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, 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，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，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月龍灘近庫區(qū)、龍江流域等6個(gè)電網(wǎng)流域?yàn)槔眠z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)，是我國水力電力資源最為豐富的省區(qū)之一，水庫遍布廣西各地。水庫的作用除了蓄水發(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，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[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]。對各水庫來說，庫區(qū)對應(yīng)的流域降水少，庫區(qū)的蓄水不足，使水電站的發(fā)電能力不足，甚至無法發(fā)電。如果降水過多，特別是持續(xù)性的強(qiáng)降水，又會(huì)使水庫水位猛增，甚至超過警戒水位，對庫區(qū)的安全和庫區(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，對于庫區(qū)調(diào)度來說，氣象部門如果能提供影響庫區(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)地對庫區(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，很難滿足水庫和水力發(fā)電廠對中小流域面雨量精細(xì)化的要求。因此，研究針對水庫和水力發(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)化的以主要水庫和水電站為重要考量的中小河流流域面雨量為研究對象，對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眾多，遍布全區(qū)各地。為了更好地開展有針對性的氣象服務(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)電廠和水庫對蓄水調(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。而對于日本、德國的數(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)誤差來修改網(wǎng)絡(luò)權(quán)值，主要是利用均方差和梯度下降法來實(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)將誤差信號沿原來連接通路反向傳播，同時(shí)對神經(jīng)網(wǎng)絡(luò)原來的連接權(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，來分析如何利用遺傳算法對神經(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對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。一般來說，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)電廠和大中型水庫所對應(yīng)的中小河流域的面雨量為預(yù)報(bào)對象，對基于遺傳-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)的庫區(qū)流域，又要兼顧到有代表性的庫區(qū)，在這里我們選取了龍灘近庫區(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)流域的作為研究對象。

從多年的降水研究和實(shí)際天氣預(yù)報(bào)經(jīng)驗(yàn)來看，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。

考慮到一般臺站獲取數(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，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)場及物理量預(yù)報(bào)場。

對2009-2012年5月、6月歐洲中心數(shù)值預(yù)報(bào)產(chǎn)品場與預(yù)報(bào)對象進(jìn)行場相關(guān)普查，通過普查，發(fā)現(xiàn)不同的流域面雨量對同一層次、同一要素場的相關(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)場及物理量預(yù)報(bào)場進(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。另外對與預(yù)報(bào)對象相關(guān)好但符號相反的兩個(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)的大尺度形勢場，又有與降水密切相關(guān)的物理量場。

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?，采用逐步回歸方法建立了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30個(gè)獨(dú)立樣本的預(yù)報(bào)絕對誤差求平均，就得到了5月份的面雨量預(yù)報(bào)平均絕對誤差為5.83 mm，而6月份的平均絕對誤差為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)模型對獨(dú)立樣本預(yù)報(bào)平均絕對誤差 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)模型對獨(dú)立樣本預(yù)報(bào)平均絕對誤差 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)模型對相同的獨(dú)立樣本的預(yù)報(bào)平均絕對誤差，從預(yù)報(bào)結(jié)果來看，兩種預(yù)報(bào)模型對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)模型對各流域5月、6月獨(dú)立樣本的預(yù)報(bào)結(jié)果對比。從圖中可以看到，不管是5月份還是6月份，對于絕大多數(shù)流域來說，遺傳-神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型對獨(dú)立樣本預(yù)報(bào)的平均絕對誤差要明顯小于逐步回歸預(yù)報(bào)模型，尤其是對處于廣西西北部的龍灘近庫區(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)模型對獨(dú)立樣本的預(yù)報(bào)結(jié)果與同期的日本、德國數(shù)值預(yù)報(bào)模式對同樣獨(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)值模式和德國數(shù)值模式對各流域的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、德國數(shù)值預(yù)報(bào)模式對各流域獨(dú)立樣本的預(yù)報(bào)結(jié)果對比。從圖中可以看到，日本數(shù)值預(yù)報(bào)模式對各流域的獨(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區(qū)流域的面雨量預(yù)報(bào)平均絕對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，樣本長度相對較短，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，張萬誠．云南近百年來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、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，教授級高級工程師，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.]