李 超，周 麗，行小帥，行 宙

（山西師范大學(xué) 物理與信息工程學(xué)院，山西 臨汾 041004）

基于BP神經(jīng)網(wǎng)絡(luò)的干熱風(fēng)災(zāi)害預(yù)測(cè)

李 超，周 麗，行小帥*，行 宙

（山西師范大學(xué) 物理與信息工程學(xué)院，山西 臨汾 041004）

干熱風(fēng)是我國(guó)新疆，西北等地農(nóng)業(yè)氣象災(zāi)害之一，其形成因素呈現(xiàn)復(fù)雜的非線性關(guān)系.利用傳統(tǒng)方法很難建立起一個(gè)精確完善的預(yù)測(cè)模型.人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，尤其是BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)領(lǐng)域中被廣泛應(yīng)用.本文利用BP神經(jīng)網(wǎng)絡(luò)對(duì)干熱風(fēng)災(zāi)害進(jìn)行了預(yù)測(cè).結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的干熱風(fēng)預(yù)測(cè)模型誤差小，能達(dá)到滿意的效果.

干熱風(fēng)；非線性；BP神經(jīng)網(wǎng)絡(luò)

干熱風(fēng)是指初夏季節(jié)，我國(guó)一些地區(qū)經(jīng)常會(huì)出現(xiàn)的一種高熱、低濕的風(fēng)，是農(nóng)業(yè)氣象災(zāi)害之一.出現(xiàn)干熱風(fēng)時(shí)，溫度顯著升高，濕度顯著下降，并伴有一定風(fēng)力，蒸騰加劇，根系吸水不及，往往導(dǎo)致小麥灌漿不足，秕粒嚴(yán)重甚至枯萎死亡，對(duì)棉花，瓜果等其他農(nóng)作物也可造成危害.只有對(duì)干熱風(fēng)的預(yù)測(cè)做得及時(shí)準(zhǔn)確，才可以正確擬定防治計(jì)劃，及時(shí)采取必要措施，保證農(nóng)作物的高產(chǎn)和穩(wěn)產(chǎn).傳統(tǒng)的干熱風(fēng)預(yù)測(cè)方法主要是統(tǒng)計(jì)法，如文獻(xiàn)[1]中提到的小波分析，滑動(dòng)—t檢驗(yàn)，文獻(xiàn)[2]中的概率統(tǒng)計(jì)法等.由于干熱風(fēng)的發(fā)生受溫度，濕度，風(fēng)速等共同影響，各因子之間存在復(fù)雜的相互作用，所以統(tǒng)計(jì)法難以精確的預(yù)測(cè).而人工神經(jīng)網(wǎng)絡(luò)（ANN）的最大優(yōu)點(diǎn)是可以充分逼近任意復(fù)雜的非線性關(guān)系，有較強(qiáng)的學(xué)習(xí)能力和容錯(cuò)性，同時(shí)能夠處理定量、定性數(shù)據(jù)，能夠利用連接的結(jié)構(gòu)與其他控制方法及人工智能相結(jié)合[3]，可以應(yīng)用在干熱風(fēng)的預(yù)測(cè)中.本文旨在采用BP神經(jīng)網(wǎng)絡(luò)建立干熱風(fēng)的預(yù)測(cè)模型，以便對(duì)干熱風(fēng)災(zāi)害做出較為精確的預(yù)測(cè).

1 BP神經(jīng)網(wǎng)絡(luò)原理[4]

BP人工神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò).BP網(wǎng)絡(luò)的神經(jīng)元采用的傳遞函數(shù)通常是Sigmoid型可微函數(shù)，所以可以實(shí)現(xiàn)輸入和輸出間的任意非線性映射.

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP人工神經(jīng)網(wǎng)絡(luò)模型是由輸入層、隱含層和輸出層構(gòu)成的多層前饋網(wǎng)絡(luò)，各層次之間的神經(jīng)元形成全互連接，各層次內(nèi)的神經(jīng)元之間沒(méi)有連接.典型三層BP網(wǎng)絡(luò)模型見(jiàn)圖1.輸入層n個(gè)輸入分量，輸出層m個(gè)輸入分量.

1.2 BP算法

圖1 典型三層BP網(wǎng)絡(luò)模型Fig.1A typical three-layer BP network model

輸入層到隱含層的連接權(quán)值為wij，i=1，2，…，n，j=1，2，…，s1隱含層到輸出層的連接權(quán)值為wjm，m=1，2，…，s2，j=1，2，…，s1，隱含層閾值為bi，輸出層閾值為bm，并賦予權(quán)值，閾值（-1，1）之間的隨機(jī)數(shù).

1.2.1 BP網(wǎng)絡(luò)的輸入向前傳播

（1）將樣本值P輸入，通過(guò)連接權(quán)值wij送到隱含層，產(chǎn)生隱含層單元的激活值：

同理可計(jì)算出輸入層和隱含層的權(quán)值和閾值變化量.上述兩式中負(fù)號(hào)表示梯度下降，常數(shù)η∈( )0,1表示比例系數(shù)，反映了訓(xùn)練速率.可以看出BP算法屬于δ學(xué)習(xí)規(guī)則類，這類算法常被稱為誤差的梯度下降（Gradient Descent）算法[5].用上式的變化量來(lái)修正網(wǎng)絡(luò)的權(quán)值和閾值，直到網(wǎng)絡(luò)的總誤差E小于某一允許值即誤差準(zhǔn)則.即網(wǎng)絡(luò)根據(jù)輸入的訓(xùn)練（學(xué)習(xí)）樣本進(jìn)行自適應(yīng)、自組織確定各神經(jīng)元的連接權(quán)和閾值，實(shí)現(xiàn)任意維空間向量，輸入變量與輸出變量的映射.經(jīng)過(guò)多次訓(xùn)練后，網(wǎng)絡(luò)具有對(duì)學(xué)習(xí)樣本的記憶和聯(lián)想的能力，從而實(shí)現(xiàn)模型的預(yù)測(cè)功能.

2 BP神經(jīng)網(wǎng)絡(luò)干熱風(fēng)預(yù)測(cè)模型的構(gòu)造

我國(guó)新疆地區(qū)是發(fā)生干熱風(fēng)災(zāi)害最為嚴(yán)重的地區(qū)之一，本文以新疆地區(qū)的干熱風(fēng)為預(yù)測(cè)對(duì)象.干熱風(fēng)危害的氣象指標(biāo)因地區(qū)不同而不一致.以下是北方干熱風(fēng)危害日氣象指標(biāo)：

重干熱風(fēng)日：日最高氣溫≥35℃，14時(shí)相對(duì)濕度≤25%，14時(shí)風(fēng)速≥3米/秒.

中等干熱風(fēng)日：日最高氣溫≥32℃，14時(shí)相對(duì)濕度≤30%，14時(shí)風(fēng)速≥2米/秒.

輕干熱風(fēng)日：日最高氣溫≥30℃，14時(shí)相對(duì)濕度≤30%，14時(shí)風(fēng)速≥2米/秒.

2.1 神經(jīng)元數(shù)目的確定

BP網(wǎng)絡(luò)的輸入和輸出層的神經(jīng)元數(shù)目，是由輸入和輸出向量的維數(shù)確定的.輸入向量的維數(shù)也就是影響因素的個(gè)數(shù).根據(jù)干熱風(fēng)的氣象指標(biāo)，這里選取日最高氣溫，14時(shí)風(fēng)速，14時(shí)相對(duì)濕度這3個(gè)因素.所以輸入層的神經(jīng)元個(gè)數(shù)為3.根據(jù)干熱風(fēng)的氣象指標(biāo)，將無(wú)干熱風(fēng)，輕干熱風(fēng)，中等干熱風(fēng)，重干熱風(fēng)四個(gè)等級(jí)對(duì)應(yīng)于目標(biāo)輸出模式（000）、（001）、（010）、（100）.所以輸出層神經(jīng)元的個(gè)數(shù)也為3.實(shí)踐表明，隱含層數(shù)目的增加可以提高BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力，但隱含層數(shù)目超過(guò)一定值時(shí)，網(wǎng)絡(luò)性能反而會(huì)降低.而單隱層的BP網(wǎng)絡(luò)可以逼近一個(gè)任意的連續(xù)非線性函數(shù)[6]，因此，這里采用單隱層的BP網(wǎng)絡(luò).隱含層的神經(jīng)元個(gè)數(shù)直接影響著網(wǎng)絡(luò)的非線性預(yù)測(cè)能力.這里通過(guò)Kolmogorov定理，結(jié)合多次試驗(yàn)，設(shè)定隱含層神經(jīng)元個(gè)數(shù)為7.

2.2 傳遞函數(shù)和學(xué)習(xí)算法的確定

按照一般設(shè)計(jì)原則，隱含層神經(jīng)元的傳遞函數(shù)為Sigmoid型正切函數(shù)tansig.由于輸出向量的元素為0-1值，因此，輸出層神經(jīng)元的傳遞函數(shù)為Sig?moid型對(duì)數(shù)函數(shù)logsig.trainlm函數(shù)是基于Leven?berg-Marquardt優(yōu)化方法的BP神經(jīng)網(wǎng)絡(luò)快速學(xué)習(xí)算法，它適用于函數(shù)擬合，有收斂快，收斂誤差小等優(yōu)點(diǎn)，因此，這里選用trainlm函數(shù)作為學(xué)習(xí)算法.學(xué)習(xí)的精度即目標(biāo)誤差也是網(wǎng)絡(luò)的1個(gè)重要參數(shù)，確定學(xué)習(xí)的精度就是確定誤差范圍以決定學(xué)習(xí)訓(xùn)練的結(jié)束時(shí)機(jī)[7].本文目標(biāo)誤差為0.01.

綜上所述，建立的BP網(wǎng)絡(luò)為net=neff（minmax（p），[7，3]，{‘tansig’，’logsig’}，’trainlm’）.

3 仿真實(shí)驗(yàn)

干熱風(fēng)多發(fā)生在芒種前15天左右.由于篇幅所限，本文只選取芒種前十天的數(shù)據(jù)，即五月的27日到31日和六月1日到5日的氣象數(shù)據(jù).本實(shí)驗(yàn)使用的數(shù)據(jù)為新疆烏魯木齊地區(qū)從2006年到2009年的氣象數(shù)據(jù).2006年到2008年的數(shù)據(jù)作為訓(xùn)練樣本，2009年的數(shù)據(jù)作為預(yù)測(cè)樣本（見(jiàn)表1和表2）.

表1 訓(xùn)練樣本數(shù)據(jù)Tab.1 The data of training sample

輸入和輸出變量首先要進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間[0，1]之間的數(shù)據(jù).歸一化方法有很多形式，這里采用如下公式：

表2 預(yù)測(cè)樣本數(shù)據(jù)Tab.2The predict sample data

將訓(xùn)練樣本輸入模型對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.訓(xùn)練次數(shù)為50，學(xué)習(xí)速率為0.05.網(wǎng)絡(luò)經(jīng)過(guò)15次訓(xùn)練后即可達(dá)到誤差要求，結(jié)果見(jiàn)圖2.

把訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試的數(shù)據(jù)即為2009年的預(yù)測(cè)樣本，來(lái)檢驗(yàn)預(yù)測(cè)誤差能否滿足要求.把預(yù)測(cè)樣本輸入網(wǎng)絡(luò)后得到預(yù)報(bào)誤差曲線和運(yùn)行結(jié)果見(jiàn)圖3和圖4.

由圖3可見(jiàn)，網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值之間的誤差很小，30個(gè)數(shù)據(jù)中只有5個(gè)出現(xiàn)相對(duì)比較大的誤差，其余誤差都在0左右.由運(yùn)行結(jié)果圖4可以看出，預(yù)測(cè)誤差為0.1478.考慮到樣本容量和訓(xùn)練次數(shù)比較小，這樣的預(yù)測(cè)結(jié)果已經(jīng)相當(dāng)滿意.由于干熱風(fēng)的影響因子與具體的日氣象指數(shù)有關(guān)，所以，本文沒(méi)有設(shè)計(jì)預(yù)測(cè)未來(lái)幾年干熱風(fēng)的危害等級(jí).要想預(yù)測(cè)未來(lái)的干熱風(fēng)等級(jí)只需先把日氣象指數(shù)預(yù)測(cè)出來(lái)，輸入本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)即可.

圖3 預(yù)報(bào)誤差曲線Fig.3 Forecast error curve

圖4 運(yùn)行結(jié)果Fig.4 The running result

4 結(jié)論

本文建立了基于BP神經(jīng)網(wǎng)絡(luò)的干熱風(fēng)預(yù)測(cè)模型，通過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)練和測(cè)驗(yàn)，證明了人工神經(jīng)網(wǎng)絡(luò)對(duì)非線性數(shù)據(jù)的處理能力.并表明了神經(jīng)網(wǎng)絡(luò)對(duì)干熱風(fēng)氣象災(zāi)害進(jìn)行預(yù)測(cè)的可行性，為干熱數(shù)據(jù)風(fēng)災(zāi)害預(yù)測(cè)提供了新的方法.這種預(yù)測(cè)模型和天氣預(yù)報(bào)配合使用，可以較精確的預(yù)測(cè)出干熱風(fēng)的等級(jí).

[1]郭尤鳳春,郝立生,史印山,等.河北省冬麥區(qū)干熱風(fēng)特征分析[J].2006農(nóng)業(yè)氣象與生態(tài)環(huán)境年會(huì),2006:333-335.

[2]刁平.烏魯木齊地區(qū)干熱風(fēng)天氣及其預(yù)報(bào)[J].新疆氣象,1989(1):32-34.

[3]RI Son-il,侯德剛,張振家,等.基于BP人工神經(jīng)網(wǎng)絡(luò)的生化處理水水質(zhì)預(yù)測(cè)[J].現(xiàn)代化工,2009,12(12):66-68.

[4]周長(zhǎng)春,陳勇剛.基于人工神經(jīng)網(wǎng)絡(luò)的城市火災(zāi)事故預(yù)測(cè)方法[J].中國(guó)安全科學(xué)學(xué)報(bào),2005,5(15):21-23.

[5]Sanzogni L,Kerr D.Milk production estimates using feed forward artificial neural networks[J].Computers and Elec?tronics in Agriculture,2001,32(1):21-30.

[6]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB 7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社,2005.

[7]Annema A J.Feed-forward neural networks-vector de?composition analysis[c]//Modelling and Analog Implemen?tation.Seattle：Kluwer Academic Publishers,1995.

Dry-hot Wind Hazard Prediction Based on the BP Neural Network

LI Chao，ZHOU Li，XING Xiaoshuai＊，XING Zhou
（College of Physics and Information Engineering，Shanxi Normal University，Lin Fen041004，China）

Dry hot wind is one of agricultural meteorological disasters in Xinjiang,Northwest and other places,whose caused factors showed the complex nonlinear relationship.Using traditional methods is difficult to establish a accurate comprehensive prediction model.Artificial neural network has a strong nonlinear mapping ability,especially BP neural network is widely used in the field of prediction.In this paper,BP neural network was used to predict the dry hot wind di?sasters.The results showed that the hot wind prediction model based on BP neural network has small error and can achieve satisfactory results.

Dry hot wind；nonlinear；BP neural network

TP 18

A

1674-4942（2011）03-0279-04

2011-04-16

山西師范大學(xué)科技研究項(xiàng)目（873023）

*通訊作者

畢和平