辽宁省汛期降水量中长期预测技术研究

张　鸿

(辽宁省抚顺水文局，辽宁 抚顺 113015)



辽宁省汛期降水量中长期预测技术研究

张鸿

(辽宁省抚顺水文局，辽宁 抚顺 113015)

汛期降水作为重要的水文要素，具有确定性，随机性和模糊性特征。确定性表现为：降水量具有显著的周期性特征，在长期时间尺度上变化规律明显；随机性表现为：对于某一未发生的年份，其降水量的数值是不确定的；模糊性表现为：降水程度、与历史情况的相似性是模糊的。基于此，研究分别选用确定性模型——神经网络预测模型、随机性模型——马尔可夫链预测模型、模糊性模型——模糊识别预测模型，以辽宁省2014年汛期6——8月降水量为例进行预测，以期为辽宁省防汛抗旱决策提供基础，同时也为其他地区中长期预测提供参考。

辽宁；降水特征；模型；预测；防汛抗旱

汛期雨水情趋势预测是防汛抗旱工作的重要依据。降水量作为重要的水文要素，具有确定性、随机性及模糊性特征。基于此，研究分别采用神经网络技术、马尔可夫链预测技术、模糊识别技术建立汛期降水量预测模型，并进行辽宁省汛期降水量趋势预测，以期为辽宁省防汛抗旱决策提供依据，并为其他地区汛期中长期预测提供参考。

1　辽宁省汛期雨水情特征

辽宁省位于我国东北地区南部，地处E118°53′～125°46′，N38°43′～43°26′。全省土地面积14.59 万 km2，地势自北向南、由东西向中部倾斜。中部为平原，约占全省面积的1/3；两侧丘陵与山地占全省面积的2/3。

洪水灾害是辽宁省最大的自然灾害。新中国成立至今，辽宁省共发生几十场重大的洪水灾害，如1995年浑河大水、2013年清原大水等；发生频率高、损失程度重，严重危及经济发生及社会稳定。按照成因，洪水又可分为暴雨洪水、冰凌洪水、溃坝洪水等，其中，暴雨是辽宁省洪水灾害的主要原因。夏季西风带气旋频繁通过，同时热带风暴及台风频繁北上，携带大量水汽，在太平洋副热带高压位置偏北偏西情况下，往往形成辽宁省大暴雨与特大暴雨[1]。在长期工作中可知：汛期(6-8月)降水量是确定防汛抗旱预案的重要依据，对汛期防汛决策意义重大。

图1辽宁省水旱灾害统计特征(1949—2015)

辽宁省历年6-8月降水量如图2所示。

图2　辽宁省汛期6—8月降水过程

2　神经网络模型

人工神经网络是由大量简单的神经元链接而构成的复杂网络，具有复杂、并行、非线性等特点。神经网络依靠过去的经验数据，通过神经元的模拟、记忆和联想来处理各种复杂的、模糊的、非线性的数据，其拓扑结构示意图如图3所示。

图3　神经网络拓扑结构

神经网络常用算法主要Hebb、Delta、Kohonen、BP等。其中BP算法(误差反传播算法，error back propagation)是由Rumelhart等人于1995年提出，属前馈式神经网络，在水文预报研究中应用较广。BP神经网络由输入层、若干隐含层、输出层组成，其学习过程由正向传播及方向传播构成。正向传播时，信号经sigmoid函数逐层转播，每一层神经元的状态只影响下一层神经元状态。若在输出层不能得到期望的信号，则修改各层神经元的权值，并使输出信号的误差沿原路返回。经过反复传播，从而获得满足精度要求的输出信号[2-3]。

采用BP神经网络进行辽宁省2014年6—8月全省、西部、中北部、东南部地区降雨量预测，以前10年降雨量作为输入，采用单一隐含层网络结构，输入层节点数为10，全省、中北部地区模型隐含层节点数为5，西部、东南部地区预测模型隐含层节点数为4，输出层节点数1。传递函数分别采用tansig，purelin。采用带动量项的BP学习规则；采用Levenberg - Marquardt方法训练网络。模型以1962—2010年数据训练网络，2011—2013年数据验证，预测结果如图4所示。

图4　神经网络预测结果

3　马尔可夫链模型

在中长期水文预报领域，把具有离散状态和时间序列的水文要素过程视为马尔可夫链，根据第n时刻的状态就可以预测出第n+1时刻的状态，这就是马尔可夫链预测的基本思想。应用马尔可夫链预测时，首先根据历史数据统计指标值序列中从状态I 经过一步转移到达状态j 的频数，并构建转移概率矩阵。从而根据前一时段水文要素所属状态来预测下一时段水文要素状态[4]。

(1)

采用马尔可夫链方法预测2014年6—8月辽宁省降雨情况。根据工作习惯，以多年平均流量多2成、多1成、少1成、少2成为阈值，将降雨分为枯水、偏枯水、平水、偏丰水、丰水5个等级。在检验降雨量序列马氏性的基础上，采用一步马尔可夫链、加权马尔可夫链方法预测降雨量，预测结果见表1。其中，加权马尔可夫链预测时，取前5a降雨情况预测当年降雨情况，将各阶自相关系数规范化作为各阶权重。

表1　马尔可夫链预测结果

4　模糊识别模型

考虑到辽宁省汛期降雨量与太阳黑子相关呈11年周期规律，将待预报的2014年前11a降水值作为待识别系列B，与滑动11年历史资料系列A1，A2，……AM进行比较，选择趋势值和贴近度最大的模式，并基于此做出预测。

模型原理如下[5]：假定系列Ai及待识别系列B中元素满足，ai,j-ai,j+1<0且bi,j-bi,j+1<0或ai,j-ai,j+1>0且bi,j-bi,j+1>0，则有趋势值ki,j+1=1/(n+1)，研究中n=11。若累积趋势值完全一致，则称待识别模式B与模式Ai趋势完全一致，若为0则趋势完全不一致。贴进度反映两个模式样本相似程度，计算公式为ρ(A，B)=1/2[A⊗B+(1-A⊙B)。

计算结果表明：2014年前11a的变化接近于1964—1974(贴近度在0.685)、1966—1976(贴近度在0.72)、1989—1999(贴近度在0.665)的降水变化规律，其贴近度在0.665～0.72，平均值为0.69。按照此方法分析，2013年汛期全省降水量在400～480 mm。

5　结　论

本文在识别辽宁省汛期降水确定性、随机性、模糊性的基础上，采用神经网络模型、马尔可夫链预测模型、模糊设别模型进行辽宁省汛期降水量趋势预测，但仍需注意以下关键问题：

1)中长期水文预报主要基于统计规律的雨洪趋势性预报，影响因素多，且复杂多变，目前科技手段难以在很长预见期内实现准确预知。水文部门将随时根据气象部门发布的中长期天气预报变化情况，滚动分析和修定雨情水情预测预报结果。

2)受全球气候变化的影响，辽宁省极端灾害性天气日趋增多，局部地区强暴雨、极端高温干旱呈突发、多发、并发的趋势。

3)要警惕中小河流、中小型水库和中小城镇超标准洪水发生，要特别警惕由于局地突发性暴雨所引发的山洪、泥石流灾害。

[1]辽宁省防汛抗旱指挥部办公室, 辽宁省水文水资源勘测局.辽宁省水旱灾害[M].沈阳：辽宁科学技术出版社，1999：26-34.

[2]林健玲,金龙，林开平.神经网络方法在广西日降水预报中的应用[J].南京气象学院学报,2006，29(02)：215-219.

[3]熊海晶.基于神经网络和小波分析的降水预报研究[D].南京：南京大学, 2012.

[4]冉景江, 赵燮京, 梁川.基于加权马尔可夫链的降水预测应用研究[J].人民黄河, 2006(04)：3-5.

[5]梁凤国, 董增川, 王殿武.基于模糊模式识别法的辽宁省汛期降水预测与分析[J].水文, 2010，30(03)：48-49.

1007-7596(2016)06-0038-03

2016-05-30

张鸿(1976-)，男，辽宁抚顺人，工程师，从事防汛抗旱工作。

P426.6

B