张掖湿地公园水域结冰厚度预报的ＢＰ 神经网络与统计回归方法对比

干旱气象

张掖湿地公园水域结冰厚度预报的ＢＰ神经网络与统计回归方法对比

刘洪兰^１，张　强^２，赵小强^１，张浩文^１

１．甘肃省张掖市气象局，甘肃　张掖　７３４０００；２．中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化
与减灾重点开放实验室，甘肃　兰州　７３００２０

收稿日期:2012-11-28 出版日期:2013-07-10 发布日期:2013-03-21
作者简介:刘洪兰（１９６８－），女，山东招远人，高级工程师，主要从事天气、气候变化和预测的业务和科研工作．Ｅ－ｍａｉｌ：ｇｓｚｙｌｈｌ＠１２６．ｃｏｍ
基金资助:
甘肃省气象局气象科研项目“张掖国家湿地公园水域结冰厚度预报服务系统研究”（２０１２－０８）及甘肃省气象局第六批“十人计划”共同资助

Comparison Analysis of BP Neural Network and Statistical Models for Forecasting Icing Thickness of the Zhangye National Wetland Park

LIU Honglan¹，ZHANG Qiang²，ZHAO Xiaoqiang¹，ZHANG Haowen¹

1． Zhangye Meteorological Bureau of Gansu Province，Zhangye 734000，China;
2． Key Laboratory of Arid Climatic Change and Reducing Disaster of Gansu Province，Key Open Laboratory of Arid Climatic Change and Disaster Reduction of China Meteorological Administration，Lanzhou Institute of Arid Meteorology，CMA，Lanzhou 730020，China

Received:2012-11-28 Online:2013-07-10 Published:2013-03-21

摘要/Abstract

摘要：

利用张掖国家湿地公园冬季水域结冰厚度观测资料和张掖观象台的气温、地温气象资料，运用统计学方法和BP神经网络方法建立了张掖国家湿地公园水域结冰厚度预报方程。通过对不同的预报方法进行预报效果验证，该结冰厚度的预报模型能够对结冰厚度有比较理想的预报效果，流动水域结冰厚度预报历史拟合率分别为：80.6％（多元回归）、74.6（逐步回归）、100％（BP 神经网络）；模型试报准确率分别为：72.7%（多元回归）、72.7% （逐步回归）、81.8%（BP 神经网络）。静止水域结冰厚度预测历史拟合率分别为：76.9%（多元回归）、71.8%（逐步回归）、93.5%（BP 神经网络）；模型试报准确率分别为：76.0%（多元回归）、72.0% （逐步回归）、84.0%（BP 神经网络）。结果表明：多元回归方法优于逐步回归方法，而BP 神经网络又明显优于传统的统计学方法，数据显示该结冰厚度的预报模型能够对结冰厚度有较好的预报效果，预报模型能够对水域结冰厚度进行有效的短期预报，其性能指标符合实际要求，具有很好的实际应用价值。

关键词: 水域, ＢＰ神经网络, 统计预报, 模型, 结冰厚

Abstract:

Based on the observations of the ice thickness of the water area of the Zhangye National Wetland Park，and air temperature and ground temperature observed by the Zhangye Meteorological Observatory，the icing thickness prediction equation was established by using statistical and BP neural network methods． Through verifying the forecast effects of different forecasting methods，the prediction model could forecast the icing thickness better． The historical fitting rate of icing thickness forecast of flowing waters is 80． 6% ( multivariate regression) ，74． 6% ( stepwise regression) ，100% ( BP neural network) ，respectively，and the model forecast accuracy is 72．7% ( multivariate regression) ，72． 7% ( stepwise regression) ，81． 8% ( BP neural network) ，respectively． The historical fitting rate of icing thickness forecast of static water is 76． 9% ( multivariate regression) ，71． 8% ( stepwise regression) ，93． 5% ( BP neural network)
，respectively，and the model forecast accuracy is 76． 0% ( multivariate regression) ，72． 0% ( stepwise regression) ，84． 0%( BP neural network) ，respectively． Results show that the multiple regression method is better than that of stepwise regression method，and the BP neural network is superior to traditional statistical methods，and the prediction model of icing thickness had better forecast effect． It is also showed that these prediction models have significant short － term forecast skills and can be used practically．

Key words: water area, BP neural network, statistical forecast, forecast model

中图分类号:

Ｐ４５６

刘洪兰，张　强，赵小强，张浩文. 张掖湿地公园水域结冰厚度预报的ＢＰ神经网络与统计回归方法对比[J]. 干旱气象.

参考文献

［１］叶笃正，曾庆存，郭裕福．当代气候研究［Ｍ］．北京：气候出版社，１９９１．１６４－１７７．

［２］刘还珠，赵声蓉，陆志善，等．国家气象中心气象要素的客观预报—ＭＯＳ系统［Ｊ］．应用气象学报，２００４，１５（２）：１８１－１９１．

［３］陆如华，何于班．卡尔曼滤波方法在天气预报中的应用［Ｊ］．气象，１９９４，２０（９）：４１－４６．

［４］曾晓青，邵明轩，王式功，等．基于交叉验证技术的ＫＮＮ方法在降水预报中的试验［Ｊ］．应用气象学报，２００８，１９（４）：４７１－４７７．

［５］陈豫英，刘还珠，陈楠，等．基于聚类天气分型的ＫＮＮ方法在风预报中的应用［Ｊ］．应用气象学报，２００８，１９（５）：５６４－５７２．

［６］魏光辉，马亮．基于灰色关联分析与ＲＢＦ神经网络的水面蒸发量预测［Ｊ］．干旱气象，２００９，２７（１）：７３－７７．

［７］李倩，胡邦辉，王学忠，等．基于ＢＰ人工神经网络的区域温度多模式集成预报试验［Ｊ］．干旱气象，２０１１，２９（２）：２３１－２３５．

［８］李跃请，李崇银，黄荣辉．ＳＶＤ相空间分析方法及其在氦气耦合关系中的初步应用［Ｊ］．高原气象，２００７，２６（３）：４９－５１．

［９］陈永义，俞小鼎，高学浩，等．处理非线性分类和回归问题的一种新方法（Ⅰ ）—支持向量机方法简介［Ｊ］．应用气象学报，２００４，１５（３）：３４５－３５４．

［１０］冯汉中，陈永义．处理非线性分类和回归问题的一种新方法（Ⅱ）—支持向量机方法在天气预报中的应用［Ｊ］．应用气象学报，２００４，１５（３）：３５５－３６５．

［１１］燕东渭，孙田文，杨艳，等．支持向量机数据描述在西北暴雨预报中的应用试验［Ｊ］．应用气象学报，２００７，１８（５）：６７６－６８１．

［１２］严华生，曹杰，谢应齐．非线性统计预报方法研究进展［Ｊ］．干旱气象，２００５，２３（１）：７２－７７．

［１３］陈红玉，高志伟，李建美，等．多层递阶回归分析法在全国初夏雨量预测中的应用［Ｊ］．干旱气象，２００８，２６（４）：８０－８５．

［１４］张强，张存杰，白虎志，等．西北地区气候变化新动态及对干旱环境的影响［Ｊ］．干旱气象，２０１０，２８（１）：１－７．

［１５］韩晖，孟丽霞．甘肃省近４６ａ年降水结构空间变化分析［Ｊ］．干旱气象，２０１０，２８（１）：３０－３４．

［１６］张良，李耀辉，王胜，等．张掖国家气候观象台常规气象资料检验分析［Ｊ］．干旱气象，２０１０，２８（１）：４９－５３．

［１７］李国勇．智能预测控制及其ＭＡＴＬＡＢ实现［Ｍ］．北京：电子工业出版社，２０１０．１６－２４．

［１８］陈刚，于丹，吴迪．ＭＡＴＬＡＢ基础与实例进阶［Ｍ］．北京：清华大学出版社，２０１２．６８－８９．

［１９］黄嘉佑．气象统计分析与预报方法［Ｍ］．北京：气象出版社，２０１０．８－９．

[1]	殷宁潞, 李俊林, 洪也, 郭勇, 王式功. 辽宁省两县域城市气温对呼吸系统疾病住院人数的影响[J]. 干旱气象, 2023, 41(1): 132-142.
[2]	袁凯, 庞晶, 李武阶, 李明. 深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估[J]. 干旱气象, 2023, 41(1): 173-185.
[3]	许敏, 沈芳, 刘淇淇, 李娜, 王洁. 线状MCSs强降水特征及形成条件[J]. 干旱气象, 2022, 40(4): 596-604.
[4]	闵晶晶,王华,董颜. 基于EMD与BP神经网络的北京市采暖季天然气消耗量预测[J]. 干旱气象, 2021, 39(5): 864-870.
[5]	李琛, 吴进, 郭文利, 金晨曦, 齐晨. 北京小海陀山区雪面温度预报模型研究[J]. 干旱气象, 2021, 39(4): 687-696.
[6]	赵志楠, 王丽荣, 王丛梅, 韩晓庆. 基于Flood Area模型的邢台市小马河流域暴雨洪涝灾害风险分布特征[J]. 干旱气象, 2021, 39(3): 486-493.
[7]	徐静, 刘华悦, 靳甜甜, 孙子媛, 付桂琴. 气温对秦皇岛市儿童呼吸系统疾病的影响[J]. 干旱气象, 2021, 39(2): 326-332.
[8]	王兴, 张强, 王胜, 王帆. 陆面露水凝结预估模型研究进展及面临的主要科学问题与展望[J]. 干旱气象, 2021, 39(1): 159-167.
[9]	黄莹, 杨建玲, 孙银川, 王璠, 王素艳, 王岱. 外强迫因子对宁夏初霜冻日期的影响及其预测[J]. 干旱气象, 2021, 39(06): 957-965.
[10]	李楠, 薛晓萍. 日光温室小气候适宜度定量评价模型改进及应用[J]. 干旱气象, 2020, 38(6): 1009-1015.
[11]	王洁, 曲晓黎, 张金满. 河北高速公路交通事故特征及其气象预警模型[J]. 干旱气象, 2020, 38(2): 339-345.
[12]	朱晓炜, 王璠, 孙银川, 王岱, 郑广芬, 王素艳. 宁夏贺兰山东麓酿酒葡萄采收期降水客观预测方法研究[J]. 干旱气象, 2020, 38(1): 157-163.
[13]	贺哲, 王君, 栗晗, 鲁坦, 崔丽曼, . 河南省一次副高边缘对流性暴雨的多尺度特征[J]. 干旱气象, 2020, 38(03): 423-432.
[14]	曲晓黎, 齐宇超, 尤琦, 王跃峰, 吴丹, 李美琪. 基于METRo模型的冬奥高速公路示范站路面温度临近预报方法[J]. 干旱气象, 2020, 38(03): 497-503.
[15]	李瑞英, 任崇勇, 张翠英. 山东菏泽牡丹的气候适宜性分析[J]. 干旱气象, 2019, 37(6): 916-921.