张继学 王鹏 张琳 王一

摘 要：本文利用沈阳市2002年夏季的地面和高空气象观测资料，建立逐日降水量的三层BP神经网络预测模型。通过分析降水的形成原因，选择了高空和地面的气压场、温度场、湿度场和风场等18个气象要素作为模型的输入因子，以第二天的降水量作为模型的输出因子，并利用7月和9月的观测数据作为训练样本，确定了以tansig-logsig为传递函数，traingdx等三种函数为训练函数的网络最终结构。最后，利用2002年8月的观测数据对模型进行检验，结果显示：训练函数为trainlm函数时，网络的拟合效果和预测效果最好，对降水的预报准确率达到83.3%，降水综合TS评分为50%。实验表明了人工神经网络在短期降水预报方面具有良好的应用前景。

关键词：短期降水；BP神经网络；预测模型；训练函数

降水量是影响干旱最主要的因素，它直接决定着干旱的发生发展，在干旱预报中准确预报降水量是非常关键的。因此，深入研究降水预报新技术，提高预报准确率，对防灾减灾、推动社会经济的可持续发展具有重要意义。

目前预报降水的方法众多，主要包括传统的统计学方法和数值预报方法。这些方法均给出了具体的函数关系，意味着将降水变化规律化、公式化，反而限制了预测的准确性。

而人工神经网络的预测方法建立在对输入和输出变量的非线性映射之上，它只和训练样本和目标有关。该方法不仅克服了具体函数表达式的局限性，还能通过学习、训练过程选择相对最优网络对目标值进行预测。……