汪彪+劉玉國+謝璐+李家林

摘要：人工神經網絡模型技術綜合了數理統(tǒng)計、神經計算和符號邏輯等人工智能理論技術，是一種非線性的動力學系統(tǒng)，它以抽象的人腦構造基本單位組成，模擬人腦的思維過程，目前該模型已被廣泛應用于水文模型研究領域。利用三層反向傳播人工神經網絡（BP-ANN：Back Propagation—Artificial Neural Network）模型對湛江市逐日低溫（Tmin）進行預報，為在全球氣候變化的大背景下極端低溫事件研究提供相關科學依據。利用湛江市常規(guī)氣象資料，采用BP人工神經網絡模型中的反向傳播算法—Traincgf，建立湛江市的逐日低溫預報模型。與此同時，利用相關統(tǒng)計參數對比分析了傳統(tǒng)多元線性回歸（MLR：Multiple Linear Regression）模型的估算效果，結果表明，BP-ANN模型的預測效果要遠遠優(yōu)于MLR模型?？偟膩碚f，BP-ANN模型能夠較為精確地預測湛江市的逐日最低氣溫，并為該市逐日低溫估算提供了一種較為可靠的方法。

關鍵詞：BP人工神經網絡模型；逐日最低氣溫；湛江市區(qū)

1引言

根據IPCC第五次評估報告[1]，1880-2012年全球增暖0.85 ℃，過去30年是近1400年最暖的30年。進入21世紀以來，在全球變暖的大背景下，全球極端氣候事件高度頻發(fā)[2]，例如，高溫熱浪、臺風、暴雨、干旱和洪水等極端天氣氣候事件等。這些極端天氣氣候事件給社會經濟和人們的生活帶來了極大的影響。目前，國內外有關極端天氣事件的報道屢見不鮮，歸結起來，主要有以下三個方面的研究：一是分析站點或區(qū)域極端天氣事件的定義與多尺度特征分析[3-4]；二是探討全球變暖背景下，大氣環(huán)流等年代際的變化對極端天氣事件的影響[5-6]；三是研究極端天氣事件對國民經濟和社會生活產生的影響[7-8]。

本文主要研究湛江市區(qū)的逐日最低氣溫（Tmin），Tmin與眾多的氣象要素存在較為復雜的非線性的耦合關系，而人工神經網絡（ANN：Artificial Neural Networks）作為一種非線性統(tǒng)計性數據建模工具，為非線性復雜系統(tǒng)過程的模擬和預測提供了一種方法在眾多的人工神經網絡模型中，反向傳播（BP：Back Propagation）人工神經網絡是一種較為成熟并應用最為廣泛地的非線型函數逼近模型。目前，BP人工神經網絡模型已經廣泛應用于水文、氣象、地質和航空等領域研究[9-10]。本文嘗試利用BP人工神經網絡模型和多元線型回歸模型對湛江市逐日的最低氣溫進行預報，旨在為該地區(qū)逐日低溫的估算提供一種精準可靠的方法。

2資料和方法

2.1研究區(qū)域

廣東省湛江市位于中國大陸的最南端（109？31E-110 ？55E，20 ？N-21 ？35N），東瀕南海，南隔瓊州海峽與海南相望。該市屬于熱帶和亞熱帶季風氣候，終年受海洋性氣候的調節(jié)，冬無嚴寒、夏無酷暑，暑季長，寒季短，溫差不大。氣溫年平均23.2℃，7月最高，月平均為28.9℃，最高曾達38.1℃；1月最低，月平均為15.5℃，最低達2.8℃。極端低溫事件對該市的經濟和人們的社會生活生產帶來了極大的影響。

2.2 研究數據

本文對氣象數據進行了質量控制，剔除了個別異常數據。氣象資料來自于湛江市氣象局的觀測數據。對于季節(jié)的劃分，分別為：春季（3-5月），夏季（6-8月），秋季（9-11月）和冬季（12月-翌年2月）。

2.3 研究方法—BP 人工神經網絡模型

人工神經網絡是對某種算法或者函數的逼近，由多層神經元結構（圖1）組成。本研究在MATLAB R2011b環(huán)境下，利用BP人工神經網絡模型工具箱結合1960-1999年的逐日氣象數據進行網絡訓練，并利用2000-2009年的逐日氣象數據對建立好的BP模型進行精度驗證。

圖1 人工神經網絡模型

3 結果分析

3.1湛江市逐日最低溫度年際與年代際變化

圖2給出的是湛江市區(qū)的逐日最低溫度（Tmin）的時間序列變化，1959-2009年的逐日平均值為20.71mm，2009年以來，該市的逐日最低氣溫呈現逐年上升的趨勢，近50年來的Tmin的變化率為0.014℃/a。

3.2 BP模型與MLR模型對比

利用1960-1999年的本站氣壓（P0），相對濕度（RH），水汽壓（PW） ，風速（WS）與最低氣溫（Tmin）建立相關的BP人工神經網絡模型。以SPSS軟件為基礎建立多元線性回歸模型：

圖2 湛江市區(qū)逐日平均最低溫度時間序列變化

（1）

表1 BP與MLR模型統(tǒng)計結果

BP其擬合與預測結果分別見表1，其中，F表示擬合（Fitting），P表示預測（Prediction），R2為決定系數（擬合與預測優(yōu)度），MAE為平均絕對偏差（Mean Absolute Error），MRE

為平均相對偏差（Mean Relative Error），RMSE為均方根誤差（Root Mean Square Error）。

在擬合（Fitting）階段，BP模型的R2F（0.93）優(yōu)于MLR模型R2F（0.75）；對于預測階段而言，BP模型的預測結果優(yōu)于MLR模型的結果（表2）。上述結果表明，非線型BP模型對逐日最低氣溫的估算能力遠遠優(yōu)于線性MLR模型的估算能力。

3.3 影響因子分析

由于Tmin的變化受多個氣象因子影響以及氣象因子又存在相互的影響，使得Tmin呈現波動的變化。為探討分析影響Tmin的主要氣象因子，對湛江市Tmin，P0，RH，PW和WS進行分析。為進一步分析和探討各氣象因子對Tmin的影響大小，針對各氣象因子和Tmin，進行逐步回歸分析，得到的回歸方程為

（2）

表2給出了各氣象因子組合與Tmin的多元線性回歸，找出RMSE的最小值，該因子組合即為影響Tmin的主要氣象因子組合。同時考慮P0， RH， PW和WS四個因子得到的逐步回歸方程 （RMSE）最?。?.27℃）。Tmin的主要氣象因子為P0，RH，PW和WS。綜合來看，Tmin的變化是各種氣象因子綜合作用的結果。

4 結論與討論

本文利用BP人工神經網絡模型對廣東省湛江市最低溫度（Tmin）進行估算，結果表明，該模型有很強的非線性映射能力，與傳統(tǒng)的多元線性回歸模型相比，精度較高。主要結論如下：（1） 在全球變暖的大背景下，2009年以來，該市的逐日最低氣溫呈現逐年上升的趨勢，近50年來的Tmin的變化率為0.014℃/a。（2） 從R2，MAE和MRE來看，非線型BP模型對Tmin的估算能力遠遠優(yōu)于線性MLR模型的估算能力。（3） 對湛江市1960-2009年Tmin的主要氣象因子為P0，RH，PW和WS。綜合來看，Tmin的變化是各種氣象因子綜合作用的結果。

表2各個氣象因子與最低氣溫的逐步回歸分析 （均方根誤差單位：℃） A（P0，RH）， B（P0，PW）， C（P0，WS）， D（RH，PW）， E（RH，WS）， F（PW， WS）， G（P0， RH，PW）， H（P0，RH， WS）， I（P0， PW，WS）， J（RH，PW，WS）， K（P0，RH，PW，WS）

參考文獻

[1] Stocker T T F， Qin D， Plattner，G K G， et al. IPCC， 2013： Climate Change 2013： The Physical Science Basis. Contribution of Working

Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change” （Cambridge University Press， 2013）， p.

1535.

[2] Hoerling M， Kumar A ， Dole R， et al. Anatomy of an extreme event [J]. J Climate， 2013， 26（9）： 2811–2832.

[3] Du Y D， Ai H， Duan H L， et al. Changes in Climate Factors and Extreme Climate Events in South China during 1961-2010 [J]. Advances in climate change research， 2013， 4（1）： 1-11.

[4] 畢寶貴， 張小玲， 代刊. 2016 年超強厄爾尼諾背景下的強對流和極端降水天氣特點[J].科學通報， 2017， 62 （9）： 928-937.

[5] 姜大膀， 富元海. 2℃全球變暖背景下中國未來氣候變化預估[J].大氣科學，2012，36（2）：234-246.

[6] 閆軍輝，？周 曉，？劉明華， 等. 1951-2015年信陽極端溫度事件變化及其對全球變暖的響應[J].信陽師范學院學報：自然科學 版，？2017？，？30（1）？：82-86.

[7] 楊成發(fā)，？楊順成. 2015/2016年冬季極端低溫天氣對山東沂源果業(yè)的危害及綜合應對措施[J].果樹實用技術與信息， 2016（5）：35 -36

[8] 劉鋒. 2016年極端低溫對小麥生長影響分析[J].小麥研究，2016？（2）？：19-20.

[9] 郁珍艷， 李正泉， 張育慧， 等. 浙江省極端氣溫事件年代際變化特征及城鄉(xiāng)差異分析[J].氣象科技，2016，44（6）：972-978.

[10] 李曉杰，郭睿，黃金，等. 神經網絡在北斗導航衛(wèi)星軌道預報中的應用[J].武漢大學學報[J]. 2015， 40（9）： 1253-1258.

[11] 李輝東， 關德新， 袁鳳輝， 等. BP 人工神經網絡模擬楊樹林冠蒸騰[J].生態(tài)學報，2015，35（12）： 4137-4145.

[12] 李崢， 牛麗華， 袁鳳輝， 等. 遼西農林復合系統(tǒng)中楊樹冠層導度特征[J].應用生態(tài)學報， 2012， 23（11）：2975-2982.

通訊作者簡介： 汪彪 （1988-），男（漢族），四川遂寧人，碩士研究生，主要從事海洋水文氣象預報保障工作，研究方向：軍事氣象學，數值預報，邊界層與陸面過程。