趙 琪，吳素芬，薛 燕，張 亮

(1.新疆水文水資源局，新疆烏魯木齊830000;2.石河子大學(xué)綠洲生態(tài)農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室，新疆石河子832000)

1 引言

中長期水文預(yù)報(bào)在水資源利用與調(diào)度中的作用十分重要，但是，隨著預(yù)報(bào)預(yù)見期的增加，許多影響因素變化的不確定性也隨之增加，中長期水文預(yù)報(bào)精度尚不高，研究進(jìn)展緩慢［1］。

人工神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)分支，涉及數(shù)學(xué)、計(jì)算機(jī)、思維科學(xué)、心理學(xué)、模式識(shí)別、非線性動(dòng)力學(xué)等眾多學(xué)科，是一個(gè)正在迅速發(fā)展中的交叉性學(xué)科，具有自學(xué)習(xí)、自適應(yīng)和自組織能力，也能很好的抑制噪聲和信息缺失對(duì)最優(yōu)解的影響［2］，因此，近年來，在中長期水文預(yù)報(bào)中有廣泛的應(yīng)用。

2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)有數(shù)十種模型［3］，其中BP網(wǎng)絡(luò)在水文預(yù)測中應(yīng)用較為普遍。

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理

BP神經(jīng)網(wǎng)絡(luò)屬于多層狀形的人工神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱層和輸出層，各層的神經(jīng)元作用都是不同的［4］。輸入層接受外界的信息;輸出層則對(duì)輸入信息進(jìn)行判別和決策;中間的多層隱層則用來表示或存儲(chǔ)知識(shí)。BP網(wǎng)絡(luò)算法主要包括兩個(gè)過程:一是由學(xué)習(xí)樣本、網(wǎng)絡(luò)權(quán)值從輸入層→隱含層→輸出層逐次算出各層節(jié)點(diǎn)的輸出;二是反過來計(jì)算實(shí)際輸出與計(jì)算輸出偏差構(gòu)成的誤差，采用梯度下降法來調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差減小，兩個(gè)過程反復(fù)交替，直到收斂為止。

根據(jù)學(xué)習(xí)好的網(wǎng)絡(luò)權(quán)值，以及給定需要判別的輸入向量，通過該網(wǎng)絡(luò)求得與輸入向量相對(duì)應(yīng)的輸出向量，達(dá)到預(yù)報(bào)徑流量的目的。

2.2 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用

2.2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)

利用Matlab7.0工具箱，建立有輸入層、隱含層、輸出層的模型結(jié)構(gòu)，如圖1.隱含層和輸出層神經(jīng)元傳遞函數(shù)選擇tansig函數(shù)，其表達(dá)式為:

誤差反向傳播采用Levenberg－Marquardt算法

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2.2 網(wǎng)絡(luò)參數(shù)的確定

用于網(wǎng)絡(luò)訓(xùn)練的初始權(quán)值在(－1，1)區(qū)間內(nèi)隨機(jī)產(chǎn)生，網(wǎng)絡(luò)訓(xùn)練采用誤差平方和，精度在此根據(jù)實(shí)際情況確定，學(xué)習(xí)率取0.05，沖量因子取0.9。

2.2.3 利用BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)葉爾羌河年徑流量

葉爾羌河是塔里木河流域主要河流之一，發(fā)源于喀喇昆侖山北麓，下游蜿蜒于塔克拉瑪干大沙漠西部邊緣，向北流至阿瓦提縣肖夾克與阿克蘇河、和田河匯合為塔里木河。葉爾羌河流域年徑流量中冰川融水補(bǔ)給量占63.1%，為徑流主要補(bǔ)給源［5］。

利用BP神經(jīng)網(wǎng)絡(luò)對(duì)葉爾羌河年徑流量進(jìn)行預(yù)報(bào)，，選取了3個(gè)預(yù)報(bào)因子，喀什前2年600hpa高空6月、7月份平均氣溫，卡群站前1年年徑流量。1960～1998年資料系列長度用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，1999～2003年用來檢驗(yàn)所建立網(wǎng)絡(luò)的預(yù)報(bào)精度。葉爾羌河卡群站年徑流量訓(xùn)練和預(yù)留檢驗(yàn)結(jié)果見表2。從表中可以看出網(wǎng)絡(luò)訓(xùn)練合格率達(dá)100%，用調(diào)整好的網(wǎng)絡(luò)權(quán)值對(duì)預(yù)留5 a進(jìn)行檢驗(yàn)，合格率為80%。

3 周期均值疊加

周期均值疊加是水文預(yù)測中較為常用的方法，其基本定義為:一個(gè)水文要素隨時(shí)間變化的過程盡管多樣，當(dāng)總可以把它看成是有限個(gè)具有不同周期的周期波相重疊而形成的過程［6］。數(shù)學(xué)模型為:

式中:x(t)為水文要素序列，pi(t)為第i個(gè)周期波序列，ε(t)為誤差項(xiàng)。只要我們根據(jù)實(shí)測的水文數(shù)據(jù)，分析識(shí)別出該水文要素所含有的周期，而且這些周期在預(yù)測區(qū)間內(nèi)仍然保持不變，那末我們就可以根據(jù)分析出來的周期分別進(jìn)行外延然后再疊加起來進(jìn)行預(yù)報(bào)。計(jì)算結(jié)果見表1。

表1 BP網(wǎng)絡(luò)和周期均值疊加在葉爾羌河年徑流量預(yù)報(bào)中的應(yīng)用結(jié)果

4 對(duì)比分析

從方法上論，兩種方法都是采用統(tǒng)計(jì)預(yù)報(bào)的方法，兩種方法的不同之處在于:BP網(wǎng)絡(luò)基本不考慮水文過程的物理機(jī)制，而以建立輸入輸出數(shù)據(jù)之間的最優(yōu)數(shù)學(xué)關(guān)系為目標(biāo)的黑箱子方法多元分析，進(jìn)行預(yù)測，從本質(zhì)上說，神經(jīng)網(wǎng)絡(luò)水文模型仍然是一種黑箱子模型，并不能對(duì)水文現(xiàn)象進(jìn)行物理解釋，其參數(shù)也不具有任何的物理意義。周期分析是采用時(shí)間序列分析法，這里的周期只是概率意義上的周期，也就是指某一水文現(xiàn)象出現(xiàn)以后，經(jīng)過一定的時(shí)間間隔，這種現(xiàn)象再次重復(fù)出現(xiàn)的可能性較大而已。

兩種模型雖然使用的數(shù)學(xué)方法不同，但預(yù)測結(jié)果的合格率是一樣的，擬合的合格率均為100%，而預(yù)留檢驗(yàn)額合格率同為80%。但在實(shí)際應(yīng)用中，兩種方法外推的預(yù)測結(jié)果合格率均不高。這是因?yàn)閮煞N方法均屬從數(shù)學(xué)角度擬合數(shù)據(jù)，并不能考慮水文情勢(shì)變化的眾多影響因素。

綜上所述，神經(jīng)網(wǎng)絡(luò)模型在中長期水文預(yù)報(bào)工作中作為一種方法，實(shí)際工作中還要結(jié)合大氣環(huán)流、太陽活動(dòng)、下墊面情況以及人類活動(dòng)等因素，對(duì)大范圍旱澇趨勢(shì)進(jìn)行定性、定量的預(yù)報(bào)，以期提高中長期水文預(yù)報(bào)的合格率。

［1］秦毅，等.基于物理成因概念的水文系統(tǒng)模型及其應(yīng)用［J］.水利學(xué)報(bào)，2004(7):6.

［2］張貴青.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論［M］.北京:中國水利水電出版社，2004.

［3］徐金明.MATLAB實(shí)用教程［M］.北京:清華大學(xué)出版社，北京交通大學(xué)出版社，2005.

［4］周聿超.新疆河流水文水資源［M］.烏魯木齊:新疆科技衛(wèi)生出版社，1998.