李 超，周 丽，行小帅，行 宙

（山西师范大学 物理与信息工程学院，山西 临汾 041004）

基于BP神经网络的干热风灾害预测

李 超，周 丽，行小帅*，行 宙

（山西师范大学 物理与信息工程学院，山西 临汾 041004）

干热风是我国新疆，西北等地农业气象灾害之一，其形成因素呈现复杂的非线性关系.利用传统方法很难建立起一个精确完善的预测模型.人工神经网络具有强大的非线性映射能力，尤其是BP神经网络在预测领域中被广泛应用.本文利用BP神经网络对干热风灾害进行了预测.结果表明，基于BP神经网络的干热风预测模型误差小，能达到满意的效果.

干热风；非线性；BP神经网络

干热风是指初夏季节，我国一些地区经常会出现的一种高热、低湿的风，是农业气象灾害之一.出现干热风时，温度显著升高，湿度显著下降，并伴有一定风力，蒸腾加剧，根系吸水不及，往往导致小麦灌浆不足，秕粒严重甚至枯萎死亡，对棉花，瓜果等其他农作物也可造成危害.只有对干热风的预测做得及时准确，才可以正确拟定防治计划，及时采取必要措施，保证农作物的高产和稳产.传统的干热风预测方法主要是统计法，如文献[1]中提到的小波分析，滑动—t检验，文献[2]中的概率统计法等.由于干热风的发生受温度，湿度，风速等共同影响，各因子之间存在复杂的相互作用，所以统计法难以精确的预测.而人工神经网络（ANN）的最大优点是可以充分逼近任意复杂的非线性关系，有较强的学习能力和容错性，同时能够处理定量、定性数据，能够利用连接的结构与其他控制方法及人工智能相结合[3]，可以应用在干热风的预测中.本文旨在采用BP神经网络建立干热风的预测模型，以便对干热风灾害做出较为精确的预测.

1 BP神经网络原理[4]

BP人工神经网络通常是指基于误差反向传播算法的多层前向神经网络.BP网络的神经元采用的传递函数通常是Sigmoid型可微函数，所以可以实现输入和输出间的任意非线性映射.

1.1 BP神经网络模型

BP人工神经网络模型是由输入层、隐含层和输出层构成的多层前馈网络，各层次之间的神经元形成全互连接，各层次内的神经元之间没有连接.典型三层BP网络模型见图1.输入层n个输入分量，输出层m个输入分量.

1.2 BP算法

图1 典型三层BP网络模型Fig.1A typical three-layer BP network model

输入层到隐含层的连接权值为wij，i=1，2，…，n，j=1，2，…，s1隐含层到输出层的连接权值为wjm，m=1，2，…，s2，j=1，2，…，s1，隐含层阈值为bi，输出层阈值为bm，并赋予权值，阈值（-1，1）之间的随机数.

1.2.1 BP网络的输入向前传播

（1）将样本值P输入，通过连接权值wij送到隐含层，产生隐含层单元的激活值：

同理可计算出输入层和隐含层的权值和阈值变化量.上述两式中负号表示梯度下降，常数η∈( )0,1表示比例系数，反映了训练速率.可以看出BP算法属于δ学习规则类，这类算法常被称为误差的梯度下降（Gradient Descent）算法[5].用上式的变化量来修正网络的权值和阈值，直到网络的总误差E小于某一允许值即误差准则.即网络根据输入的训练（学习）样本进行自适应、自组织确定各神经元的连接权和阈值，实现任意维空间向量，输入变量与输出变量的映射.经过多次训练后，网络具有对学习样本的记忆和联想的能力，从而实现模型的预测功能.

2 BP神经网络干热风预测模型的构造

我国新疆地区是发生干热风灾害最为严重的地区之一，本文以新疆地区的干热风为预测对象.干热风危害的气象指标因地区不同而不一致.以下是北方干热风危害日气象指标：

重干热风日：日最高气温≥35℃，14时相对湿度≤25%，14时风速≥3米/秒.

中等干热风日：日最高气温≥32℃，14时相对湿度≤30%，14时风速≥2米/秒.

轻干热风日：日最高气温≥30℃，14时相对湿度≤30%，14时风速≥2米/秒.

2.1 神经元数目的确定

BP网络的输入和输出层的神经元数目，是由输入和输出向量的维数确定的.输入向量的维数也就是影响因素的个数.根据干热风的气象指标，这里选取日最高气温，14时风速，14时相对湿度这3个因素.所以输入层的神经元个数为3.根据干热风的气象指标，将无干热风，轻干热风，中等干热风，重干热风四个等级对应于目标输出模式（000）、（001）、（010）、（100）.所以输出层神经元的个数也为3.实践表明，隐含层数目的增加可以提高BP神经网络的非线性映射能力，但隐含层数目超过一定值时，网络性能反而会降低.而单隐层的BP网络可以逼近一个任意的连续非线性函数[6]，因此，这里采用单隐层的BP网络.隐含层的神经元个数直接影响着网络的非线性预测能力.这里通过Kolmogorov定理，结合多次试验，设定隐含层神经元个数为7.

2.2 传递函数和学习算法的确定

按照一般设计原则，隐含层神经元的传递函数为Sigmoid型正切函数tansig.由于输出向量的元素为0-1值，因此，输出层神经元的传递函数为Sig⁃moid型对数函数logsig.trainlm函数是基于Leven⁃berg-Marquardt优化方法的BP神经网络快速学习算法，它适用于函数拟合，有收敛快，收敛误差小等优点，因此，这里选用trainlm函数作为学习算法.学习的精度即目标误差也是网络的1个重要参数，确定学习的精度就是确定误差范围以决定学习训练的结束时机[7].本文目标误差为0.01.

综上所述，建立的BP网络为net=neff（minmax（p），[7，3]，{‘tansig’，’logsig’}，’trainlm’）.

3 仿真实验

干热风多发生在芒种前15天左右.由于篇幅所限，本文只选取芒种前十天的数据，即五月的27日到31日和六月1日到5日的气象数据.本实验使用的数据为新疆乌鲁木齐地区从2006年到2009年的气象数据.2006年到2008年的数据作为训练样本，2009年的数据作为预测样本（见表1和表2）.

表1 训练样本数据Tab.1 The data of training sample

输入和输出变量首先要进行归一化处理，将数据处理为区间[0，1]之间的数据.归一化方法有很多形式，这里采用如下公式：

表2 预测样本数据Tab.2The predict sample data

将训练样本输入模型对网络进行训练.训练次数为50，学习速率为0.05.网络经过15次训练后即可达到误差要求，结果见图2.

把训练好的网络进行测试，测试的数据即为2009年的预测样本，来检验预测误差能否满足要求.把预测样本输入网络后得到预报误差曲线和运行结果见图3和图4.

由图3可见，网络预测值和真实值之间的误差很小，30个数据中只有5个出现相对比较大的误差，其余误差都在0左右.由运行结果图4可以看出，预测误差为0.1478.考虑到样本容量和训练次数比较小，这样的预测结果已经相当满意.由于干热风的影响因子与具体的日气象指数有关，所以，本文没有设计预测未来几年干热风的危害等级.要想预测未来的干热风等级只需先把日气象指数预测出来，输入本文设计的神经网络即可.

图3 预报误差曲线Fig.3 Forecast error curve

图4 运行结果Fig.4 The running result

4 结论

本文建立了基于BP神经网络的干热风预测模型，通过对网络的训练和测验，证明了人工神经网络对非线性数据的处理能力.并表明了神经网络对干热风气象灾害进行预测的可行性，为干热数据风灾害预测提供了新的方法.这种预测模型和天气预报配合使用，可以较精确的预测出干热风的等级.

[1]郭尤凤春,郝立生,史印山,等.河北省冬麦区干热风特征分析[J].2006农业气象与生态环境年会,2006:333-335.

[2]刁平.乌鲁木齐地区干热风天气及其预报[J].新疆气象,1989(1):32-34.

[3]RI Son-il,侯德刚,张振家,等.基于BP人工神经网络的生化处理水水质预测[J].现代化工,2009,12(12):66-68.

[4]周长春,陈勇刚.基于人工神经网络的城市火灾事故预测方法[J].中国安全科学学报,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]飞思科技产品研发中心.神经网络理论与MATLAB 7实现[M].北京：电子工业出版社,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

山西师范大学科技研究项目（873023）

*通讯作者

毕和平