人工神經(jīng)網(wǎng)絡(luò)在臺(tái)風(fēng)風(fēng)暴潮模擬中的解釋應(yīng)用

張娟，周水華，黃寶霞，張敏

（國(guó)家海洋局南海預(yù)報(bào)中心，廣東廣州510300）

?

人工神經(jīng)網(wǎng)絡(luò)在臺(tái)風(fēng)風(fēng)暴潮模擬中的解釋應(yīng)用

張娟，周水華，黃寶霞，張敏

（國(guó)家海洋局南海預(yù)報(bào)中心，廣東廣州510300）

摘要：將BP人工神經(jīng)網(wǎng)絡(luò)引入到風(fēng)暴潮數(shù)值預(yù)報(bào)的解釋應(yīng)用中，并以惠州站為例，根據(jù)臺(tái)風(fēng)參數(shù)與增水的關(guān)系建立3套神經(jīng)網(wǎng)絡(luò)模型，對(duì)風(fēng)暴潮的數(shù)值預(yù)報(bào)結(jié)果進(jìn)行訂正，計(jì)算結(jié)果顯示：BP人工神經(jīng)網(wǎng)絡(luò)可以改進(jìn)風(fēng)暴潮數(shù)值模式的預(yù)報(bào)精度，可以作為惠州站數(shù)值預(yù)報(bào)結(jié)果解釋應(yīng)用的一種方法，同時(shí)也為臺(tái)風(fēng)風(fēng)暴潮數(shù)值預(yù)測(cè)的解釋應(yīng)用提供了新思路。

關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)；風(fēng)暴潮；解釋應(yīng)用；數(shù)值預(yù)報(bào)

1　引言

現(xiàn)階段風(fēng)暴潮預(yù)報(bào)方法主要有經(jīng)驗(yàn)統(tǒng)計(jì)預(yù)報(bào)和數(shù)值預(yù)報(bào)，其中風(fēng)暴潮數(shù)值預(yù)報(bào)結(jié)果已經(jīng)成為風(fēng)暴潮預(yù)報(bào)中的主要參考依據(jù)［1-2］，在風(fēng)暴潮預(yù)報(bào)中發(fā)揮著重要的作用，模式能較好的模擬增水的基本變化狀況，但有時(shí)預(yù)報(bào)值仍然有較大的誤差，這在目前的風(fēng)暴潮數(shù)值預(yù)報(bào)是常見的現(xiàn)象，這可能是由不精確的臺(tái)風(fēng)風(fēng)場(chǎng)、氣壓場(chǎng)、地形和底摩擦等因素導(dǎo)致的。當(dāng)然，數(shù)值模式本身的缺陷也是其中原因之一。因此，對(duì)數(shù)值預(yù)報(bào)產(chǎn)品的解釋應(yīng)用來提高預(yù)報(bào)精度是非常有必要的。目前，國(guó)內(nèi)外針對(duì)氣象要素開展的數(shù)值預(yù)報(bào)產(chǎn)品釋用技術(shù)研究已經(jīng)有較多的成果［3-17］，而對(duì)于海洋預(yù)報(bào)要素的數(shù)值預(yù)報(bào)產(chǎn)品的釋用技術(shù)處于探索階段。在風(fēng)暴潮方面，目前國(guó)內(nèi)只看到王培濤等人用集合預(yù)報(bào)的方法對(duì)其數(shù)值預(yù)報(bào)的解釋應(yīng)用［18-19］。因此，本文嘗試以惠州站為例，利用BP人工神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)暴潮數(shù)值產(chǎn)品的釋用進(jìn)行初步探析。

2　方法介紹

2.1 BP人工神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是基于生物學(xué)神經(jīng)網(wǎng)絡(luò)原理而建立的一種適應(yīng)系統(tǒng)，由若干稱為神經(jīng)元的簡(jiǎn)單處理組合而成，所有神經(jīng)元通過前向或回饋的方式相互作用、相互聯(lián)系。神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)的特點(diǎn)，非線性映射能力極強(qiáng)［20-21］。

本文采用的人工神經(jīng)網(wǎng)絡(luò)是應(yīng)用較為廣泛的3層結(jié)構(gòu)的BP人工神經(jīng)網(wǎng)絡(luò)，BP人工神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的多層前饋型網(wǎng)絡(luò)，由信號(hào)的正向傳遞與誤差的反向傳播組成：正向傳播時(shí)，輸入的信息流從輸入層，經(jīng)隱層逐層處理后傳向輸出層（見圖1）。若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)向誤差的反向傳播階段。誤差的反向傳播是將輸出誤差以某種形式通過隱層向輸入層逐層反轉(zhuǎn)，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行。而權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止［21］。

圖1典型的前饋型人工神經(jīng)網(wǎng)絡(luò)示意圖

人工神經(jīng)網(wǎng)絡(luò)在大氣科學(xué)數(shù)值預(yù)報(bào)的解釋應(yīng)用方面，獲得了較廣泛的應(yīng)用，并已經(jīng)取得相關(guān)的研究成果［12-17］，但是在海洋要素預(yù)報(bào)方面，目前只看到在海浪要素的解釋應(yīng)用［22-23］。本文嘗試將BP神經(jīng)網(wǎng)絡(luò)引入到風(fēng)暴潮數(shù)值預(yù)報(bào)解釋應(yīng)用領(lǐng)域中。

2.2數(shù)值模式簡(jiǎn)介

本文采用風(fēng)暴潮數(shù)值模型是國(guó)家海洋局南海預(yù)報(bào)中心業(yè)務(wù)化運(yùn)行的南海近岸精細(xì)化風(fēng)暴潮模型，南海近岸精細(xì)化風(fēng)暴潮模型是該中心基于ELCIRC正壓模型開發(fā)的，ELCIRC采用了基于水平無結(jié)構(gòu)網(wǎng)格，垂向Z坐標(biāo)體系，半隱格式的歐拉-拉格朗日的有限體積和有限差分算法解淺水方程。此模型的數(shù)學(xué)物理方程及計(jì)算框架本文不在贅述，詳見參考文獻(xiàn)［24］，為了保證南海近岸海域的精細(xì)化模擬，同時(shí)又能節(jié)約計(jì)算速度，本研究的模型采用非結(jié)構(gòu)網(wǎng)格。總網(wǎng)格圖見圖2，大亞灣網(wǎng)格見圖3。模型的總單元數(shù)為212 064，節(jié)點(diǎn)數(shù)為121 115。大亞灣網(wǎng)格分辨率為50—200 m左右。

圖2南海區(qū)域網(wǎng)格

圖3大亞灣區(qū)域網(wǎng)格

風(fēng)暴潮計(jì)算所需要的臺(tái)風(fēng)風(fēng)場(chǎng)是在Jelesnianski模式的基礎(chǔ)上，加入7級(jí)大風(fēng)半徑和10級(jí)大風(fēng)半徑改進(jìn)而成。此臺(tái)風(fēng)風(fēng)場(chǎng)模式在國(guó)家海洋局南海預(yù)報(bào)中心臺(tái)風(fēng)浪、風(fēng)暴潮預(yù)報(bào)中應(yīng)用多年，具體公式見文獻(xiàn)［25］和［26］。

3　資料準(zhǔn)備

本文采用資料包括臺(tái)風(fēng)參數(shù)、惠州站實(shí)測(cè)增水?dāng)?shù)據(jù)、惠州站數(shù)值計(jì)算結(jié)果。

臺(tái)風(fēng)參數(shù)來自中國(guó)氣象局熱帶氣旋資料中心的CMA熱帶氣旋最佳路徑數(shù)據(jù)集（http://tcdata. typhoon.gov.cn/zjljsjj_sm.htm），CMA熱帶氣旋最佳路徑數(shù)據(jù)集是熱帶氣旋季節(jié)過后根據(jù)收集到的常規(guī)和非常規(guī)氣象觀測(cè)資料，對(duì)熱帶氣旋的路徑和強(qiáng)度資料進(jìn)行整編而形成。由于目前最佳路徑數(shù)據(jù)集沒有給出7級(jí)大風(fēng)和10級(jí)大風(fēng)半徑參數(shù)，本文所采用的7級(jí)和10級(jí)大風(fēng)半徑來自佛山市氣象局（http://www.fs121.com/Typhoon.aspx）。7級(jí)和10級(jí)大風(fēng)半徑是臺(tái)風(fēng)影響期間，中國(guó)氣象局根據(jù)相關(guān)資料確定的，但是臺(tái)風(fēng)季節(jié)過后，沒有對(duì)此進(jìn)行校正。臺(tái)風(fēng)參數(shù)時(shí)間間隔為6 h，為了計(jì)算的需要，利用線形插值方法，將臺(tái)風(fēng)要素資料插值成間隔為1 h。

惠州站增水資料來自我單位臺(tái)站資料整理結(jié)果，根據(jù)惠州站潮位資料2006—2013年逐時(shí)潮位資料，采用最小二乘法對(duì)惠州站逐時(shí)潮位數(shù)據(jù)進(jìn)行調(diào)和分析，獲得調(diào)和常數(shù)，再用調(diào)和常數(shù)預(yù)報(bào)惠州站天文潮位，最后將惠州站實(shí)測(cè)潮位減去天文潮位獲得惠州站實(shí)測(cè)增水資料，時(shí)間間隔為1 h。本文收集和整理了惠州站2006—2013年臺(tái)風(fēng)風(fēng)暴潮資料。

采用所用搜集到的影響惠州的臺(tái)風(fēng)資料，利用南海近岸精細(xì)化風(fēng)暴潮模型，進(jìn)行模擬，獲得惠州站數(shù)值計(jì)算結(jié)果，計(jì)算結(jié)果時(shí)間間隔為1 h。

4　神經(jīng)網(wǎng)絡(luò)模型的建立和檢驗(yàn)

4.1神經(jīng)網(wǎng)絡(luò)模型的建立

（1）因子的選取

本文主要探討利用神經(jīng)網(wǎng)絡(luò)模型訂正數(shù)值預(yù)報(bào)結(jié)果，因此將數(shù)值預(yù)報(bào)結(jié)果作為神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸入因子。

另外造成臺(tái)風(fēng)風(fēng)暴潮增水的原因很多，有風(fēng)、氣壓、臺(tái)風(fēng)強(qiáng)度、路徑等等，是極其復(fù)雜的過程，為了避免選取的因子過多，使得建立的網(wǎng)絡(luò)不穩(wěn)定，這里只選取風(fēng)暴潮增水影響比較顯著的因子作為輸入因子來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型：臺(tái)風(fēng)中心距惠州站的距離、臺(tái)風(fēng)中心氣壓、臺(tái)風(fēng)中心風(fēng)速和臺(tái)風(fēng)移速、7級(jí)大風(fēng)半徑、10級(jí)大風(fēng)半徑。

（2）模型的建立

本文搜集到2006—2013年惠州站最大增水大于80cm的9次臺(tái)風(fēng)過程（0806、0809、0812、0814、0906、0915、1013、1208、1319），另由于0601號(hào)臺(tái)風(fēng)路徑的特殊，本文也將0601臺(tái)風(fēng)的增水過程作為研究對(duì)象，臺(tái)風(fēng)路徑見圖4。

圖4　0601臺(tái)風(fēng)路徑

為了建立和檢驗(yàn)人工神經(jīng)網(wǎng)絡(luò)，將樣本分成2組，其中將0806、0809、0812、0814、0906、0915、1013 7場(chǎng)臺(tái)風(fēng)影響期間增水大于40 cm的數(shù)據(jù)，作為訓(xùn)練樣本，共有81個(gè)訓(xùn)練樣本，將未參加訓(xùn)練的1208、1319、0601臺(tái)風(fēng)影響期間的數(shù)據(jù)，作為“未知”樣本，由已掌握了知識(shí)信息的神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行預(yù)報(bào)。

輸入層節(jié)點(diǎn)數(shù)

輸入層節(jié)點(diǎn)數(shù)取決于輸入向量的維數(shù)。本文采用惠州站數(shù)值結(jié)果和臺(tái)風(fēng)參數(shù)作為輸入變量，并分多種情況進(jìn)行推算（見表1）。

表1神經(jīng)網(wǎng)絡(luò)輸入層的設(shè)置

隱含層節(jié)點(diǎn)數(shù)

神經(jīng)網(wǎng)絡(luò)的參數(shù)隱層的神經(jīng)元個(gè)數(shù)仍然沒有較好的方法事先確定。過少的神經(jīng)元會(huì)使網(wǎng)絡(luò)缺乏逼進(jìn)能力，過多的神經(jīng)元?jiǎng)t增加訓(xùn)練時(shí)間和降低ANN的反應(yīng)速度。因此，通常是在訓(xùn)練過程中逐漸增加或減少其數(shù)目，直到精度到達(dá)要求為止。本文通過試錯(cuò)法調(diào)試后，隱層節(jié)點(diǎn)數(shù)確定為10（僅1個(gè)隱層）。

輸出層節(jié)點(diǎn)數(shù)

輸出層僅有1個(gè)節(jié)點(diǎn)，輸出因子為惠州站增水。

（3）訓(xùn)練結(jié)果

圖5為訓(xùn)練樣本的訓(xùn)練結(jié)果與實(shí)測(cè)結(jié)果及elcirc模式計(jì)算結(jié)果對(duì)比過程，誤差統(tǒng)計(jì)結(jié)果見表2。從圖表結(jié)果可以看出，訓(xùn)練后的結(jié)果均比ELCIRC更貼合實(shí)測(cè)過程，且誤差均比ELCIRC計(jì)算誤差明顯減小。尤其是ANNa，相對(duì)模型計(jì)算結(jié)果，經(jīng)過網(wǎng)格模型預(yù)測(cè)的增水平均絕對(duì)誤差由30.0 cm下降到10.2 cm，平均相對(duì)誤差由43.8%下降到15.0%，ANNc也將平均絕對(duì)誤差降到13.2 cm，平均相對(duì)誤差也下降到18.9%。

4.2神經(jīng)網(wǎng)絡(luò)模型的結(jié)果

圖5訓(xùn)練樣本的訓(xùn)練結(jié)果、elcirc計(jì)算結(jié)果與實(shí)測(cè)增水過程的對(duì)比

表2訓(xùn)練樣本誤差統(tǒng)計(jì)

在數(shù)值預(yù)報(bào)工作中發(fā)現(xiàn)，位于臺(tái)風(fēng)右半圓的站點(diǎn)，增水預(yù)報(bào)效果一般較好，而位于臺(tái)風(fēng)左半圓的站點(diǎn)，增水預(yù)報(bào)效果則是比較差的，甚至?xí)霈F(xiàn)實(shí)測(cè)為增水，而預(yù)報(bào)為減水的情況，因此檢驗(yàn)樣本除了選擇惠州站位于臺(tái)風(fēng)右半圓的1208號(hào)臺(tái)風(fēng)，還選擇了惠州站位于臺(tái)風(fēng)左半圓的0601號(hào)臺(tái)風(fēng)和1319號(hào)臺(tái)風(fēng)。臺(tái)風(fēng)路徑圖略。

根據(jù)上節(jié)建立好的神經(jīng)網(wǎng)絡(luò)模型，對(duì)0601號(hào)、1208號(hào)、1319號(hào)臺(tái)風(fēng)數(shù)值預(yù)報(bào)增水進(jìn)行訂正。訂正結(jié)果見圖6，統(tǒng)計(jì)結(jié)果見表3。從圖表來看：（1）3種方案的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果均優(yōu)于ELCIRC模式計(jì)算結(jié)果，尤其是0601號(hào)臺(tái)風(fēng)，惠州站位于0601號(hào)臺(tái)風(fēng)的左半圓，從圖上可以看出，數(shù)值模擬結(jié)果與實(shí)測(cè)結(jié)果變化趨勢(shì)是相反的，但經(jīng)過神經(jīng)網(wǎng)絡(luò)模型訂正后的結(jié)果與實(shí)測(cè)變化趨勢(shì)是一致的，并且方案c的訂正結(jié)果與實(shí)測(cè)吻合最好；（2）除了在趨勢(shì)變化上較好的改善外，在最大增水值和最大增水值出現(xiàn)時(shí)間上，也有較大的提高，1208號(hào)數(shù)值預(yù)報(bào)結(jié)果最大增水值比實(shí)測(cè)最大值出現(xiàn)提前2 h，而經(jīng)過神經(jīng)網(wǎng)絡(luò)訂正過的最大增水值出現(xiàn)時(shí)間與實(shí)測(cè)一致；1319號(hào)數(shù)值預(yù)報(bào)的最大增水比實(shí)測(cè)值大60 cm，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型方案a訂正后的最大增水與實(shí)測(cè)值只相差4 cm；

圖6預(yù)測(cè)樣本的神經(jīng)網(wǎng)絡(luò)訂正結(jié)果、elcirc計(jì)算結(jié)果與實(shí)測(cè)增水過程的對(duì)比

從圖表結(jié)果來看，不同神經(jīng)網(wǎng)絡(luò)方案訂正效果不同，對(duì)1319號(hào)臺(tái)風(fēng)來講，方案a有較明顯的提高，但方案c訂正過的最大增水值卻比實(shí)測(cè)大100 cm左右，比訂正前還大；在0601號(hào)臺(tái)風(fēng)過程中，方案c訂正效果最好，方案b其次；相對(duì)1208號(hào)臺(tái)風(fēng)來講，3種方案訂正效果差別不大。究其原因分析有，一是臺(tái)風(fēng)資料的不準(zhǔn)確性，本文所用的臺(tái)風(fēng)資料是根據(jù)線形插值方法插值成間隔為1 h的，與實(shí)際資料并不完全相符，二是大風(fēng)半徑的不準(zhǔn)確，且臺(tái)風(fēng)過后，并沒有根據(jù)相關(guān)資料對(duì)其進(jìn)行訂正；三是惠州站建站較晚，所獲得的樣本資料比較少，樣本資料的多少對(duì)神經(jīng)網(wǎng)絡(luò)模型計(jì)算結(jié)果有很大的影響。

表3預(yù)測(cè)樣本誤差統(tǒng)計(jì)

5　小結(jié)

本文將BP神經(jīng)網(wǎng)絡(luò)引入風(fēng)暴潮數(shù)值預(yù)報(bào)的解釋應(yīng)用中，根據(jù)輸入因子與風(fēng)暴增水的關(guān)系，設(shè)計(jì)了3套神經(jīng)網(wǎng)絡(luò)模型，并利用建立神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)值預(yù)報(bào)結(jié)果進(jìn)行解釋應(yīng)用，從神經(jīng)網(wǎng)絡(luò)輸出結(jié)果來看，所建立的神經(jīng)網(wǎng)絡(luò)在惠州站的訂正效果還是比較滿意的，可以作為惠州站數(shù)值預(yù)報(bào)結(jié)果解釋應(yīng)用的一種方法，同時(shí)也為臺(tái)風(fēng)風(fēng)暴潮數(shù)值預(yù)測(cè)的解釋應(yīng)用提供了新思路。

從訂正結(jié)果可以看出，雖然已經(jīng)取得了很大的進(jìn)展，但該方法在預(yù)報(bào)精度方面仍有提升空間，需要說明的是，作為一種探索，本文預(yù)報(bào)因子的選取、模型的建立以及預(yù)報(bào)個(gè)例的檢驗(yàn)等方面還有許多值得完善、改進(jìn)之處，還有待于進(jìn)一步探索、研究。

參考文獻(xiàn)：

［1］王喜年.風(fēng)暴潮預(yù)報(bào)知識(shí)講座第四講風(fēng)暴潮預(yù)報(bào)技術(shù)（1）［J］.海洋預(yù)報(bào)，2001，18（4）:63-69.

［2］馮士笮.風(fēng)暴潮導(dǎo)論［M］.北京:科學(xué)出版社，1982.

［3］樊曉春，董彥雄，董安祥，等.T213資料在冰雹短期預(yù)報(bào)中的釋用［J］.干旱氣象，2004，22（1）:86-89.

［4］黃輝，陳淑琴.MM5數(shù)值預(yù)報(bào)產(chǎn)品在舟山海域風(fēng)力分區(qū)預(yù)報(bào)中的釋用［J］.海洋預(yù)報(bào)，2006，23（2）:67-71.

［5］徐琳娜，馮漢中.基于數(shù)值預(yù)報(bào)產(chǎn)品的溫度釋用方法比較［J］.四川氣象，2006，26（2）:4-5，14.

［6］應(yīng)爽.日本數(shù)值預(yù)報(bào)產(chǎn)品在溫度預(yù)報(bào)中的釋用［J］.吉林氣象，2007，（2）:21-22，40.

［7］陳舜華，呂純廉，范淦清.用數(shù)值預(yù)報(bào)產(chǎn)品的逐步LOGISTIC動(dòng)力統(tǒng)計(jì)釋用天氣預(yù)報(bào)模型［J］.氣象科學(xué)，1996，16（1）:81-85.

［8］鄭和文，嚴(yán)明良，范淦清.PP法用于江蘇臺(tái)風(fēng)暴雨預(yù)報(bào)的經(jīng)驗(yàn)、結(jié)果和應(yīng)用前景［J］.氣象科學(xué)，1999，16（2）:178-183.

［9］劉鴻升，余功梅.偏北大風(fēng)的數(shù)值預(yù)報(bào)釋用方法研究［J］.氣象科學(xué)，2002，22（1）:100-106.

［10］王太微，陳德輝.數(shù)值預(yù)報(bào)發(fā)展的新方向-集合數(shù)值預(yù)報(bào)［J］.氣象研究與應(yīng)用，2007，28（1）:6-12，24.

［11］蘇兆達(dá)，蘇洵.數(shù)值預(yù)報(bào)產(chǎn)品釋用的閾值法研究［J］.氣象研究與應(yīng)用，2007，28（4）:5-7.

［12］Marzeban C，Witt A.A Bayesian Neural Network for Severe-Hail SizePrediction［J］.WeatherandForecasting，2001，16（5）: 600-610.

［13］McCann D W.A Neural Network Short-Term Forecast of Significant Thunderstorms［J］.Weather and Forecasting，1992，7 （3）:525-534.

［14］Silverman D，Dracup J A.Artificial Neural Networks and Long-Range Precipitation Prediction in California［J］.Journal of Applied Meteorology，2000，39（1）:57-66.

［15］余運(yùn)河，胡邦輝，董文娟，等.BP自適應(yīng)網(wǎng)絡(luò)在數(shù)值預(yù)報(bào)產(chǎn)品的釋用［J］.解放軍理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，4（6）:94-97.

［16］金龍，林熙，金健，等.模塊化模糊神經(jīng)網(wǎng)絡(luò)的數(shù)值預(yù)報(bào)產(chǎn)品釋用預(yù)報(bào)研究［J］.氣象學(xué)報(bào)，2003，61（1）:78-84.

［17］鄧小花，魏立新.運(yùn)行神經(jīng)網(wǎng)絡(luò)方法對(duì)WRF數(shù)值模擬結(jié)果的初步釋用［J］.海洋預(yù)報(bào)，2011，28（6）:17-23.

［18］王培濤，于福江，劉秋興，等.臺(tái)風(fēng)風(fēng)暴潮異模式集合數(shù)值預(yù)報(bào)技術(shù)研究及應(yīng)用［J］.海洋學(xué)報(bào)，2013，35（3）:56-64.

［19］王培濤，于福江，劉秋興，等.福建沿海精細(xì)化臺(tái)風(fēng)風(fēng)暴潮集合數(shù)值預(yù)報(bào)技術(shù)研究及應(yīng)用［J］.海洋預(yù)報(bào)，2010，27（5）:7-15.

［20］苑希民，李鴻雁，劉樹坤，等.神經(jīng)網(wǎng)絡(luò)和遺傳算法在水科學(xué)領(lǐng)域的應(yīng)用［M］.北京:中國(guó)水利水電出版社，2002.

［21］胡守仁，余少波，戴葵.神經(jīng)網(wǎng)絡(luò)導(dǎo)論［M］.長(zhǎng)沙:國(guó)防科技大學(xué)出版社，1993.

［22］朱智慧.BP神經(jīng)網(wǎng)絡(luò)方法在海浪數(shù)值預(yù)報(bào)中的釋用研究［J］.大氣科學(xué)研究與應(yīng)用，2011，（1）:84-91.

［23］齊義泉，張志旭，李志偉，等.人工神經(jīng)網(wǎng)絡(luò)在海浪數(shù)值預(yù)報(bào)中的應(yīng)用［J］.水科學(xué)進(jìn)展，2005，16（1）:32-35.

［24］Zhang Y L，Baptista A M，Myers E P.A Cross-Scale Model for 3D BaroclinicCirculationinEstuary-Plume-ShelfSystems:I. Formulation and Skill Assessment［J］.Continental Shelf Research，2004，24（18）:2187-2214.

［25］周水華，李遠(yuǎn)芳，馮偉忠，等.“0601”號(hào)臺(tái)風(fēng)控制下的廣東近岸浪特征［J］.海洋通報(bào)，2010，29（2）:130-134.

［26］張娟，馮偉忠，李廣敏，等.1003號(hào)臺(tái)風(fēng)“燦都”風(fēng)暴潮特征分析與模擬［J］.海洋通報(bào)，2011，30（4）:367-370.

中圖分類號(hào)：P731.23

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-0239（2016）02-0060-06

DOI:10.11737/j.issn.1003-0239.2016.02.009

收稿日期：2015-08-19

基金項(xiàng)目：國(guó)家海洋局海洋公益性行業(yè)科研專項(xiàng)（201305031-4）

作者簡(jiǎn)介：張娟（1982-），女，工程師，碩士，主要從事海洋環(huán)境預(yù)報(bào)工作。E-mail:zhangjuan8205@126.com

Interpretation of numerical storm surge model results using the artificial neural network

ZHANG Juan，ZHOU Shui-hua，HUANG Bao-xia，ZHANG Min
（Sea Forcasting Center of South China Sea，State Oceanic Administration，Guangzhou 510300 China）

Abstract：In order to apply the BP artificial neural networkd（ANN）method in the forecasting system of storm surge model，three kinds of BP ANN models were established based on the relationship between typhoon parameters and increasing water.Taken Huizhou station as an example，the forecasting results from storm surge model were rectified.The results show that the BP ANN method could improve the forecasting accuracy from storm surge model，and the modeled results have a good agreement with the observed data.Hence，The BP ANN can be a useful measure method to reduce the bias of the simulation.

Key words：the BP artificial neural network；storm surge；interpretation；numerical prediction