基于CEEMD和BP神經(jīng)網(wǎng)絡(luò)的鄱陽(yáng)湖流域旱澇長(zhǎng)期預(yù)測(cè)模型研究

萬(wàn)智巍,蔣梅鑫*,賈玉連,洪祎君,章 鳴

(1.江西師范大學(xué) 地理與環(huán)境學(xué)院 鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室,江西 南昌 330022；2.中國(guó)科學(xué)院 地理科學(xué)與資源研究所 陸地表層格局與模擬重點(diǎn)實(shí)驗(yàn)室,北京 100101)

基于CEEMD和BP神經(jīng)網(wǎng)絡(luò)的鄱陽(yáng)湖流域旱澇長(zhǎng)期預(yù)測(cè)模型研究

萬(wàn)智巍1,蔣梅鑫1*,賈玉連1,洪祎君2,章 鳴1

(1.江西師范大學(xué) 地理與環(huán)境學(xué)院 鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室,江西 南昌 330022；2.中國(guó)科學(xué)院 地理科學(xué)與資源研究所 陸地表層格局與模擬重點(diǎn)實(shí)驗(yàn)室,北京 100101)

基于鄱陽(yáng)湖流域1470～2014年的原始旱澇等級(jí)序列,利用最新的完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition, CEEMD)和BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network),構(gòu)建了鄱陽(yáng)湖流域旱澇的長(zhǎng)期預(yù)測(cè)CEEMD-BP模型。結(jié)果表明：與EEMD相比，CEEMD對(duì)原始數(shù)據(jù)進(jìn)行平穩(wěn)化處理的效果更好，能更有效地提取原始數(shù)據(jù)中隱含的周期信號(hào)和長(zhǎng)期趨勢(shì)；原始數(shù)據(jù)經(jīng)CEEMD分解后得到若干個(gè)本征模函數(shù)(Intrinsic Mode Function, IMF)序列，BP神經(jīng)網(wǎng)絡(luò)可以較好地?cái)M合或預(yù)測(cè)這些IMF序列；CEEMD-BP模型對(duì)鄱陽(yáng)湖流域1985～2014年旱澇等級(jí)序列的預(yù)測(cè)精度優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)的。CEEMD-BP模型對(duì)2015～2064年的長(zhǎng)期預(yù)測(cè)顯示,未來(lái)50年鄱陽(yáng)湖流域的旱澇指數(shù)有先上升后下降的趨勢(shì)。

旱澇;長(zhǎng)期預(yù)測(cè)模型;CEEMD;BP神經(jīng)網(wǎng)絡(luò);鄱陽(yáng)湖流域

Abstract： According to the original drought and flood grade sequences of the Poyang Lake basin from 1470 to 2014, the author constructed an improved long-term prediction model (CEEMD-BP model) for the drought and flood in this basin by using the latest Complete Ensemble Empirical Mode Decomposition (CEEMD) and Back Propagation (BP) neural network. The results showed that CEEMD was more effective than EEMD in the smooth processing of original data, and it could more effectively extract the implied periodic signal and long-term trend from the original data. Several IMF (Intrinsic Mode Function) sequences were obtained from the decomposition of original data by CEEMD, and these IMF sequences could be better simulated or predicted by BP neural network. The predictive accuracy of CEEMD-BP model for the drought and flood grade sequences of the Poyang Lake basin from 1985 to 2014 was better than that of single BP neural network. The CEEMD-BP model predicts that the drought and flood index in the Poyang Lake basin will increase first and then decrease during 2015～2064.

Keywords： Drought and flood; Long-term prediction model; CEEMD; BP neural network; Poyang Lake basin

近年來(lái)全球范圍內(nèi)的極端氣候水文事件屢有發(fā)生,IPCC第5次評(píng)估報(bào)告指出極端氣候水文事件發(fā)生的范圍、強(qiáng)度、頻率已有顯著改變[1];并且由于全球氣候變暖加劇,未來(lái)或?qū)⒂懈l繁更嚴(yán)重的洪水、干旱等極端事件發(fā)生[2-3]。旱澇災(zāi)害帶來(lái)的不利影響直接制約了社會(huì)、經(jīng)濟(jì)發(fā)展和人民生命安全,已引起各國(guó)政府和國(guó)際組織的高度重視,成為當(dāng)前學(xué)術(shù)界研究的熱點(diǎn)領(lǐng)域[4-5]。

為了預(yù)測(cè)和適應(yīng)未來(lái)的旱澇災(zāi)害,采取相應(yīng)的應(yīng)對(duì)策略成為迫切的社會(huì)需求[6]。近年來(lái),很多學(xué)者開(kāi)展了不同地區(qū)的旱澇災(zāi)害變化規(guī)律研究。如曹永強(qiáng)等[7]利用標(biāo)準(zhǔn)化降水指數(shù)等指標(biāo),研究了1961年以來(lái)黃淮海流域旱澇變化特征;袁媛等[8]利用Z指數(shù)等指標(biāo)研究了近40年的巢湖流域旱澇特征。但這些研究大多基于氣象觀測(cè)數(shù)據(jù)進(jìn)行短時(shí)間尺度的旱澇演變規(guī)律的研究。為了進(jìn)行長(zhǎng)時(shí)間尺度的旱澇災(zāi)害預(yù)報(bào),有必要了解歷史上的旱澇災(zāi)害發(fā)生規(guī)律[9]。張丕遠(yuǎn)等[10]利用中國(guó)豐富的歷史文獻(xiàn)資料,系統(tǒng)整理和研究了中國(guó)東部地區(qū)近2000年來(lái)旱澇演化的階段性和突變規(guī)律;張健等[11]利用災(zāi)情史料分析了清代以來(lái)黃河中游地區(qū)旱澇變化特征;魏軍等[12]基于旱澇史料分析了河北省近500年來(lái)的旱澇災(zāi)害特征。

盡管將歷史旱澇資料加入到分析序列中可以提高原始數(shù)據(jù)的長(zhǎng)度,并提高規(guī)律和特征分析的準(zhǔn)確性,但是由于旱澇變化具有典型的非平穩(wěn)、非線性的特征[13],難以直接利用常見(jiàn)的數(shù)理統(tǒng)計(jì)模型進(jìn)行趨勢(shì)外推[14]。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)可以較好地解決非平穩(wěn)序列的非線性映射,被廣泛應(yīng)用于水文、氣象、海洋等領(lǐng)域[15]?？紤]到人工神經(jīng)網(wǎng)絡(luò)屬于純數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè),在建模過(guò)程中無(wú)法考慮具有物理意義的序列本身的演變過(guò)程與特征[16],因此本研究借鑒Huang等[17]提出的經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)和集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)方法,將原始的非線性、非平穩(wěn)的旱澇序列分解為具有一定周期和平穩(wěn)性的本征模函數(shù)(Intrinsic Mode Function, IMF),并以此作為神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入,從而提高預(yù)測(cè)的精度和準(zhǔn)確性。

鄱陽(yáng)湖流域位于我國(guó)的長(zhǎng)江中下游以南,屬于亞熱帶季風(fēng)氣候區(qū)。該地區(qū)降水量時(shí)空分布不勻,季節(jié)性極端水文事件常有發(fā)生,在歷史上屬于旱澇災(zāi)害頻發(fā)地區(qū)[18-20]。隨著全球變化和人類影響的進(jìn)一步加劇,鄱陽(yáng)湖流域極端旱澇災(zāi)害造成的經(jīng)濟(jì)損失持續(xù)增加[21]。目前,有關(guān)鄱陽(yáng)湖流域歷史時(shí)期旱澇演變規(guī)律的研究較少，有關(guān)該流域旱澇長(zhǎng)期預(yù)測(cè)模型的研究更少，僅見(jiàn)王懷清等[18]利用R/S方法分析了鄱陽(yáng)湖流域歷史上的年代際旱澇演化規(guī)律；閔騫等[22]利用災(zāi)害史料分析了鄱陽(yáng)湖湖區(qū)近600年來(lái)10年分辨率的洪水發(fā)生頻率。鑒于此，筆者采用最新提出的EMD改進(jìn)方法CEEMD (Complete Ensemble Empirical Mode Decomposition)[23-25]，結(jié)合BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)[26]，建立CEEMD-BP模型,以鄱陽(yáng)湖流域1470～2014年共545年的旱澇等級(jí)序列為例,對(duì)鄱陽(yáng)湖流域逐年旱澇等級(jí)進(jìn)行了擬合預(yù)測(cè)，以期為該流域長(zhǎng)期旱澇變化規(guī)律研究提供參考,并為提高區(qū)域旱澇長(zhǎng)期預(yù)測(cè)的精度提供新的思路。

1 數(shù)據(jù)與方法

1.1數(shù)據(jù)來(lái)源與處理方法

本研究利用鄱陽(yáng)湖流域11個(gè)代表站點(diǎn)1470～2014年的旱澇指數(shù),采用面積加權(quán)平均方法集成重建了整個(gè)鄱陽(yáng)湖流域的旱澇指數(shù)序列。按照史料的豐富程度、流域分區(qū)和空間代表性原則選取代表站點(diǎn),使其盡量均勻地分布于整個(gè)研究區(qū)內(nèi)(圖1)。

反映各代表站點(diǎn)歷史時(shí)期旱澇等級(jí)的史料主要包括《江西省歷代水旱災(zāi)害輯錄》、《江西水旱災(zāi)害》、《江西省氣候史料》、《江西省洪水調(diào)查資料》、《江西省防汛水情手冊(cè)》、《江西省水文志》、《江西省氣象志》、《中國(guó)氣象災(zāi)害大典(江西卷)》、《中國(guó)近五百年旱澇分布圖集》、《中國(guó)三千年氣象記錄總集》、《清代奏折匯編——農(nóng)業(yè)、環(huán)境》以及研究區(qū)域內(nèi)各縣縣志[27-29]等。集成史料中的相關(guān)旱澇災(zāi)害記錄,再依據(jù)參考文獻(xiàn)[30]中的5級(jí)劃分原則對(duì)各代表站進(jìn)行逐年旱澇等級(jí)劃分。為了與降水?dāng)?shù)據(jù)的變化趨勢(shì)相一致,將“旱、偏旱、正常、偏澇、澇”用1、2、3、4、5級(jí)分別表示,這樣旱澇指數(shù)的數(shù)值越大表示降水量越大。

器測(cè)降水資料主要包括1951～2014年江西省基本氣象站地面氣候資料月值數(shù)據(jù)集(下載于中國(guó)氣象數(shù)據(jù)網(wǎng)http://data.cma.cn/),并按照張德二等提出的平均降水量和標(biāo)準(zhǔn)差方法[31-33]予以確定。這樣最終獲得研究區(qū)域內(nèi)11個(gè)站點(diǎn)1470～2014年旱澇等級(jí)序列,并按照面積加權(quán)平均法得到整個(gè)鄱陽(yáng)湖流域1470～2014年旱澇等級(jí)序列。

圖1 鄱陽(yáng)湖流域和代表站點(diǎn)位置

1.2CEEMD-BP模型的原理

CEEMD-BP模型的基本原理是首先利用CEEMD對(duì)鄱陽(yáng)湖流域1470～2014年旱澇等級(jí)序列進(jìn)行分解,提取旱澇變化過(guò)程中具有物理意義的信號(hào),并降低噪音干擾的影響,得到一系列互相正交、具有不同周期或趨勢(shì)的IMF(本征模函數(shù)),實(shí)現(xiàn)原始序列的平穩(wěn)化和線性化。然后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)分解之后得到的各IMF進(jìn)行獨(dú)立模型預(yù)測(cè),研究其未來(lái)發(fā)展趨勢(shì)。最后,將模型預(yù)測(cè)所得各IMF進(jìn)行重構(gòu),得到原始序列的估計(jì)值。

1.2.1 CEEMD方法 利用EEMD方法的改進(jìn)版本CEEMD方法提取旱澇等級(jí)序列中的周期和趨勢(shì)項(xiàng),確定旱澇變化隱含的周期和最終變化趨勢(shì),具體分解流程見(jiàn)參考文獻(xiàn)[23-25]。分解后得到原始序列的表達(dá)式:

式中: cij(t)表示第i次加入白噪聲后得到的第j個(gè)分量,也稱之為IMF(本征模函數(shù)); rij(t)表示第j次分解信號(hào)后得到的剩余趨勢(shì)項(xiàng)。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)方法 人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦神經(jīng)網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)系統(tǒng),具有很強(qiáng)的自組織性、自適應(yīng)性和自學(xué)習(xí)性。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中使用廣泛的一種[15],其基本原理是認(rèn)為預(yù)測(cè)值和實(shí)測(cè)值之間隱含有某種函數(shù)聯(lián)系,因此可以通過(guò)建立神經(jīng)網(wǎng)絡(luò)來(lái)擬合出這一關(guān)系,并最終給出未來(lái)的預(yù)測(cè)值[34]。理論上業(yè)已證明3層的BP神經(jīng)網(wǎng)絡(luò)就可以實(shí)現(xiàn)任意的連續(xù)映射[35],因此本研究構(gòu)建1個(gè)包括輸入層、中間層和輸出層的3層BP網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模型構(gòu)建(圖2)。輸入層將接收到的輸入信號(hào)傳遞給中間層,經(jīng)處理變換之后傳遞給輸出層。當(dāng)實(shí)際輸出的結(jié)果與預(yù)期差異過(guò)大時(shí),進(jìn)入誤差的反向傳播。誤差通過(guò)輸出層修正各層的權(quán)重,向中間層和輸入層逐級(jí)反饋。BP神經(jīng)網(wǎng)絡(luò)通過(guò)反復(fù)多次的訓(xùn)練與學(xué)習(xí),不斷調(diào)整各層的權(quán)重,最終將輸出誤差降低到允許范圍之內(nèi),完成整個(gè)模型的構(gòu)建和預(yù)測(cè)。

圖2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

2 結(jié)果與分析

2.1鄱陽(yáng)湖流域近545年旱澇序列的CEEMD分解

鄱陽(yáng)湖流域1470～2014年旱澇等級(jí)序列經(jīng)過(guò)CEEMD分解生成了9個(gè)IMF(圖3),其中IMF1～8為周期項(xiàng)，IMF9為長(zhǎng)期趨勢(shì)項(xiàng)。由圖3可以看出：前3個(gè)模態(tài)分量IMF1～3仍然表現(xiàn)出了很強(qiáng)的非線性和非平穩(wěn)性；IMF4～8已經(jīng)具備較好的周期性和比較規(guī)律的波動(dòng)性,其非線性和非平穩(wěn)性已經(jīng)有所下降；IMF9已經(jīng)基本表現(xiàn)出長(zhǎng)期上升的趨勢(shì),代表了原始信號(hào)中的總體變化方向。Huang等[17]的研究指出,如果趨勢(shì)項(xiàng)為單調(diào)上升或單調(diào)下降函數(shù)，則說(shuō)明原始信號(hào)具有明顯的非平穩(wěn)性。由此可見(jiàn),經(jīng)過(guò)CEEMD分解可以得到比原始信號(hào)更加平穩(wěn)的分解信號(hào),這為隨后的BP模型預(yù)測(cè)精度的提高提供了保障。

為了進(jìn)一步說(shuō)明CEEMD分解的有效性,本文將改進(jìn)算法CEEMD的分解結(jié)果和未改進(jìn)算法EEMD的分解結(jié)果進(jìn)行對(duì)比。將分解的絕對(duì)誤差定義為:

式中: AE為絕對(duì)誤差(AbsoluteError); index(t)為原始旱澇序列; IMF為分解后的各模態(tài)和趨勢(shì)項(xiàng)。

圖4(A)為EEMD的分解絕對(duì)誤差,圖中顯示分解后的545個(gè)年份的數(shù)據(jù)誤差基本在0.015左右,部分年份達(dá)到0.045左右。圖4(B)為改進(jìn)的CEEMD的分解絕對(duì)誤差,圖中顯示大部分年份的絕對(duì)誤差為0.42×10-15左右,精度非常高。通過(guò)對(duì)比可以發(fā)現(xiàn)CEEMD的分解效果較未改進(jìn)的EEMD算法有了很大的提高,可以在降低數(shù)據(jù)非線性和非平穩(wěn)性的基礎(chǔ)上較好地?cái)M合原始信號(hào)。

2.2構(gòu)建CEEMD-BP模型

一共有545個(gè)年份的原始數(shù)據(jù)。本研究使用各模態(tài)前515個(gè)年份的資料對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最近的30個(gè)年份,并與1985～2014年的旱澇等級(jí)進(jìn)行對(duì)比和分析。經(jīng)過(guò)反復(fù)調(diào)試,用S型正切函數(shù)(tansig)作為輸入層至中間層的傳遞函數(shù);用線性函數(shù)(purelin)作為中間層至輸出層的傳遞函數(shù);用trainlm作為訓(xùn)練函數(shù);用learngdm作為反向傳播學(xué)習(xí)函數(shù);用mse作為性能分析函數(shù);模型的學(xué)習(xí)率為0.02;誤差邊界值為0.001。

CEEMD-BP模型將2.1中分解所得的IMF1～9分別按照上述步驟進(jìn)行預(yù)測(cè),IMF1～9預(yù)測(cè)值與原始數(shù)據(jù)的對(duì)比結(jié)果如圖5所示。由圖5可以看出：高頻IMF模態(tài)(如IMF1～2)的擬合效果一般,部分年份有較大的誤差,但整體的振蕩趨勢(shì)仍然保持一致；IMF3～9等各模態(tài)的變化趨于平穩(wěn),擬合效果良好。這也說(shuō)明原始數(shù)據(jù)的非線性和非平穩(wěn)性會(huì)影響B(tài)P神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果,利用CEEMD等模態(tài)分解方法降低原始數(shù)據(jù)的非平穩(wěn)性可以提高預(yù)測(cè)效果?？紤]到研究長(zhǎng)期演變規(guī)律時(shí),高頻振蕩對(duì)預(yù)測(cè)結(jié)果影響不大[36],因此在利用CEEMD-BP模型進(jìn)行長(zhǎng)期旱澇預(yù)測(cè)時(shí)可以將高頻信號(hào)濾除。

圖3 旱澇等級(jí)序列的CEEMD分解結(jié)果

圖4 EEMD和CEEMD的分解絕對(duì)誤差

圖5 1985～2014年CEEMD分解各IMF的預(yù)測(cè)值與原始值對(duì)比

2.3預(yù)測(cè)精度分析

為了進(jìn)一步評(píng)價(jià)CEEMD-BP模型的預(yù)測(cè)效果,利用BP神經(jīng)網(wǎng)絡(luò)直接構(gòu)建模型進(jìn)行對(duì)比預(yù)測(cè)。同時(shí)為了避免因消噪處理引起的與原始序列之間的偏差,將IMF1～9進(jìn)行疊加重構(gòu)并進(jìn)行不同建模方法之間的比較。由圖6可以看出：基于CEEMD-BP和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與同期旱澇指數(shù)整體趨勢(shì)基本一致,這兩種模型的預(yù)測(cè)效果都較好,但CEEMD-BP模型的預(yù)測(cè)更不容易出現(xiàn)極端值。

圖6 CEEMD-BP與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的比較

為了全面地評(píng)價(jià)不同模型的擬合精度和誤差,引入均方根誤差(Root Mean Square Error, RMSE)和相關(guān)系數(shù)(R)作為評(píng)價(jià)指標(biāo)判斷模型的優(yōu)劣,其結(jié)果見(jiàn)表1。由表1可以看出：不同模型的預(yù)測(cè)值都與旱澇指數(shù)序列有著較高的相關(guān)性,但是CEEMD-BP模型的預(yù)測(cè)值與旱澇指數(shù)序列間的相關(guān)系數(shù)更高,達(dá)到0.7949；CEEMD-BP模型的均方根誤差也小于BP神經(jīng)網(wǎng)絡(luò)的。因此,可以認(rèn)為CEEMD-BP模型的預(yù)測(cè)精度高于BP神經(jīng)網(wǎng)絡(luò)的。

表1 BP神經(jīng)網(wǎng)絡(luò)與CEEMD-BP模型的預(yù)測(cè)性能比較

2.4模型應(yīng)用

結(jié)合前文對(duì)CEEMD分解后各模態(tài)的平穩(wěn)性的判斷,本研究利用構(gòu)建的CEEMD-BP模型,選取IMF2～8及趨勢(shì)項(xiàng)IMF9對(duì)鄱陽(yáng)湖流域未來(lái)50年的旱澇變化趨勢(shì)進(jìn)行預(yù)測(cè),結(jié)果如圖7所示。在圖7中，鄱陽(yáng)湖流域1470～2014年旱澇指數(shù)的集成重建值的線性傾向?yàn)?.02/100 a,呈上升趨勢(shì)；基于CEEMD-BP模型的1470～2064年旱澇指數(shù)的預(yù)測(cè)值的線性傾向?yàn)?.01/100 a,同樣表現(xiàn)為上升趨勢(shì),但上升速率有所下降,其原因可能是在預(yù)測(cè)值重構(gòu)過(guò)程中去掉了平穩(wěn)性較差的IMF1。由圖7的預(yù)測(cè)結(jié)果可見(jiàn),未來(lái)50年鄱陽(yáng)湖流域的旱澇指數(shù)有一個(gè)先上升后下降的趨勢(shì),未來(lái)可能面臨一定的澇災(zāi)增加的風(fēng)險(xiǎn)。

圖7 CEEMD-BP模型預(yù)測(cè)的鄱陽(yáng)湖流域未來(lái)50年的旱澇變化

3 小結(jié)

本研究結(jié)果表明：(1)基于純數(shù)據(jù)驅(qū)動(dòng)的BP神經(jīng)網(wǎng)絡(luò)在處理非線性、非平穩(wěn)的氣候數(shù)據(jù)時(shí),模型的預(yù)測(cè)能力有較大的波動(dòng),需要預(yù)先對(duì)原始數(shù)據(jù)進(jìn)行平穩(wěn)化處理；(2)CEEMD-BP模型通過(guò)CEEMD分解技術(shù)將原始旱澇指數(shù)序列分解為較為平穩(wěn)的不同模態(tài)序列,在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)對(duì)各IMF模態(tài)進(jìn)行預(yù)測(cè)，其預(yù)測(cè)效果優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)的；(3) CEEMD-BP模型的長(zhǎng)期預(yù)測(cè)顯示,未來(lái)50年鄱陽(yáng)湖流域的旱澇指數(shù)有先上升后下降的趨勢(shì)。

[1] IPCC. Climate change 2013: the physical science basis: working group Ⅰ contribution to the fifth assessment report of the intergovernmental panel on climate change [M]. New York: Cambridge University Press, 2013.

[2] Schiermeier Q. Increased flood risk linked to global warming [J]. Nature, 2011, 470(7334): 316.

[3] IPCC. Climate change 2014: impacts, adaptation, and vulnerability [M]. New York: Cambridge University Press, 2014.

[4] Skakun S, Kussul N, Shelestov A, et al. Flood hazard and flood risk assessment using a time series of satellite images: a case study in Namibia [J]. Risk Analysis, 2014, 34(8): 1521-1537.

[5] Dankers R, Feyen L. Climate change impact on flood hazard in Europe: an assessment based on high-resolution climate simulations [J]. Journal of Geophysical Research: Atmospheres, 2008, 113(D19105): 10-1029.

[6] 楊蓉蓉,董婕.氣候變暖背景下甘肅省氣象災(zāi)害發(fā)生趨勢(shì)[J].江西農(nóng)業(yè)學(xué)報(bào),2015,27(11):77-82.

[7] 曹永強(qiáng),曹陽(yáng),徐丹.1961～2010年黃淮海流域旱澇時(shí)空變化特征[J].資源科學(xué),2015,37(10):2068-2077.

[8] 袁媛,王心源,李祥,等.巢湖流域旱澇時(shí)空特性分析[J].災(zāi)害學(xué),2007,22(2):97-100.

[9] Baker V R. Paleoflood hydrology: origin, progress, prospects [J]. Geomorphology, 2008, 101(1): 1-13.

[10] 張丕遠(yuǎn),葛全勝,張時(shí)煌,等.2000年來(lái)我國(guó)旱澇氣候演化的階段性和突變[J].第四紀(jì)研究,1997,17(1):12-20.

[11] 張健,滿志敏,肖薇薇,等.1644～2009年黃河中游旱澇序列重建與特征診斷[J].地理研究,2013,32(9):1579-1590.

[12] 魏軍,陳小雷,俞海洋,等.1470～2014年河北省旱澇災(zāi)害特征研究[J].干旱區(qū)資源與環(huán)境,2016,30(12):103-109.

[13] 任博,薛澤宇,任全志.基于EMD的凌河流域降水徑流預(yù)測(cè)模型研究[J].人民黃河,2016,38(6):63-65.

[14] 范垂仁,夏軍,張利平,等.中國(guó)水旱災(zāi)害長(zhǎng)期預(yù)報(bào)[M].北京：中國(guó)水利水電出版社,2008.

[15] 李雙成,鄭度.人工神經(jīng)網(wǎng)絡(luò)模型在地學(xué)研究中的應(yīng)用進(jìn)展[J].地球科學(xué)進(jìn)展,2003,18(1):68-76.

[16] 潘春花,孫燕,朱存.太陽(yáng)黑子活動(dòng)周期特征的神經(jīng)網(wǎng)絡(luò)和小波分析[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(3):158-161.

[17] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J]. Proceedings of the Royal Society of London a: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.

[18] 王懷清,殷劍敏,孔萍,等.鄱陽(yáng)湖流域千年旱澇變化特點(diǎn)及R/S分析[J].長(zhǎng)江流域資源與環(huán)境,2015,24(7):1214-1220.

[19] 楊巧言.江西省自然地理志[M].北京：方志出版社,2003.

[20] 王懷清,殷劍敏,孔萍,等.采用模糊分類法構(gòu)建鄱陽(yáng)湖流域旱澇文獻(xiàn)代用資料序列[J].江西農(nóng)業(yè)學(xué)報(bào),2015(12):89-93.

[21] 李斌,李潔.基于SPEI的鄱陽(yáng)湖流域旱澇特征分析[J].水資源研究,2016(5):488-494.

[22] 閔騫,汪澤培.鄱陽(yáng)湖近600年洪水規(guī)律的分析[J].湖泊科學(xué),1994,6(4):375-383.

[23] Torres M E, Colominas M A, Schlotthauer G, et al. A complete ensemble empirical mode decomposition with adaptive noise [C]. 2011.

[24] Colominas M A, Schlotthauer G, Torres M E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing [J]. Biomedical Signal Processing and Control, 2014, 14: 19-29.

[25] Yeh J, Shieh J, Huang N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method [J]. Advances in Adaptive Data Analysis, 2010, 2(2): 135-156.

[26] Chauvin Y, Rumelhart D E. Backpropagation: theory, architectures, and applications [M]. Psychology Press, 1995.

[27] 張德二.中國(guó)三千年氣象記錄總集[M].南京：江蘇教育出版社,2013.

[28] 葛全勝.清代奏折匯編：農(nóng)業(yè)、環(huán)境[M].北京：商務(wù)印書(shū)館,2005.

[29] 江西省氣象志編纂委員會(huì).江西省氣象志[M].北京：方志出版社,1997:1-354.

[30] 中央氣象局氣象科學(xué)研究院.中國(guó)近五百年旱澇分布圖集[M].北京：地圖出版社,1981.

[31] 張德二,李小泉,梁有葉.《中國(guó)近五百年旱澇分布圖集》的再續(xù)補(bǔ)(1993～2000年)[J].應(yīng)用氣象學(xué)報(bào)，2003,14(3):379-384.

[32] 張德二,劉傳志,江劍民.中國(guó)東部6區(qū)域近1000年干濕序列的重建和氣候躍變分析[J].第四紀(jì)研究，1997,17(1):1-11.

[33] 張德二,劉傳志.《中國(guó)近五百年旱澇分布圖集》續(xù)補(bǔ)(1980～1992年)[J].氣象，1993(11):41-45.

[34] 徐建華.現(xiàn)代地理學(xué)中的數(shù)學(xué)方法[M].北京：高等教育出版社,2002.

[35] Kitahara M, Achenbach J D, Guo Q C, et al. Neural network for crack-depth determination from ultrasonic backscattering data [M]. Brunswick: Plenum Press, 1992.

[36] Wijnen H J V, Bakker J P. Long-term surface elevation change in salt marshes: a prediction of marsh response to future sea-level rise [J]. Estuarine Coastal & Shelf Science, 2001, 52(3): 381-390.

(責(zé)任編輯:黃榮華)

StudyonLong-termPredictionModelforDroughtandFloodinPoyangLakeBasinBasedonCEEMDandBPNeuralNetwork

WAN Zhi-wei1, JIANG Mei-xin1*, JIA Yu-lian1, HONG Yi-jun2, ZHANG Ming1

(1. Key Laboratory of Poyang Lake Wetland and Watershed Research of Educational Ministry, School of Geography and Environment, Jiangxi Normal University, Nanchang 330022, China; 2. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographical Sciences and Natural Resources, Chinese Academy of Sciences, Beijing 100101, China)

S422；S423

A

1001-8581(2017)10-0108-06

2017-07-04

江西省自然科學(xué)基金項(xiàng)目(20161BAB213075);鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目(PK2015003); 江西省重大生態(tài)安全問(wèn)題監(jiān)控協(xié)同創(chuàng)新中心項(xiàng)目(JXS-EW-00);江西省教育廳科學(xué)技術(shù)研究項(xiàng)目(GJJ150305)；江西師 范大學(xué)博士啟動(dòng)基金項(xiàng)目(6902)。

萬(wàn)智巍(1984─),男,江西南昌人,講師,博士,主要從事全球變化與歷史水文學(xué)研究。*通訊作者:蔣梅鑫。