人工神經(jīng)網(wǎng)絡(luò)在月降水量預(yù)測業(yè)務(wù)中的研究和應(yīng)用綜述

何 慧，陸 虹，覃衛(wèi)堅，陸芊芊

（廣西壯族自治區(qū)氣候中心，南寧 530022）

引言

我國地處季風(fēng)氣候區(qū)，受低緯度熱帶天氣系統(tǒng)和中高緯度天氣系統(tǒng)的交替影響，降雨量時空分布嚴(yán)重不均，尤其是夏季，各月降雨量的年際變率很大，常因強(qiáng)降雨的集中發(fā)生，導(dǎo)致河水暴漲、洪水泛濫、城市內(nèi)澇、滑坡泥石流等，造成巨大的經(jīng)濟(jì)損失，甚至危及人民生命。另一方面，由于月、季降水量年際變化差異極大，致使干旱也頻繁發(fā)生，對農(nóng)業(yè)、林業(yè)、江河航運、旅游、水力發(fā)電及人民生活造成不同程度影響。然而，月、季降水量的年際變化具有顯著的非線性、時變性特征，影響其變化的因素很多、很復(fù)雜，因此預(yù)測難度大，歷來為重大氣象災(zāi)害預(yù)測的重點和難點問題。

目前國內(nèi)外大氣學(xué)科研究和業(yè)務(wù)，從不同角度出發(fā)，開展月、季時間尺度的降水量短期氣候預(yù)測，主要預(yù)測方法研究可分為數(shù)理統(tǒng)計預(yù)報方法、動力模式方法，以及動力統(tǒng)計預(yù)報三種方法。然而，所涉及的氣候異常變化因子具有多樣性和復(fù)雜性，以及這些因子相互作用的不確定性，相互作用的機(jī)理的認(rèn)識還遠(yuǎn)遠(yuǎn)不夠等實際問題，困擾了月、季降水量預(yù)測準(zhǔn)確性的提高。因此，如何改進(jìn)和提高月、季降水量預(yù)報準(zhǔn)確性，一直受到國內(nèi)外大氣學(xué)科學(xué)者的廣泛關(guān)注［1-6］。

如何深度挖掘隱藏在海量數(shù)據(jù)中的天氣氣候變化的物理機(jī)制，探索對其演變規(guī)律有指示意義的信號和建立新的短期氣候預(yù)測方法，人工智能技術(shù)可以提供一種新的重要途徑。人工智能技術(shù)為如何從海量數(shù)據(jù)中發(fā)掘有用的特征信息，提高數(shù)據(jù)核心信息的利用率，更有效的發(fā)掘提取模型，數(shù)據(jù)集的有效預(yù)報信息，提供了新的有效方法，已逐漸成為各行業(yè)專家和學(xué)者們關(guān)注的熱點［7-11］。目前大氣學(xué)科中采用神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)，遺傳算法，深度學(xué)習(xí)等非線性智能計算技術(shù)方法，在月、季降水量預(yù)報建模研究中，取得了很好的應(yīng)用和研究成果。本文將從月、季降水量的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測研究和業(yè)務(wù)應(yīng)用等方面分別進(jìn)行綜述，以期為氣象工作者開展繼續(xù)深入研究提供有益參考。

1 月降水量預(yù)測的BP 神經(jīng)網(wǎng)絡(luò)方法

Back propagation（BP）神經(jīng)網(wǎng)絡(luò)具有高度的非線性映射能力，可以以任意精度逼近任意的連續(xù)函數(shù)，是目前應(yīng)用較廣的網(wǎng)絡(luò)模型，特別適合于求解內(nèi)部機(jī)制復(fù)雜的非線性問題，因此在氣象學(xué)科的實際應(yīng)用問題中獲得了成功［7］。BP 算法由輸入層、輸出層和若干隱層組成，主要設(shè)計思想是采用有導(dǎo)師的學(xué)習(xí)訓(xùn)練方式，將輸入信號通過隱層和輸出層節(jié)點的處理計算得到的網(wǎng)絡(luò)實際輸出與期望輸出相比較，利用前饋網(wǎng)絡(luò)的誤差逆?zhèn)鞑W(xué)習(xí)算法，反復(fù)修正輸入層到隱層、隱層到輸出層的連接權(quán)系數(shù)，直到網(wǎng)絡(luò)實際計算輸出與期望輸出的誤差達(dá)到預(yù)先設(shè)定的誤差收斂標(biāo)準(zhǔn)，則停止訓(xùn)練，從而獲得泛化能力較好的網(wǎng)絡(luò)模型［7］。

21 世紀(jì)以來國內(nèi)外廣泛開展了BP 神經(jīng)網(wǎng)絡(luò)的氣象預(yù)報預(yù)測研究，并取得了較好的成果。在降水量預(yù)測研究和應(yīng)用中，BP 神經(jīng)網(wǎng)絡(luò)結(jié)合了多種算法，取長補(bǔ)短，使其不斷完善，其中應(yīng)用較廣的主要有PCA-BP 神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型、小波神經(jīng)網(wǎng)絡(luò)模型、粒子群神經(jīng)網(wǎng)絡(luò)模型等。

1.1 PCA-BP 神經(jīng)網(wǎng)絡(luò)模型

主成分分析（Principal Component Analysis，PCA）是通過正交變換將一組可能存在相關(guān)性的變量，轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。PCA 是一種降維方法，可以將多維向量空間場資料壓縮到幾個主要模態(tài)的特征提取方法，可以從隨機(jī)噪聲干擾的氣象場有效提取主要信號特征。劉婷婷等［12］通過對PCA 和自然正交（Empirical Orthogonal Function，EOF）展開兩種分析方法推導(dǎo)過程的比較，認(rèn)為當(dāng)變量是距平或標(biāo)準(zhǔn)化距平時，兩者分析方法相同。胡江林等［13］用前期500hPa 月平均高度場、海平面氣壓和太平洋海溫場的擴(kuò)展EOF 展開的前幾個主成分作為神經(jīng)網(wǎng)絡(luò)模型的輸入，建立了汛期降水的神經(jīng)網(wǎng)絡(luò)短期氣候預(yù)測模型。王業(yè)宏和金龍［14］從前期500hPa 高度場、海溫場查找月降水量的初選預(yù)報因子，并作EOF 展開，然后選取與預(yù)報量相關(guān)程度高的主成分作為預(yù)測模型的輸入，建立一種新的神經(jīng)網(wǎng)絡(luò)月降水量氣候預(yù)測模型。該模型能有效地利用神經(jīng)網(wǎng)絡(luò)方法的非線性映射能力、且穩(wěn)定性好，預(yù)測效果顯著提高。吳有訓(xùn)等［15］采用PCA 分析方法，構(gòu)造網(wǎng)絡(luò)學(xué)習(xí)矩陣，降低矩陣維數(shù)，提高網(wǎng)絡(luò)預(yù)測模型泛化性能，建立汛期降水神經(jīng)網(wǎng)絡(luò)預(yù)測模型，該模型對歷年樣本擬合精度高，試報效果較好。而牛志娟等［16］應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)、PCA-BP神經(jīng)網(wǎng)絡(luò)和偏最小二乘（PLS）算法建立了三種月降水量預(yù)測模型，通過比較發(fā)現(xiàn)PLS 模型的預(yù)測能力優(yōu)于其它兩種模型，PCA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測能力次之。

1.2 RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

徑向基（Radial Basis Funtion，簡稱RBF）神經(jīng)網(wǎng)絡(luò)是BP 神經(jīng)網(wǎng)絡(luò)的一種特例，具有最佳逼近、訓(xùn)練簡潔、學(xué)習(xí)收斂速度快以及克服局部最小值問題的性能，可從根本上解決BP 網(wǎng)絡(luò)的局部最優(yōu)問題，因此被廣泛應(yīng)用于模式識別、非線性控制和圖像處理等領(lǐng)域。薛宇峰等［17］以湛江地區(qū)月降水量為時間序列，建立了一種智能型的RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)，并進(jìn)行了測試預(yù)報和獨立樣本預(yù)測。結(jié)果顯示，該模型預(yù)測效果明顯優(yōu)于線性自回歸預(yù)測模型，可為本地區(qū)提供一種客觀化、自動化的短期氣候預(yù)測方法。閉祖良等［18］應(yīng)用RBF 神經(jīng)網(wǎng)絡(luò)與馬爾可夫相結(jié)合，建立R-M 降水量預(yù)測模型，實例驗證結(jié)果令人滿意。馮亞文等［19］運用反向傳播神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)和多元線性回歸法，建立月降水預(yù)測模型，用以預(yù)測長江上游各站未來一個月的降水量，總體上，人工神經(jīng)網(wǎng)絡(luò)模型優(yōu)于多元線性回歸。季剛等［20］綜合運用RBF 神經(jīng)網(wǎng)絡(luò)建立月降水量預(yù)測模型，預(yù)測結(jié)果明顯好于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)。郭皓等［21］構(gòu)建了基于K-均值算法的RBF 降水預(yù)測模型用于汛期月降水量預(yù)報中，有較好的預(yù)測效果。

1.3 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network，WNN）是在小波分析研究獲得突破的基礎(chǔ)上提出的一種人工神經(jīng)網(wǎng)絡(luò)，它作為國際上新興的一種數(shù)學(xué)建模分析方法，充分繼承了小波變換良好的時頻局部化性質(zhì)及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能和極強(qiáng)的非線性能力等優(yōu)點。崔屾等［22］通過建立WNN 模型的方法，預(yù)測錦州市年降水量，結(jié)果表明該模型在對降雨量數(shù)據(jù)進(jìn)行預(yù)測分析時具有較大優(yōu)勢。侯澤宇等［23］選擇BP網(wǎng)絡(luò)建立降水量預(yù)測模型，隱含層激發(fā)函數(shù)選取Morlet 小波，利用月降水資料對模型進(jìn)行訓(xùn)練、檢驗，進(jìn)而對降水量進(jìn)行預(yù)測研究。結(jié)果表明，WNN 預(yù)測模型結(jié)構(gòu)簡單，收斂速度快，對降水量的變化趨勢預(yù)測準(zhǔn)確，具有較高的實際應(yīng)用價值，但其對于降水量具體值的預(yù)測精度有待提高。董海彪等［24］運用WNN 方法預(yù)測吉林西部月降水量最大值、最小值和平均值，該方法精度較高、結(jié)果可靠。張帥等［25］選取了前饋神經(jīng)網(wǎng)絡(luò)模型、WNN 模型和整合移動平均自回歸模型進(jìn)行驗證比較。結(jié)果表明，WNN 模型訓(xùn)練結(jié)果與實際值接近，預(yù)測精度較高。但熊海晶等［26］建立的BP 神經(jīng)網(wǎng)絡(luò)和WNN 月降水量預(yù)測模型，實例預(yù)測結(jié)果表明WNN 模型在某些年份預(yù)報誤差較大，需要在實踐中將多種預(yù)報方法相互驗證和校核，以提高預(yù)報精度。

1.4 基于遺傳算法的BP 網(wǎng)絡(luò)模型

遺傳算法（Genetic Algorithms，GA）是一種不依賴于梯度信息的群體搜索計算方法，可以獲得較佳的網(wǎng)絡(luò)結(jié)構(gòu)，對于復(fù)雜非線性問題的求解十分有效，可以進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)方法的預(yù)報精度和增強(qiáng)預(yù)測模型的穩(wěn)定性。吳建生和金龍［27］針對BP 神經(jīng)網(wǎng)絡(luò)在實際氣象預(yù)報應(yīng)用中，網(wǎng)絡(luò)結(jié)構(gòu)難以確定以及網(wǎng)絡(luò)極易陷入局部解問題，用GA 優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)，建立GA-BP 網(wǎng)絡(luò)模型，并以廣西的月降水量進(jìn)行實例分析，表明該方法預(yù)報精度高、而且穩(wěn)定。吳有訓(xùn)等［28］以安徽宣城市汛期降水為例，建立GA-BP 網(wǎng)絡(luò)預(yù)測模型，該方法計算穩(wěn)定，預(yù)報誤差小，可在實際預(yù)報中應(yīng)用。胡邦輝等［29］建立了長江中下游汛期降水短期氣候預(yù)測GA-BP模型，并對汛期的降水量進(jìn)行預(yù)測試驗，結(jié)果表明用競爭選擇法、自適應(yīng)交叉、變異和精英策略法組合構(gòu)成的遺傳算子方案預(yù)測值與觀測值較為接近。

1.5 粒子群—神經(jīng)網(wǎng)絡(luò)模型

粒子群優(yōu)化（Particle Swarm Optimization，PSO）解決了BP 神經(jīng)網(wǎng)絡(luò)易陷入局部極小，收斂速度慢和易引起振蕩的固有缺陷，其基本思想是：首先采用改進(jìn)粒子群優(yōu)化算法，反復(fù)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型的權(quán)值參數(shù)組合，再用BP 算法對得到的網(wǎng)絡(luò)參數(shù)進(jìn)一步精確優(yōu)化，最后用精確的最優(yōu)參數(shù)組合進(jìn)行預(yù)測［30］。徐以山等［31］建立一種基于改進(jìn)粒子群算法的人工神經(jīng)網(wǎng)絡(luò)（PSO-ANN）模型，通過對比表明，該模型具有較高的準(zhǔn)備預(yù)報能力和穩(wěn)定性。吳有訓(xùn)等［32］用PSO-ANN，建立降水量短期氣候預(yù)測模型，對安徽宣城夏季各月降水預(yù)報檢驗，結(jié)果表明PSOANN 收斂速度快，迭代次數(shù)少，預(yù)測精度高，具有很好的推廣應(yīng)用前景。蔣林利和吳建生［33］對PSO-ANN模型、GA-神經(jīng)網(wǎng)絡(luò)模型和時間序列模型方法進(jìn)行對比，認(rèn)為PSO-ANN 模型學(xué)習(xí)能力強(qiáng)、泛化性能高和有效提高系統(tǒng)預(yù)測的準(zhǔn)確率。王漢濤等［34］引入遺傳、粒子群和蟻群3 種仿生算法，用于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，試驗結(jié)果顯示，3 種仿生算法都降低了BP 神經(jīng)網(wǎng)絡(luò)陷入局部最小以及過擬合的風(fēng)險，但PSO 模型在月降水預(yù)測中誤差并非最小。

2 神經(jīng)網(wǎng)絡(luò)在廣西月降水量預(yù)測的應(yīng)用

BP 神經(jīng)網(wǎng)絡(luò)以其自學(xué)習(xí)、自適應(yīng)和容錯性等一系列優(yōu)點，在廣西短期氣候預(yù)測業(yè)務(wù)中得到廣泛應(yīng)用，并取得了較好的效果。在廣西月降水量的神經(jīng)網(wǎng)絡(luò)建模預(yù)測中，結(jié)合的算法或統(tǒng)計方法，主要有均生函數(shù)、EOF 展開、遺傳算法、粒子群算法等。

在結(jié)合均生函數(shù)（Mean Generating Function，MGF）的神經(jīng)網(wǎng)絡(luò)預(yù)測方面，金龍等［35］利用人工神經(jīng)網(wǎng)絡(luò)方法結(jié)合MGF 和多元分析方法，提出了一種同時考慮預(yù)報量自身顯著變化周期和外生變量因子對預(yù)報量未來變化影響的混合預(yù)測模型，該模型比單純采用時間序列統(tǒng)計預(yù)報方法或多元分析統(tǒng)計預(yù)報方法具有更好的預(yù)報效果，且具有更好的物理基礎(chǔ)和預(yù)報能力。李永華和金龍［36］采用奇異譜分析（SSA）方法進(jìn)行準(zhǔn)周期信號分量重建，將重建序列構(gòu)造MGF 延拓矩陣作為輸入因子，原樣本序列作為輸出因子，得到基于SSA-MGF 的BP 神經(jīng)網(wǎng)絡(luò)多步預(yù)測模型，該模型具有較高應(yīng)用價值。吳建生和金龍［37］采用基于SSA-MGF 的BP 神經(jīng)網(wǎng)絡(luò)對廣西全區(qū)6 月份降水量進(jìn)行實際預(yù)測建模，并與其它方法進(jìn)行對比預(yù)測試驗，結(jié)果表明，該預(yù)測模型預(yù)測精度高、效果穩(wěn)定，可用于實際業(yè)務(wù)。

在結(jié)合EOF 降維技術(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測方面，金龍和況雪源等［38］針對神經(jīng)網(wǎng)絡(luò)預(yù)報建模中，預(yù)測模型容易出現(xiàn)“過擬合”和學(xué)習(xí)能力好而泛化性能差的關(guān)鍵問題，采用降維處理技術(shù)，可防止神經(jīng)網(wǎng)絡(luò)預(yù)測模型在學(xué)習(xí)訓(xùn)練時，出現(xiàn)“過擬合”現(xiàn)象和提高神經(jīng)網(wǎng)絡(luò)的泛化性能。覃志年等［39］采用EOF 方法將眾多具有一定物理意義的環(huán)境場預(yù)報因子和序列周期因子進(jìn)行降維去噪處理，并結(jié)合前饋網(wǎng)絡(luò)模型，進(jìn)行了夏季（6—8 月）降水量預(yù)測研究，該方法對于廣西夏季降水具有很好的預(yù)報能力。何慧等［40］利用月動力延伸集合預(yù)報產(chǎn)品及其派生變量，對廣西6 月降水量作BP 神經(jīng)網(wǎng)絡(luò)降尺度釋用預(yù)報，結(jié)果表明，利用同期綜合因子建立的預(yù)測模型，擬合精度優(yōu)于利用前期綜合因子建立的模型，但預(yù)測效果依賴于月動力延伸集合預(yù)報產(chǎn)品。

在RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測方面，農(nóng)吉夫等［41］采用RBF 神經(jīng)網(wǎng)絡(luò)與PCA 相結(jié)合的方法，得到預(yù)測結(jié)果較準(zhǔn)確的廣西中部5 月平均降水預(yù)測模型。蔣林利和吳建生［42］采用二分搜索密度峰聚類算法找到數(shù)據(jù)中心值及數(shù)據(jù)簇類個數(shù)，作為RBF 神經(jīng)網(wǎng)絡(luò)的初始參數(shù)和隱藏層節(jié)點數(shù)，建立廣西月降水量預(yù)測模型，預(yù)報性能良好。

在GA 優(yōu)化神經(jīng)網(wǎng)絡(luò)方面，金龍等［43］以廣西全區(qū)4 月份平均降水作為預(yù)報量，建立基于GA 的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，該模型具有預(yù)報精度高，穩(wěn)定性好等特點。吳建生等［44-45］建立旱澇災(zāi)害的GA-BP 網(wǎng)絡(luò)模型，并以廣西的月降水量進(jìn)行實例預(yù)測分析表明，該方法預(yù)報精度高、而且穩(wěn)定。農(nóng)吉夫等［46-47］建立GA-BP 神經(jīng)網(wǎng)絡(luò)模型，對廣西北部地區(qū)5 月平均降水量進(jìn)行預(yù)測，通過與逐步回歸模型比較，表明該方法的預(yù)測精度較高。

在PSO-ANN 模型預(yù)測方面，吳建生等［48-49］用多樣性粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)，獲得神經(jīng)網(wǎng)絡(luò)集成個體，進(jìn)一步用二次規(guī)劃方法，生成神經(jīng)網(wǎng)絡(luò)集成的輸出結(jié)論，進(jìn)行短期降水預(yù)報建模研究，以廣西全區(qū)的6 月降水量實例分析，PSO-ANN 模型預(yù)測的10a 平均相對誤差為10.92%，其預(yù)測能力遠(yuǎn)遠(yuǎn)好于BP 模型的31.03%和PLS 模型的27.34%，同時也對廣西全區(qū)的7 月、8 月降水量進(jìn)行預(yù)測，結(jié)果同樣表明，PSO-ANN 模型的預(yù)測效果優(yōu)于傳統(tǒng)的PLS 模型和BP 模型。覃衛(wèi)堅等［50］利用PSO-ANN 建模預(yù)測華南夏季降水量，預(yù)測效果略好于國家氣候中心第二代海-陸-冰-氣耦合的氣候系統(tǒng)動力模式。從7a 華南出現(xiàn)異常降水年份的預(yù)報試驗來看，預(yù)報與實況同號率高達(dá)到85.7%。另外，PSO-ANN 預(yù)測方法在延伸期暴雨預(yù)報中也得到初步應(yīng)用，覃衛(wèi)堅等［51］利用該方法對廣西延伸期定量化暴雨綜合強(qiáng)度進(jìn)行預(yù)報，預(yù)報誤差明顯小于逐步回歸方法。由于粒子群-神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)能力強(qiáng)、泛化性能高，能有效提高月降水預(yù)測的準(zhǔn)確率，因此將該模型編入“廣西氣候預(yù)測智能化格點業(yè)務(wù)平臺”，成為廣西月降水趨勢預(yù)測的主要工具。

未來3～5a，廣西將在月降水量的深度學(xué)習(xí)方面，進(jìn)行協(xié)同進(jìn)化支持向量機(jī)短期氣候混合預(yù)測模型研究。針對月降水量的非線性變化特征，以及降水量未來變化受眾多外生變量影響因子和自身重要周期變化的綜合影響的特點，探索采用深度學(xué)習(xí)結(jié)合小樣本機(jī)器學(xué)習(xí)理論和多種非線性智能計算優(yōu)化算法，進(jìn)行新的短期氣候預(yù)報建模理論方法應(yīng)用研究，不僅可以改進(jìn)和提高旱澇氣象災(zāi)害的防災(zāi)減災(zāi)能力，也是開拓月降水預(yù)測與信息學(xué)科、人工智能技術(shù)交叉學(xué)科的創(chuàng)新研究。

3 小結(jié)與討論

由于多數(shù)氣象災(zāi)害的變化受多重因素的綜合影響和隨時間變化等特點，大多具有顯著的非線性、時變性特征，因而大氣學(xué)科中也越來越重視人工智能、機(jī)器學(xué)習(xí)和非線性智能計算的氣象預(yù)報建模研究應(yīng)用。BP 神經(jīng)網(wǎng)絡(luò)方法具有很好的處理非線性問題的能力，是目前應(yīng)用較廣的網(wǎng)絡(luò)模型，特別適合于求解內(nèi)部機(jī)制復(fù)雜的非線性問題，因此在氣象學(xué)科的實際應(yīng)用中獲得了成功。在降水量預(yù)測研究和應(yīng)用中，BP 神經(jīng)網(wǎng)絡(luò)結(jié)合多種算法或統(tǒng)計方法，取長補(bǔ)短，不斷完善，目前應(yīng)用較廣的主要有PCA-BP 神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型、小波神經(jīng)網(wǎng)絡(luò)模型、粒子群-神經(jīng)網(wǎng)絡(luò)模型等，這些方法也在廣西月降水量預(yù)測業(yè)務(wù)中得到很好的應(yīng)用，對提高月降水量預(yù)測能力有較大幫助。

同時在利用支持向量機(jī)、深度學(xué)習(xí)、分類樹、隨機(jī)森林等機(jī)器學(xué)習(xí)方法建立的氣象預(yù)報預(yù)測模型研究中，不少的研究結(jié)果都表明，非線性智能計算預(yù)報建模方法比線性的多元統(tǒng)計預(yù)測模型具有更好的效果［52-53］。鑒于人工智能在氣象預(yù)報預(yù)測中的明顯優(yōu)勢，未來廣西氣候預(yù)測業(yè)務(wù)中，將采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等非線性智能計算技術(shù)方法，開展各種月、季尺度的不同氣象災(zāi)害預(yù)報建模研究，滿足防災(zāi)減災(zāi)服務(wù)需求。

在神經(jīng)網(wǎng)絡(luò)建模預(yù)報中，輸入樣本數(shù)的多寡，會關(guān)系到泛化能力等諸多問題，所以我們希望得到盡可能大的樣本規(guī)模，然而目前月降水量和多數(shù)氣象觀測資料長度最多只有幾十年，這是神經(jīng)網(wǎng)絡(luò)在短期氣候預(yù)測中的一個不足之處。另外，在不同的氣候區(qū)域，受不同的氣候、地理條件影響，不同區(qū)域的月、季時間尺度的降水短期氣候預(yù)測，需要面對不同的空間區(qū)域和隨時間變化的平均環(huán)流場、平均海溫場以及氣候系統(tǒng)監(jiān)測指數(shù)等多種數(shù)據(jù)源。而要建立適合不同氣候區(qū)月降水量的人工智能技術(shù)短期氣候預(yù)報建模理論新方法，不僅需要解決如何從影響月降水量變化的多元數(shù)據(jù)集中，進(jìn)行預(yù)報信息的數(shù)據(jù)挖掘分析計算和特征提取計算處理，挖掘真正有效的預(yù)報信息，來提高預(yù)測模型的泛化性能。如何改進(jìn)和選擇更合理的深度學(xué)習(xí)網(wǎng)絡(luò)模型和非線性智能計算方法，避免預(yù)測模型出現(xiàn)“過擬合”和“欠擬合”問題［38］，客觀計算確定預(yù)測模型的關(guān)鍵參數(shù)，也是獲得更好預(yù)報效果的重要條件。