)方法隱馬爾科夫模型（Hidden Markov Model，HMM）無(wú)法適應(yīng)語(yǔ)音信號(hào)中的動(dòng)態(tài)時(shí)域變化。該結(jié)構(gòu)參數(shù)較少，進(jìn)行語(yǔ)音識(shí)別不需要預(yù)先將音標(biāo)與音頻在時(shí)間線(xiàn)上進(jìn)行對(duì)齊，實(shí)驗(yàn)證明TDNN比HMM表現(xiàn)更好。TDNN的提出具有非常重要的影響，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）就是受TDNN影響而發(fā)明的，它是卷積網(wǎng)絡(luò)的前身。FTDNN神經(jīng)網(wǎng)絡(luò)可以看作是一維的卷積神經(jīng)網(wǎng)絡(luò)，它的共享權(quán)重被限制在單一的維度上，且沒(méi)有池化層，通過(guò)共享權(quán)值可以方便學(xué)習(xí)，在學(xué)習(xí)過(guò)程中不要求對(duì)所學(xué)的標(biāo)記進(jìn)行精確的時(shí)間定位，且有能力表達(dá)語(yǔ)音特征在時(shí)間上的關(guān)系，非常適用于語(yǔ)音和時(shí)間序列的信號(hào)處理[18]。

TDNN與其他神經(jīng)網(wǎng)絡(luò)一樣，由多個(gè)由簇組成的互連層進(jìn)行操作。這些集群意在表示大腦中的神經(jīng)元，像大腦一樣，每個(gè)集群只需要注意輸入的小區(qū)域。原典型TDNN具有3層集群，一組用于輸入，一組用于輸出，中間層通過(guò)過(guò)濾器處理輸入的操作。由于它們的順序性質(zhì)，TDNN被實(shí)現(xiàn)為前饋神經(jīng)網(wǎng)絡(luò)。在TDNN前饋網(wǎng)絡(luò)的輸入端帶一個(gè)抽頭延遲線(xiàn)，稱(chēng)為FTDNN。這是動(dòng)態(tài)網(wǎng)絡(luò)的一部分，稱(chēng)為聚焦網(wǎng)絡(luò)，其中動(dòng)態(tài)只出現(xiàn)在靜態(tài)多層前饋網(wǎng)絡(luò)的輸入層。該網(wǎng)絡(luò)非常適合時(shí)間序列預(yù)測(cè)，例如混沌激光的測(cè)量數(shù)據(jù)集，該數(shù)據(jù)集是圣達(dá)菲時(shí)間序列競(jìng)賽中使用的數(shù)據(jù)集，使用FTDNN網(wǎng)絡(luò)顯示出很好的預(yù)測(cè)效果[19]。FTDNN網(wǎng)絡(luò)的優(yōu)點(diǎn)之一是它不需要通過(guò)動(dòng)態(tài)反向傳播來(lái)計(jì)算網(wǎng)絡(luò)梯度，這是因?yàn)槌轭^延遲線(xiàn)只出現(xiàn)在網(wǎng)絡(luò)的輸入端，不包含反饋回路或可調(diào)參數(shù)，因此該網(wǎng)絡(luò)比其他動(dòng)態(tài)網(wǎng)絡(luò)的訓(xùn)練速度更快。

本文將日降水?dāng)?shù)據(jù)處理為周降水?dāng)?shù)據(jù)，使之和NOAA的SST產(chǎn)品數(shù)據(jù)的時(shí)間一致，經(jīng)過(guò)K-means聚類(lèi)得到最佳的聚類(lèi)結(jié)果之后，再將各區(qū)域的格點(diǎn)數(shù)據(jù)取平均。由于降水?dāng)?shù)據(jù)是周數(shù)據(jù)，原始數(shù)據(jù)存在一些較大的異常值（見(jiàn)圖2），而異常值的存在會(huì)極大地干擾模型訓(xùn)練，必須對(duì)原始數(shù)據(jù)進(jìn)行平滑處理。常見(jiàn)的平滑方法有移動(dòng)平均法、加權(quán)平均法和指數(shù)平滑法。移動(dòng)平均法雖然可以很好地過(guò)濾掉異常值，但是平滑后的時(shí)間序列過(guò)于平穩(wěn)，造成每個(gè)分類(lèi)之間的差異不夠明顯，而加權(quán)平均法中合理地分配加權(quán)系數(shù)較為困難。通常我們認(rèn)為每周的降水不是一個(gè)孤立事件，它不會(huì)突然地增大，比如臺(tái)風(fēng)對(duì)某地降水的影響。事實(shí)上在臺(tái)風(fēng)來(lái)臨前的一段時(shí)間內(nèi)，它所影響的區(qū)域的降水就會(huì)增加，在登陸時(shí)增大更加明顯，基于此最后選擇指數(shù)平滑算法對(duì)原始數(shù)據(jù)進(jìn)行平滑。如圖2所示，平滑后的結(jié)果降低了異常值的大小，但同時(shí)也保留了原始周數(shù)據(jù)的波動(dòng)性。

圖2 降水周數(shù)據(jù)以及平滑后的降水?dāng)?shù)據(jù)

4 結(jié)果與討論

4.1 最佳聚類(lèi)數(shù)的確定

基于相關(guān)性聚類(lèi)的輪廓系數(shù)值如圖3所示。隨著簇?cái)?shù)的增加輪廓系數(shù)值也增加，但增長(zhǎng)速度放緩，聚類(lèi)數(shù)為7時(shí)，輪廓系數(shù)值最大。通常輪廓系數(shù)值越大聚類(lèi)效果越好，但聚類(lèi)數(shù)太大時(shí)海洋對(duì)陸地降水的影響就會(huì)分散，聚類(lèi)數(shù)太少時(shí)，會(huì)使地理空間跨度太大，每個(gè)分類(lèi)的平均值不能很好地代表所包含的時(shí)間序列的特征，本文最終選取輪廓系數(shù)值最大的7為最終的聚類(lèi)結(jié)果。圖4為基于相關(guān)性分7類(lèi)的聚類(lèi)結(jié)果。從地理分布來(lái)看：區(qū)域1主要包括東北和內(nèi)蒙古北部地區(qū)，區(qū)域2大部分屬于華北和西北東部區(qū)域，區(qū)域3則屬于西北地區(qū)，區(qū)域4大部分屬于青藏高原區(qū)域，區(qū)域5大部分屬于西南區(qū)域，區(qū)域6大部分屬于長(zhǎng)江以南的華東、華中和華南區(qū)域，區(qū)域7屬于黃河和長(zhǎng)江之間的華中和華東區(qū)域。從氣候區(qū)分布來(lái)看，區(qū)域1、區(qū)域2、區(qū)域5、區(qū)域6和區(qū)域7大部分處于季風(fēng)區(qū)，其降水受季風(fēng)、臺(tái)風(fēng)和ENSO等海洋活動(dòng)的影響較大，而區(qū)域3與區(qū)域4大部分屬于溫帶大陸性氣候和高原山地氣候。本文所分的7個(gè)區(qū)域分布與中國(guó)年降水量分布以及傳統(tǒng)的中國(guó)氣候區(qū)分布有所差別，這與本文所用的數(shù)據(jù)是周降水量波動(dòng)比較大有關(guān)，而傳統(tǒng)氣候區(qū)在劃分時(shí)除了結(jié)合氣候區(qū)劃分外，還要結(jié)合生產(chǎn)實(shí)際需要并適當(dāng)照顧自然區(qū)或行政區(qū)[20]。

圖3 基于相關(guān)性的輪廓系數(shù)值

圖4 基于相關(guān)性分7類(lèi)的聚類(lèi)結(jié)果

4.2 聚類(lèi)特征的可視化

由于降水周數(shù)據(jù)的數(shù)據(jù)量比較大，時(shí)間序列過(guò)長(zhǎng)會(huì)造成可視化后的數(shù)據(jù)分布較密集，而每一個(gè)簇內(nèi)包含上百個(gè)時(shí)間序列，都將其可視化的結(jié)果并不理想。為了更好地展示聚類(lèi)效果和每一個(gè)簇的特征分布，選取時(shí)間為1993—1998年，空間上使用隨機(jī)函數(shù)隨機(jī)選取5個(gè)點(diǎn)的時(shí)間序列。

圖5a—c表明相同簇的降水時(shí)間序列具有類(lèi)似的特征，而圖5d與圖6表明不同簇的數(shù)據(jù)分布有明顯的差別。同一簇具有相同性，而不同簇具有很明顯的差異性，說(shuō)明聚類(lèi)結(jié)果較為理想。

圖5 分7類(lèi)時(shí)的降水隨時(shí)間的變化

圖6 分7類(lèi)的降水散點(diǎn)圖和小提琴圖

4.3 各區(qū)域分析

各區(qū)域以訓(xùn)練集、驗(yàn)證集和測(cè)試集的比例為8∶1∶1輸入數(shù)據(jù)，通過(guò)FTDNN進(jìn)行訓(xùn)練，結(jié)果如表2所示。隨著運(yùn)行次數(shù)的增加，各區(qū)域測(cè)試集的最小均方根誤差、相關(guān)系數(shù)以及全集的最小均方根誤差的最佳延遲時(shí)間都穩(wěn)定在相同的延遲時(shí)間。圖7是各區(qū)域測(cè)試集的平均絕對(duì)誤差，從圖7中可以看出，區(qū)域1、區(qū)域2、區(qū)域5、區(qū)域6和區(qū)域7的平均絕對(duì)誤差大于另外兩個(gè)區(qū)域，這是因?yàn)檫@5個(gè)區(qū)域的降水主要受季風(fēng)、臺(tái)風(fēng)和ENSO等海洋活動(dòng)影響，從而造成周降水值的波動(dòng)較大。從表2可知，區(qū)域1的最佳延遲時(shí)間為3周，區(qū)域2為4周，區(qū)域3為2周，區(qū)域4為2周，區(qū)域5為5周，區(qū)域6為6周，區(qū)域7為4周?？梢?jiàn)，區(qū)域1、區(qū)域2、區(qū)域5、區(qū)域6和區(qū)域7等處于季風(fēng)區(qū)區(qū)域的最佳延遲時(shí)間都比另外兩個(gè)處于非季風(fēng)區(qū)的最佳延遲時(shí)間大，這可能是由于本文所使用數(shù)據(jù)的時(shí)間分辨率為周，季風(fēng)區(qū)受季風(fēng)和臺(tái)風(fēng)帶來(lái)的降水量比較大導(dǎo)致的。在得到各區(qū)域的最佳延遲周后，輸入確定的延遲時(shí)間，對(duì)各區(qū)域單獨(dú)進(jìn)行訓(xùn)練，圖8與表3是使用各區(qū)域訓(xùn)練得到的模型對(duì)各區(qū)域2012年7月1日之后11周降水的預(yù)測(cè)情況。區(qū)域6與區(qū)域7的預(yù)測(cè)誤差較大是因?yàn)?012年區(qū)域7受到臺(tái)風(fēng)帶來(lái)的降水的影響，導(dǎo)致該區(qū)域降水波動(dòng)比較大，而對(duì)波動(dòng)較大的信號(hào)，通常很難預(yù)測(cè)準(zhǔn)確，區(qū)域3與區(qū)域4則顯示出很好的預(yù)測(cè)效果。

圖7 測(cè)試集的平均絕對(duì)誤差

表2 各區(qū)域訓(xùn)練結(jié)果

圖8 2012年7月1日之后11周各區(qū)域的預(yù)測(cè)情況

表3 連續(xù)11周的各區(qū)域模型預(yù)測(cè)的評(píng)價(jià)指標(biāo)

在降水量的中長(zhǎng)期趨勢(shì)分析上，通過(guò)預(yù)測(cè)的周降水量累加可得月降水量，從而刻畫(huà)出該區(qū)域降水量較長(zhǎng)一段時(shí)間內(nèi)的趨勢(shì)變化。這里我們給出了區(qū)域6的預(yù)測(cè)結(jié)果。從圖9可知，在大約7.3 a的降水量預(yù)測(cè)中，月降水量的預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)達(dá)0.92，均方根誤差為3.81，較準(zhǔn)確地預(yù)測(cè)了真實(shí)降水量的趨勢(shì)變化，其他區(qū)域的預(yù)測(cè)情況見(jiàn)表4。與傳統(tǒng)的小波變換重建原序列以及均生函數(shù)方法的預(yù)測(cè)結(jié)果相比[22]，本文預(yù)測(cè)結(jié)果的相關(guān)系數(shù)和均方根誤差都有了很大的提高，例如在新疆地區(qū)本文測(cè)試結(jié)果的相關(guān)系數(shù)比小波變換結(jié)果提高了0.05。

表4 各區(qū)域連續(xù)88周趨勢(shì)預(yù)測(cè)的評(píng)價(jià)指標(biāo)

圖9 區(qū)域6連續(xù)88 M的預(yù)測(cè)值與真實(shí)值趨勢(shì)及相關(guān)性

5 結(jié)論

本文利用機(jī)器學(xué)習(xí)的方法，以30°E～70°W和50°N～50°S的SST為研究對(duì)象，通過(guò)K-means聚類(lèi)算法將36 a的中國(guó)周降水?dāng)?shù)據(jù)聚為7個(gè)區(qū)域，其中區(qū)域1、區(qū)域2、區(qū)域5、區(qū)域6和區(qū)域7的大部分區(qū)域處于季風(fēng)區(qū)，而區(qū)域3與區(qū)域4的大部分區(qū)域?qū)儆跍貛Т箨懶詺夂蚝透咴降貧夂虻确羌撅L(fēng)區(qū)。將各區(qū)域降水?dāng)?shù)據(jù)經(jīng)過(guò)指數(shù)平滑之后輸入FTDNN，并求解其與經(jīng)過(guò)降維處理的SST之間的關(guān)系。結(jié)果表明，區(qū)域1、區(qū)域2、區(qū)域5、區(qū)域6和區(qū)域7等受季風(fēng)和臺(tái)風(fēng)等海洋活動(dòng)影響較大的區(qū)域的最佳延遲時(shí)間比遠(yuǎn)離海洋區(qū)域的最佳延遲時(shí)間大，同時(shí)也得到了預(yù)測(cè)各區(qū)域降水的最佳延遲時(shí)間，其中區(qū)域1的最佳延遲時(shí)間為3周，區(qū)域2為4周，區(qū)域3為2周，區(qū)域4為2周，區(qū)域5為5周，區(qū)域6為6周，區(qū)域7為4周。在對(duì)各區(qū)域進(jìn)行連續(xù)11 a的預(yù)測(cè)中得出，F(xiàn)TDNN神經(jīng)網(wǎng)絡(luò)在利用降維后的SST來(lái)預(yù)測(cè)降水量上顯示出很好的預(yù)測(cè)效果。

在中長(zhǎng)期趨勢(shì)預(yù)測(cè)上，本文的方法也可較準(zhǔn)確地預(yù)測(cè)出某一區(qū)域未來(lái)降水量的趨勢(shì)變化，相比傳統(tǒng)方法預(yù)測(cè)能力有了較大的提高。但在受海洋活動(dòng)影響較大區(qū)域，短期預(yù)測(cè)的降水會(huì)有很多局部突變值，預(yù)測(cè)結(jié)果不理想，這也是非線(xiàn)性和非平穩(wěn)信號(hào)預(yù)測(cè)中的難點(diǎn)，以后我們將嘗試將FTDNN結(jié)合集合經(jīng)驗(yàn)?zāi)７纸鈦?lái)提高預(yù)測(cè)效果。