封 毅，武博強，崔靈周

（1.溫州大學 學報編輯部，浙江 溫州325035；2.溫州大學生命與環(huán)境科學學院，浙江 溫州325035；3.長安大學 地質(zhì)工程學院，西安710054）

臺風作為影響我國東南沿海的強烈天氣系統(tǒng)，往往會引發(fā)持續(xù)性的特大暴雨降水過程，造成洪澇突發(fā)、農(nóng)田受淹、城市內(nèi)澇和路毀車阻等災害，帶來嚴重的經(jīng)濟和人員損失［1－2］。如何準確預報臺風暴雨降水的空間分布，成為近年來倍受關注的重點領域之一。黃永玉等［3］、鈕學新［4］利用中尺度 MM5模式分別對0418號“艾利”臺風和0216號“森拉克”臺風降水進行了數(shù)值模擬。曾欣欣等［5］對0716號“羅莎”臺風造成的浙江大暴雨到特大暴雨過程中，大環(huán)流天氣形勢演變、動力條件、水汽輸送及物理量特征的影響進行了診斷研究。有些學者［6－9］建立了適用于登陸臺風的定量降水估計方法，實現(xiàn)了登陸臺風未來0～3h的短時定量降水預報；利用多普勒雷達體掃和自動雨量站資料，結(jié)合概率配對法對“海棠”和“麥莎”兩個臺風的小時降水量進行了定量估測；采用多種物理量綜合診斷分析方法，對登陸臺風“云娜”在西進途中水汽來源和不穩(wěn)定層結(jié)的維持等方面進行研究；用綜合多級相似預報技術，對“浙東南沿海”臺風過程所引發(fā)的暴雨天氣進行研究。邵月紅［10］、邵利民等［11］分別利用BP神經(jīng)網(wǎng)絡方法，結(jié)合多普勒雷達體掃的回波強度及雨量計觀測資料，估測了臨沂地區(qū)暴雨過程的小時降雨量，對我國沿海的熱帶氣旋的移動路徑進行了預報?？梢钥闯觯_風暴雨降水的研究主要集中在中尺度MM5模式、基于多普勒雷達體掃資料的概率配對和多級相似預報等方面，但由于模式分辨率較低和雷達探測范圍有限等原因，臺風暴雨降水預報的準確性和實際應用受到明顯限制。

BP神經(jīng)網(wǎng)絡由于結(jié)構簡單、自適應和自學習能力強等特點，在氣象水文等領域得到了廣泛應用［1，10－11］。本文以200509號臺風“麥莎”在溫州地區(qū)登陸所形成的降雨量為研究對象，利用雨量站實測降水數(shù)據(jù)，建立臺風期間各雨量站6h降水量BP神經(jīng)網(wǎng)絡預測模型，實現(xiàn)臺風暴雨期間重點區(qū)域降水量空間分布快速、準確估算，為防臺減災預案制定及綜合決策提供科學依據(jù)。

1 200509號臺風“麥莎”概況

1.1 臺風路徑及強度

200509號“麥莎”臺風于7月31日20時在菲律賓以東洋面上生成后向西北方向移動，8月2日8時加強為強熱帶風暴，并繼續(xù)向西北方向移動，于8月3日2時加強為臺風。8月6日3時40分在溫州地區(qū)東側(cè)的玉環(huán)縣干江鎮(zhèn)登陸，登陸后繼續(xù)沿西北方向移動進入溫州東北的樂清和永嘉等地區(qū)，8月6日17時進入諸暨境內(nèi)并減為強熱帶風暴。

1.2 臺風中心氣壓、風力及風速

從表1可以看出，200509號臺風“麥莎”在登陸以前為超強臺風，中心氣壓均保持在950hPa，最大風力和最大風速分別達到14級和45m／s。臺風登陸后，其中心氣壓逐步升高，即從登陸前的950hPa升高到960 hPa，直至8月6號17時的980hPa；最大風力及風速均相應減小，分別從登陸前的14級和45m／s降低到13級和40m／s，至8月6號17點分別降低到11級和30m／s，此時的臺風減弱為強熱帶風暴。

表1 2005 09號臺風“麥莎”中心氣壓、最大風力及風速變化表

1.3 降水量時空變化

圖1—4是200509號臺風“麥莎”登陸前8月5日8時至登陸后8月6日8時溫州地區(qū)88個雨量站6h觀測雨量空間分布圖。可見，溫州地區(qū)的6h雨量隨著臺風逐步逼近和過境，其降水量呈現(xiàn)先增加后減小的變化趨勢，其中6h降水量峰值出現(xiàn)在臺風登陸后的8月6日3時至8時，北部地區(qū)的李家山站達到單站6h觀測雨量最大值，為213mm；隨著臺風登陸各雨量站點的6h觀測雨量快速下降。從降雨量的空間分布來看，臺風“麥莎”登陸前后溫州地區(qū)的降水量主要分布于東北部的雁蕩山區(qū)，中南部降水量顯著偏少。由于臺風“麥莎”移動路徑一直在溫州地區(qū)東側(cè)沿向西北方向行進，在玉環(huán)縣登陸后繼續(xù)沿西北方向穿過溫州地區(qū)東北部的永嘉和樂清兩地，臺風路徑變化成為導致降雨量在溫州地區(qū)分布嚴重不均衡的主要原因。

圖1 8月5日14：00－20：00溫州地區(qū)降水量分布

圖2 8月5日21：00－8月6日2：00溫州地區(qū)降水量分布

圖3 8月6日3：00－8：00溫州地區(qū)降水量分布

圖4 8月6日9：00－14：00溫州地區(qū)降水量分布

2 臺風降雨量預測模型建立

BP神經(jīng)網(wǎng)絡也稱誤差反傳（Error Back Propagation）前向網(wǎng)絡，一般由輸入層、輸出層和若干隱層組成。當信息輸入網(wǎng)絡時，先從輸入層傳至隱層節(jié)點，經(jīng)激活函數(shù)作用和聯(lián)接權重加權后，再傳至下一隱層，然后經(jīng)處理后由輸出層產(chǎn)生計算結(jié)果。將輸出層所得到的計算結(jié)果與期望輸出進行比較，若二者相差較大，則將誤差進行反向傳播，通過調(diào)整連接權值進行反復訓練，直到誤差達到預設的允許范圍之內(nèi)或訓練次數(shù)；否則，停止訓練。完成訓練后，該BP神經(jīng)網(wǎng)絡就可以進行預報等實際應用。

2.1 BP神經(jīng)網(wǎng)絡結(jié)構設計

本文采用典型的三層BP神經(jīng)網(wǎng)絡結(jié)構（圖5），由輸入層、隱層和輸出層構成，每個數(shù)據(jù)層包括若干數(shù)據(jù)節(jié)點。輸入數(shù)據(jù)層主要為臺風降量影響因子層，具體包括雨量觀測站點的經(jīng)度（°）、緯度（°）、高程（m）、某時刻站點距臺風中心距離（km）和臺風中心氣壓5個輸入數(shù)據(jù)節(jié)點，輸出層僅包括相應時刻前6小時該站點的降雨量觀測值（mm）1個輸出數(shù)據(jù)節(jié)點，隱層的數(shù)據(jù)節(jié)點主要根據(jù)經(jīng)驗公式和網(wǎng)絡訓練效果進行調(diào)整，最后節(jié)點數(shù)確定為17個。

圖5 三層神經(jīng)網(wǎng)絡結(jié)構

2.2 隱層激活函數(shù)和網(wǎng)絡訓練參數(shù)選取

由于S型函數(shù)具有非線性放大系數(shù)功能，可把（－∞，＋∞）變化范圍的數(shù)據(jù)變換到（－1，＋1）間輸出，常被用作隱層的激活函數(shù)，本文BP神經(jīng)網(wǎng)絡隱層的激活函數(shù)選取Sigmoid函數(shù)，即：

該函數(shù)是連續(xù)可微的，便于誤差反向傳播過程節(jié)點權值的調(diào)節(jié)。

期望誤差（訓練目標）、學習速率、最大訓練次數(shù)、初次權值和閾值等參數(shù)值設置對于BP網(wǎng)絡訓練和模型精度控制具有重要影響。通過反復調(diào)整和比較，確定所建立的BP神經(jīng)網(wǎng)絡訓練目標為0.01、學習速率為0.1、最大訓練次數(shù)為1 000、初始輸入層至隱層及隱層至輸出層的權值均設為0.5、隱層節(jié)點及輸出節(jié)點閾值分別設為0.75和0。

2.3 輸入層樣本數(shù)據(jù)預處理

BP神經(jīng)網(wǎng)絡輸入層節(jié)點的數(shù)據(jù)由于量綱、數(shù)量級和單位等具有較大差別，在網(wǎng)絡訓練前須對原始數(shù)據(jù)進行歸一化處理，以提高BP神經(jīng)網(wǎng)絡訓練速度和靈敏性，同時可有效避開Sigmoid函數(shù)的飽和區(qū)。本文采用的歸一化公式如下，即：

式中：X′——歸一化后的數(shù)值；X——處理前的數(shù)值；Xmax，Xmin——該樣本數(shù)據(jù)的最大值和最小值，歸一化后的樣本數(shù)據(jù)輸出范圍變?yōu)椋郏?，1］。

2.4 BP神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)

MATLAB是美國MathWorks公司開發(fā)的商業(yè)數(shù)學軟件，主要用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計算。該軟件提供了神經(jīng)網(wǎng)絡工具箱，利用該工具箱，通過編寫程序和相關函數(shù)調(diào)用，實現(xiàn)了該BP神經(jīng)網(wǎng)絡建立、網(wǎng)絡訓練參數(shù)設定與調(diào)整、輸入層樣本數(shù)據(jù)預處理、網(wǎng)絡訓練和模型應用。

3 模型應用

利用200509號臺風“麥莎”期間溫州地區(qū)的黃山、張溪、碧蓮、上塘、潘山、曹村、埭頭、泰順等74個雨量站（見圖6）連續(xù)6h觀測總雨量和相應臺風信息為訓練數(shù)據(jù)，對本文所建立的臺風降雨量BP神經(jīng)網(wǎng)絡預測模型進行訓練，然后利用該場臺風期間溫州地區(qū)的雁蕩、葉山、應坑、永嘉石柱、中保和朱涂等14個雨量站點（見圖6）連續(xù)6h降雨總量進行了檢驗。

3.1 模型訓練

表2和表3分別是用于前文所建立的臺風降雨量BP神經(jīng)網(wǎng)絡預測模型訓練的部分雨量站（黃山站和碧蓮站）及相關數(shù)據(jù)和模型訓練結(jié)果誤差分析。從表2可見，模型訓練的輸入數(shù)據(jù)包括雨量站的經(jīng)緯度、雨量站高程、初始時刻雨量站距臺風中心距離及臺風中心氣壓，輸出數(shù)據(jù)為初始時刻后6h觀測雨量。受臺風“麥莎”影響，黃山站和碧蓮站均從8月5日3：00出現(xiàn)17.2mm和19.9mm的降雨，降雨分別持續(xù)至8月7日2：00和8月6日20：00。以6h為時間單元，黃山站和碧蓮站共有15組數(shù)據(jù)參與模型訓練，其中黃山站8組數(shù)據(jù)、碧蓮站7組數(shù)據(jù)。全部參與模型訓練的數(shù)據(jù)共74個雨量站的152組。模型訓練結(jié)果顯示（見表3），不同雨量站各時段6h雨量預測相對誤差均值為28.4%、最大相對誤差值為90%、相對誤差小于30%的數(shù)據(jù)組所占比例達到75%，各雨量站總雨量、最大雨量預測相對誤差和平均雨量預測相對誤差分別為10.2%，11.7%，0.9%。本次模型訓練精度較好。

圖6 BP模型訓練和檢驗雨量站點分布

表2 臺風降雨量BP神經(jīng)網(wǎng)絡預測模型訓練部分數(shù)據(jù)表

表3 臺風降雨量BP神經(jīng)網(wǎng)絡預測模型訓練結(jié)果及誤差分析

3.2 模型檢驗

由表4可見，模型檢驗輸入輸出數(shù)據(jù)同模型訓練，即雨量站經(jīng)緯度、雨量站高程、雨量站距臺風中心距離、臺風中心氣壓和6h降雨量。雁蕩山站從8月5日3：00至8月7日2：00，以6h為時間單元，共有8組數(shù)據(jù)參與模型檢驗；同樣，葉山站從8月4日21：00至8月6日14：00，以6h為時間單元，有9組數(shù)據(jù)參與模型檢驗；全部參與模型檢驗共計14個雨量站的56組數(shù)據(jù)。模型檢驗結(jié)果表明（表5），各雨量站不同時段6h降雨量預測相對誤差均值、最大相對誤差和相對誤差小于30%比例分別為38.2%，95%，71.1%，分別比模型訓練提高9.8%，5%和降低4.9%。各雨量站總雨量預測相對誤差均值、最大雨量預測相對誤差均值和平均雨量相對誤差分別為29.5%，33.3%和29.9%，分別比模型訓練提高19.3%，21.6%和29%?？傮w來看，模型檢驗結(jié)果可以接受。

表4 臺風降雨量BP神經(jīng)網(wǎng)絡預測模型檢驗部分數(shù)據(jù)表

表5 臺風降雨量BP神經(jīng)網(wǎng)絡預測模型檢驗結(jié)果及誤差分析

4 結(jié)論

（1）基于BP神經(jīng)網(wǎng)絡的臺風降雨量預測模型可通過臺風中心距離、氣壓、空間點經(jīng)緯度及高程信息快速實現(xiàn)臺風影響區(qū)域6h降雨量空間分布預測，該模型經(jīng)過200509號臺風“麥莎”期間溫州地區(qū)14個雨量站的56組數(shù)據(jù)的檢驗，6h降雨量預測相對誤差小于30%的比例達到71.1%。

（2）模型檢驗僅采用了同場次臺風未參與模型訓練的14個雨量站56組數(shù)據(jù)，使模型的適用性受到一定影響；同時，由于數(shù)據(jù)限制，本模型沒有考慮局地環(huán)流特征對臺風降雨空間分布的影響，導致模型訓練及檢驗精度不高。

［1］ 程正泉，陳聯(lián)壽，徐祥德，等.近年中國臺風暴雨研究進展［J］.氣象，2005，31（12）：3－9.

［2］ 李江南，龔志鵬，王安宇，等.近十年來臺風暴雨研究的若干進展與討論［J］.熱帶地理，2004，42（2）：113－117.

［3］ 黃永玉，沈桐立，沈新勇，等.0418號“艾利”臺風暴雨過程的數(shù)值模擬［J］.臺灣海峽，2006，25（1）：102－109.

［4］ 鈕學新，杜惠良，劉建勇.0216號臺風降水及其影響降水機制的數(shù)值模擬試驗［J］.氣象學報，2005，63（1）：58－69.

［5］ 曾欣欣，黃新晴，滕代高.羅莎臺風造成浙江特大暴雨的過程分析［J］.海洋學研究，2010，28（1）：63－72.

［6］ 岳彩軍，陳佩燕，雷小途，等.登陸臺風短時定量降水預報方法初探［J］.氣象科技，2006，34（1）：7－11.

［7］ 冀春曉，陳聯(lián)壽，徐祥德，等.多普勒雷達資料動態(tài)定量估測臺風小時降水量的研究［J］.熱帶氣象學報，2008，42（2）：147－155.

［8］ 施望芝，毛以偉，王建生，等.臺風降水云區(qū)中單站強降水診斷分析和預報［J］.氣象科學，2006，26（6）：668－75.

［9］ 李博，趙思雄.用SMAT建立臺風暴雨預報模型的試驗研究［J］.氣象，2009，35（6）：3－12.

［10］ 邵月紅，張萬昌，劉永和，等.BP神經(jīng)網(wǎng)絡在多普勒雷達降水量的估測中的應用［J］.高原氣象，2009，28（4）：846－853.

［11］ 邵利民，傅剛，曹祥村，等.BP神經(jīng)網(wǎng)絡在臺風路徑預報中的應用［J］.自然災害學報，2009，18（6）：104－111.