人工神经网络在台风风暴潮模拟中的解释应用
人工智能在自然灾害预警中的应用
人工智能在自然灾害预警中的应用随着科技的不断进步，人工智能的应用越来越广泛。
其中，最为关键的一项就是在自然灾害预警中的应用。
通过人工智能和数据算法的结合，可以帮助我们更加准确地预测自然灾害的发生，及时地采取措施，减少灾害对人们的伤害。
一、人工智能在地震预警中的应用地震是一种常见的自然灾害，而人工智能可以帮助我们更加准确地进行地震预警。
目前，一些地震预警系统已经开始应用人工智能。
这些系统通过接收地震传感器所传递的数据，并结合数据算法，可以快速地进行预测，并提供有关可能发生地震的时间、位置和规模等信息。
这些信息可以帮助我们准确地预测地震，并提前采取相应的措施，减少灾害对我们的影响。
二、人工智能在飓风预警中的应用飓风是另一个常见的自然灾害。
由于飓风的路径和规模往往难以预测，造成的损失也比较大。
然而，人工智能的出现可以帮助我们更加准确地进行飓风预警。
目前，一些飓风预警系统也已经应用了人工智能。
这些系统通过接收气象卫星和气象雷达所传递的信息，并结合数据算法，可以快速地进行预测。
此外，这些系统还可以监控飓风的路径，包括其可能的方向以及影响范围等信息。
这些信息可以帮助我们及时了解飓风的情况，并安排最佳的逃生路线，减少灾害对我们的伤害。
三、人工智能在洪水预警中的应用洪水是自然灾害中较为常见的一种，造成的损失也比较大。
与地震和飓风不同，洪水的预警更多地依赖于气象部门的预测。
而随着人工智能的应用，洪水预测也变得更加精准。
目前，一些洪水预警系统也已经应用了人工智能。
这些系统通过接收水位测量器、雨量计和气象卫星等设备所传递的信息，并结合数据算法，可以准确地测算出洪水的可能发生时间和范围。
这些信息可以帮助我们及时地采取措施，保护我们的生命和财产安全。
四、人工智能在荒漠化预警中的应用荒漠化是一种环境问题，它会对土地和生态系统造成伤害。
由于荒漠化是一个缓慢的过程，它很难被人类及时察觉。
但是，人工智能可以帮助我们更加准确地预测荒漠化的可能发生时间和范围。
人工智能在海洋监测与预报中的应用
人工智能在海洋监测与预报中的应用随着技术的不断发展，人工智能在各个领域的应用日益广泛，包括海洋监测与预报。
人工智能在海洋领域的应用可以提高数据处理的效率和准确性，为海洋环境保护和资源开发提供有力支持。
本文将就人工智能在海洋监测与预报中的应用进行探讨。
一、开发海洋数据处理系统人工智能可以通过海洋数据处理系统获取并整合不同类型的数据源，海洋数据处理系统可以利用多种传感器获取数据。
海洋数据处理系统可以收集和整合海洋数据，如气象数据、海洋气流、波浪、温度等数据，为海洋预报和海洋资源开发提供有力支持。
海洋数据处理系统可以利用人工智能自适应处理算法，自动预测海面状况和海洋风力，从而预测海洋条件。
这样可以大大提高对海洋环境的监测及海洋灾害的预测的准确性和效率。
二、应用神经网络预测海浪和热带气候事件人工神经网络已经在海洋预测领域中得到了广泛的应用，可以对海浪和热带气候事件进行有效的预测和分析，对于保持海洋环境的稳定发挥着重要作用。
利用神经网络预测海浪，可以获得更加准确的结果，从而提高海上交通的安全性。
同时，利用人工智能分析和预测热带气候事件，也可以提高对于热带气候事件的预警水平，为保护海洋生态环境和人们的生命安全提供保障。
三、应用深度学习技术增强定位和导航信息人工智能可以通过深度学习技术，提高对船舶的定位和导航信息的准确度。
在船舶导航中，人工智能可以通过海洋航道信息、船舶地图和船舶导航技术，提高船舶导航的准确度和效率。
这对于提高海洋贸易的安全性和效率，对于海洋环保和资源开发也有着积极的推动作用。
四、通过海洋信息分析改进建模方法海洋预测和建模方法的改进也是目前海洋预报领域需要解决的问题。
利用机器学习的方法可以提高海洋分析的准确性和模型的精度，从而更好地预测热带气候事件、海浪、海洋气流等海洋条件，也可以更好地保护海洋生态环境和资源。
由于人工智能的创新和发展，人工智能在海洋领域的应用不断拓宽，成果在保障人民生命安全、推动海洋经济发展、保护海洋生态环境等方面正发挥着重要的作用。
机器学习在气象数据分析中的应用
机器学习在气象数据分析中的应用随着科技的不断发展，机器学习在各个领域的应用也越来越广泛。
气象学作为一门研究天气变化原理和规律的学科，其数据的分析和预测对于社会生产和生活的影响至关重要。
传统的气象数据分析方法需要人工参与，过程繁琐且效率较低。
而机器学习技术的应用，使得气象数据的分析变得更加准确和高效，大大提升了气象预测的能力。
一、机器学习在气象数据预测中的应用气象数据预测一直是气象学中最重要的应用之一。
传统的气象预测方法主要依赖于数学模型，但由于天气系统的复杂性和数据的多样性，使得传统的方法往往难以准确预测气象现象。
而机器学习技术可以通过学习历史数据和监测实时数据，建立自适应的预测模型，从而提高预测的准确性。
常见的机器学习方法在气象数据预测中的应用有以下几种：1. 支持向量机（Support Vector Machine，SVM）：支持向量机是一种监督学习方法，它可以通过将样本映射到高维空间，找到一个最优的超平面，使得样本在超平面两侧的间隔最大化。
在气象数据预测中，可以将历史气象数据作为输入特征，将气象变量作为输出标签，通过训练支持向量机模型，从而实现对未来天气的预测。
2. 随机森林（Random Forest）：随机森林是一种集成学习方法，通过多个决策树的集成来进行预测。
在气象数据预测中，可以将历史气象数据作为输入特征，将未来气象变量作为输出标签，通过训练随机森林模型，从而实现对未来天气的预测。
随机森林具有较高的准确率和鲁棒性，可以有效地处理复杂的气象数据问题。
3. 神经网络（Neural Network）：神经网络是一种模拟人脑神经系统的学习算法，在气象数据预测中有着广泛的应用。
通过构建具有输入层、隐藏层和输出层的神经网络模型，可以将历史气象数据作为输入，将未来气象变量作为输出，通过训练神经网络模型来实现对未来天气的预测。
神经网络具有较强的非线性拟合能力，可以有效地捕捉复杂的气象变化规律。
二、机器学习在气象灾害预警中的应用气象灾害对人类社会产生了严重的影响，因此提前预警并采取相应的措施至关重要。
基于人工神经网络的风速预测算法
基于人工神经网络的风速预测算法人类一直都是依赖自然来生存的，无论是农业还是工业，都需要根据季节和天气情况来做出相应的安排和决策。
而在风能开发中，也需要根据风速来调整和预测能源生产量。
这时候，基于人工神经网络的风速预测算法就显得尤为重要。
1. 引言人工神经网络（Artificial Neural Network，简称 ANN）是模拟人类神经系统建立的一种计算模型，并被广泛应用于风速预测中。
与传统的物理模型相比，ANN 不需要了解被研究对象的全部信息，它只需要了解输入和输出间的关系即可进行预测。
由于神经元之间的权重和偏差可以通过反向传播算法（Back Propagation，简称 BP）进行自适应优化，所以 ANN 的预测精度相对较高。
2. 神经网络模型的构建人工神经网络的构建需要确定网络结构和参数设置两个步骤。
在确定网络结构时，需要根据风速预测的应用对象来决定输入层和输出层的个数。
在此基础上，可以通过实验和模型自动学习探索中间隐藏层的层数和节点数。
在参数设置阶段，需要确定神经网络的激励函数、权重和偏差初始值以及学习率等参数。
3. 数据预处理在神经网络模型的构建过程中，需要对数据进行预处理。
在风速预测中，数据可以通过历史数据采样来获取。
而在这个过程中，需要对获得的数据进行去噪处理和数据归一化处理，以便在神经网络中更好地进行数值计算。
4. 神经网络的训练和优化在神经网络完成初始化后，需要使用历史数据对其进行训练。
这个过程中，通常采用反向传播算法进行优化。
反向传播通过计算网络输出值与实际值的误差并反向传播计算各层神经元的误差值来优化网络参数。
此外，还可以结合交叉验证等方法对神经网络的预测精度进行评估和优化。
5. 风速预测模型的实现在神经网络模型训练完成后，就可以进行风速的预测。
风速预测模型通常分为两种：一种是基于单一神经网络的风速预测模型，另一种是基于集成学习的风速预测模型。
其中，单一神经网络模型需要事先对数据量和预测精度进行评估，而集成学习模型则可以根据数据的特点和预测对象的不同来进行调整并优化预测结果。
基于粒子群优化BP神经网络的台风灾损预测模型研究
人 脑 的基 本 特 征 ，并 对 自然 神 经 网 络 进 行 抽 象 和 模 拟 。人 工 神 经 网络 可 以对 关 系复 杂 或 具 有 不 确
定 性 的 系统 进行 充 分 的 逼 近 ，通 过 训 练 样 本 学 习 获 得输 入 、输 出 的连 接 权 值 ， 自学 习 能 力 对 解 决 大 复 杂度 的 问题 提 供 了 一 种 简 单 、有 效 的 办 法 。 Ｂ Ｐ网络 是 一 种 多 层 前 馈 的神 经 网 络 ，具 备 神 经
中图 分 类 号 ：Ｐ ４ ４ ４；Ｘ ４ ３ 文 献 标 志码 ：Ａ 文 章 编 号 ：１ ０ ０ ０～８ １ １ Ｘ（ ２ ０ １ ３ ） ０ ４— ０ ０ １ １— ０ ６
测 ，并建 立基 于 Ｇ Ｉ Ｓ的台风 灾情 预测信 息 系统 。此
０ 引言
台风 的 发 生 往 往 伴 随 着 暴 雨 、大 风 等 强 对 流 天气 ，并 容 易 引 发 山体 滑 坡 、洪 涝 等 其 他 自然 灾 害 。浙江 省东 濒 东 海 ，南 界 福 建 ，每 年 有 ７～８个
（ 南京信息工程大学 ，江苏 南京 ２ １ ０ ０ ４ ４ ）
摘
要 ：在对浙江省 台风灾 情实际情况研究 的基础上 ，选择 台风路径 预报 平均误差 、预 警能力指数 等 １ ６个 因子
作为输入量 ，用粒 子群算法 （ Ｐ Ｓ Ｏ） 对 Ｂ Ｐ神 经 网络的参 数进 行优 化 ，以避 免陷入局 部 极小和 初始参 数 的抉择 问 题 ，提高模型 的精度和 收敛速度 ，从 而建立 了 Ｐ Ｓ Ｏ — Ｂ Ｐ模型 ，并 将模 型应用 于浙 江 台风灾情 的预测 。最后 ，对 Ｐ Ｓ Ｏ — Ｂ Ｐ网络模型与普通 Ｂ Ｐ模型 的台风灾 情 预测训 练效果 进行 对 比，使 用三个 台风数据测 试 已训练 好 的网络 ， 模型 的预测结果显示 ，Ｐ Ｓ Ｏ — Ｂ Ｐ算法 相较 于 Ｂ Ｐ算法有更高的精度 ，能较好 的反应历年台风灾情的基本趋势 。 关键词 ：防 台减灾 ；台风灾情 ；粒子群算 法 ；Ｂ Ｐ神经 网络 ；浙 江
基于T-S模糊神经网络的模型在台风灾情预测中的应用——以海南为例
灾
害
学
Ｖ ０ １ ． ２ ８ ＮＯ ． ２ Ａｐ ｒ ． ２ ０１ ３
Ｊ ＯＵＲＮＡＬ ＯＦ ＣＡＴ ＡＳ Ｔ ＲＯＰ ＨＯＬ ＯＧＹ
基于 Ｔ — Ｓ模 糊 神 经 网络 的模 型 在 台风 灾 情 预 测 中 的 应 用
关 键 词 ：台 风灾 害 ；预测 模 型 ；Ｔ — Ｓ模 糊 神 经 网络 ；海 南 中 图 分 类 号 ：Ｘ ４ ３ ；Ｐ ４ ４ ４ 文献 标 志码 ：Ａ 文 章 编 号 ：１ ０ ０ ０— ８ １ １ Ｘ（ ２ ０ １ ３ ） ０ ２—０ ０ ８ ６— ０ ４
台风是 我 国 自然 灾 害 中影 响最 为 严 重 的灾 害 之一 ，具 有发 生 频 次 高 、影 响 范 围广 、突发 性 强 、 成灾 强度 大 等 特 征 。近 年 来 ，随 着 社 会 经 济 的发 展 ， 自然 灾 害 风 险 分 析 及 评 估 方 法 的 研 究 日益 受 到 重视 ，针 对 台风 灾 害 损 失 评 估 也 做 了一 些 研 究 和探 索 ，相关 的模 型 及 应 用 也 日益 成 熟 。梁 必 骐 等¨ 采用 模 糊 数 学 方 法 提 出 了灾 害评 估 模 型 ，计 算 出历 次 登 陆 热 带 气 旋 的 综 合 灾 害 指 数 。 樊 琦 等 采用 模 糊 数 学 方 法 提 出 了 灾 害 评 估 模 型 。孙 伟 等 运 用 可 拓 理 论 建 立 海 南 岛 台风 灾 害评 估 可
拓模 型 。钱 燕 珍 等 采 用 数 理 统 计 方 法 进 行 定 量 的计 算 ，建 立 灾 情 指 数 序 列 并 划 分 了 灾 情 等 级 。 陈惠芬 等 通 过 多 元 线 性 回归 建 立 了灾 害 指 数 计 算 方程 。 张忠 伟 等 利 用 Ｇ Ｉ Ｓ技 术 绘 制 海 南 岛 台 风 灾害 致灾 因子 危 险性 区 划 图 ，并进 行 等 级 划分 。
基于人工神经网络的气象预测
基于人工神经网络的气象预测气象预测一直是人们十分关注的话题之一。
准确的气象预测能够帮助人们实现飞行、航海、农作物种植等各种活动的安排。
近年来，随着人工智能技术的不断发展，在气象预测领域，人工神经网络作为一种强大的工具正得到越来越广泛的应用。
人工神经网络是一种模拟人脑神经元网络的计算模型，它可以学习和模拟非线性复杂问题。
在气象预测领域，人工神经网络主要用于预测温度、降雨量、降雪量等气象因素。
首先，我们需要收集气象数据。
气象数据包括温度、风向风速、湿度、气压等多种因素。
这些数据可以通过气象站、卫星等途径获取，但是气象数据通常具有很强的随机性和时序性，这使得处理气象数据变得十分困难。
在处理气象数据方面，数据预处理是非常重要的。
数据预处理的目的是将原始数据转换成合适的输入数据以便于神经网络能够处理。
数据预处理包括数据标准化、数据平滑和数据降维等步骤。
接着，我们需要将数据输入到神经网络中进行训练。
神经网络训练时需要确定网络的拓扑结构、学习算法和参数设置等。
常用的学习算法包括误差反向传播算法、梯度下降算法和遗传算法等。
在训练过程中，我们需要定义损失函数和评估函数，以便评估神经网络的训练效果。
当神经网络训练完成后，我们就可以使用其进行气象预测。
神经网络预测的过程需要注意预测结果的可靠性和准确性。
为了保证预测结果的可靠性，我们需要为神经网络设置合适的阈值，以便预测结果能够满足特定的需求。
同时，为了提高预测结果的准确性，我们需要对神经网络进行不断的改进和优化。
总之，基于人工神经网络的气象预测，可以帮助我们更准确地预测各种气象因素，提高我们的活动安排效率。
未来，我们可以继续对神经网络进行改进和优化，以实现更准确、更可靠的气象预测。
神经网络预测模型在天气预报中的应用
神经网络预测模型在天气预报中的应用一、绪论天气预报是人们日常生活中不可或缺的一部分，对于农业、交通、旅游等领域都有着重要的意义。
天气预报需要综合利用各种气象观测资料和气象数据，进行科学的分析研究，从而得出精确的预报结果。
神经网络作为一种强大的工具，已经在天气预报中得到了广泛的应用，并取得了不错的预测效果。
二、神经网络在天气预报中的应用概述神经网络作为一种基于人工神经元的信息处理系统，具备高速计算能力、自适应性以及并行计算等优点。
在天气预报中，神经网络可以通过训练学习实际观测数据，建立一种预测模型来达到较好的预报效果。
通常情况下，天气预报可以分为短期预报和长期预报两种。
1.短期和实况天气预报短期和实况天气预报一般涉及到气温、降水、风力等几个重要指标的预测。
通过收集实时数据和历史数据，可以利用神经网络对短期和实况天气进行预报。
其中，神经网络可以将各个气象因素间的相互影响联系起来，提高夜间以及过渡时段的预报精度。
具体地说，神经网络可以对气象资料进行处理、转化和提取，选择适当的因素建立合适的模型，从而完成短期和实况天气预报任务。
2.长期天气预报长期天气预报一般是指按季度、月份或者周进行的天气变化预报。
与短期和实况天气不同，长期天气的预测存在许多不确定性，涉及到更多的气象因素和过程。
利用神经网络进行长期天气预报需要处理更为复杂的气象因素，通过高效的训练和学习，建立一个较为准确的预测模型，最终得出较为精确的长期天气预报结果。
在实际应用中，长期天气预报还需要结合观测数据和历史数据进行分析研究，进一步提高天气预报的准确性。
三、神经网络在天气预报中的案例分析以某省某市的天气预报为例，通过建立神经网络预测模型，分析其预报效果。
该模型基于Multilayer Perceptron（MLP）算法，利用历史数据对当天的最高、最低气温进行预测，并计算出预测误差和相关系数。
预测结果表明，神经网络预测模型对当日最高最低气温的预测误差较小，相关系数较高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３３卷第２期 ２０１６年４月 海 洋 预 报
ＭＡＲＩＮＥ Ｆ０ＲＥＣＡＳＴＳ Ｖｂ１－３３，Ｎｏ．２
Ａｐｒ．２０１６
ＤＯＩ：１０．１ １７３７ ．ｉｓｓｎ．１００３—０２３９．２０１６．０２．００９
人工神经网络在台风风暴潮模拟中的解释应用
张娟，周水华，黄宝霞，张敏 （国家海洋局南海预报中心，广东广州５１０３００）
摘 要：将ＢＰ人工神经网络引入到风暴潮数值预报的解释应用中，并以惠州站为例，根据台风参 数与增水的关系建立３套神经网络模型，对风暴潮的数值预报结果进行订正，计算结果显示：ＢＰ人 工神经网络可以改进风暴潮数值模式的预报精度，可以作为惠州站数值预报结果解释应用的一种 方法，同时也为台风风暴潮数值预测的解释应用提供了新思路。 关键词：ＢＰ人工神经网络；风暴潮；解释应用；数值预报 中图分类号：Ｐ７３１．２３文献标识码：Ａ 文章编号：１００３—０２３９（２０１６）０２．００６０—０６
１ 引言 现阶段风暴潮预报方法主要有经验统计预报 和数值预报，其中风暴潮数值预报结果已经成为风 暴潮预报中的主要参考依据ｎ ，在风暴潮预报中发 挥着重要的作用，模式能较好的模拟增水的基本变 化状况，但有时预报值仍然有较大的误差，这在目 前的风暴潮数值预报是常见的现象，这可能是由不 精确的台风风场、气压场、地形和底摩擦等因素导 致的。当然，数值模式本身的缺陷也是其中原因之 因此，对数值预报产品的解释应用来提高预报 精度是非常有必要的。目前，国内外针对气象要素 开展的数值预报产品释用技术研究已经有较多的 成果［３－１７］，而对于海洋预报要素的数值预报产品的释 用技术处于探索阶段。在风暴潮方面，目前国内只 看到王培涛等人用集合预报的方法对其数值预报 的解释应用（１８－ｔ９￣。因此，本文尝试以惠州站为例，利 用ＢＰ人工神经网络对风暴潮数值产品的释用进行 初步探析。 ２ 方法介绍 ２．１ ＢＰ人工神经网络模型简介 人工神经网络简称神经网络，是基于生物学神 经网络原理而建立的一种适应系统，由若干称为神 经元的简单处理组合而成，所有神经元通过前向或回 馈的方式相互作用、相互联系。神经网络具有自适 应、自组织、自学习的特点，非线性映射能力极强 ”。 本文采用的人工神经网络是应用较为广泛的３ 层结构的ＢＰ人工神经网络，ＢＰ人工神经网络是一 种基于误差反向传播算法的多层前馈型网络，由信 号的正向传递与误差的反向传播组成：正向传播 时，输入的信息流从输入层，经隐层逐层处理后传 向输出层（见图１）。若输出层的实际输出与期望输 出不符，则转向误差的反向传播阶段。误差的反向 传播是将输出误差以某种形式通过隐层向输入层 逐层反转，并将误差分摊给各层的所有单元，从而
隐含层
图１典型的前馈型人工神经网络示意图 （引自文献１５）
收稿日期：２０１５—０８—１９ 基金项目：国家海洋局海洋公益性行业科研专项（２０１３０５０３１—４） 作者简介：张娟（１９８２一），女，工程师，硕士，主要从事海洋环境预报工作。Ｅ—ｍａｉｌ：ｚｈａｎ西ｕａｎ８２０５＠１２６．（３ｏｍ ２期 张娟等：人工神经网络在台风风暴潮模拟中的解释应用 ６３ １ ３ ５ ７ ９ １１ １３ １５ １７ １９ ２１ ２３ ２５ ２７ ２９ ３１ ３３ ３５ ３７ ３９ ４１ ４３ ４５ ４７ ４９ ５１ ５３ ５５ ５７ ５９ ６１ ６３ ６５ ６７ ６９ ７１ ７３ ７５ ７７ ７９ ８１ 样本个数 图５训练样本的训练结果、ｅｌｃｉｒｃ计算结果与实测增水过程的对比
表２训练样本误差统计 指标 Ｅｌｃｉｒｃ ＡＮＮａ ＡＮＮｂ ＡＮＮｃ 平均绝对误差／ｃｍ ３０．０ １０．２ １３．０ １３．２ 平均相对误差 ４３．８ １５．０ １８．８ ｌ８．９
站点，增水预报效果则是比较差的，甚至会出现实 测为增水，而预报为减水的情况，因此检验样本除 了选择惠州站位于台风右半圆的１２０８号台风，还选 择了惠州站位于台风左半圆的０６０１号台风和ｌ３ｌ９ 号台风。台风路径图略。 根据上节建立好的神经网络模型，对０６０１号、 １２０８号、１３１９号台风数值预报增水进行订正。订正 结果见图６，统计结果见表３。从图表来看：（１）３种 方案的神经网络模型预测结果均优于ＥＬＣＩＲＣ模式 计算结果，尤其是０６０１号台风，惠州站位于０６０１号 台风的左半圆，从图上可以看出，数值模拟结果与 实测结果变化趋势是相反的，但经过神经网络模型 订正后的结果与实测变化趋势是一致的，并且方案 Ｃ的订正结果与实测吻合最好；（２）除了在趋势变化 上较好的改善外，在最大增水值和最大增水值出现 时间上，也有较大的提高，１２０８号数值预报结果最 大增水值比实测最大值出现提前２ ｈ，而经过神经网 络订正过的最大增水值出现时间与实测一致；１３１９ 号数值预报的最大增水比实测值大６０ ｃｍ，经过神 经网络模型方案ａ订正后的最大增水与实测值只相 差４ ｃｍ； 从图表结果来看，不同神经网络方案订正效果 不同，对１３１９号台风来讲，方案ａ有较明显的提高，
８０ ６０ ４０ 吕 ２０
： ２ ６Ｏ ８０ １Ｏ０ １２０
１４０ １２０ １００ 量８０
６０ 磐 ４０
２０ Ｏ ２０
ｇ
１ ２ ３ ４ ５ ６ ７ ８ ９ １０ｌ１ｌ２１３ｌ４１５１６１７１８ｌ９２０２１ ２２２３２４ 样本个数
ａ．０６０１号台风增水
ｌ ２ ３ ４ ５ ６ ７ ８ ９ １０ １１ １２ 样本个数 ｂ．１２０８号台风增水
ｌ ２ ３ ４ ５ ６ ７ ８ ９ １０ １ｌ ｌ２ 样本个数 ｃ．１３１９号台风增水
图６预测样本的神经网络订正结果、ｅｌｃｉｒｃ计算结 果与实测增水过程的对比
但方案ｃ订正过的最大增水值却比实测大１００ ｃｍ左 右，比订正前还大；在０６０１号台风过程中，方案ｃ订
∞ ∞ 如 ∞ 如 Ｏ ２ ２ ｌ １ ｇ３／ 姗珊海 洋 预 报 ３３卷
表３预测样本误差统计
正效果最好，方案ｂ其次；相对１２０８号台风来讲，３ 种方案订正效果差别不大。究其原因分析有，一是 台风资料的不准确性，本文所用的台风资料是根据 线形插值方法插值成间隔为１ ｈ的，与实际资料并 不完全相符，二是大风半径的不准确，且台风过后， 并没有根据相关资料对其进行订正；三是惠州站建 站较晚，所获得的样本资料比较少，样本资料的多 少对神经网络模型计算结果有很大的影响。
５ 小结 本文将ＢＰ神经网络引入风暴潮数值预报的解 释应用中，根据输入因子与风暴增水的关系，设计 了３套神经网络模型，并利用建立神经网络对数值 预报结果进行解释应用，从神经网络输出结果来 看，所建立的神经网络在惠州站的订正效果还是比 较满意的，可以作为惠州站数值预报结果解释应用 的一种方法，同时也为台风风暴潮数值预测的解释 应用提供了新思路。 从订正结果可以看出，虽然已经取得了很大的 进展，但该方法在预报精度方面仍有提升空间，需 要说明的是，作为一种探索，本文预报因子的选取、 模型的建立以及预报个例的检验等方面还有许多 值得完善、改进之处，还有待于进一步探索、研究。
参考文献： ［１］王喜年．风暴潮预报知识讲座第四讲风暴潮预报技术（１）［Ｊ］．海 洋预报，２００１，１８（４）：６３—６９． ［２］冯士笮．风暴潮导论［Ｍ】．北京：科学出版社，１９８２． ［３］樊晓春，董彦雄，董安祥，等．Ｔ２１３资料在冰雹短期预报中的释用 ［Ｊ］．干旱气象，２００４，２２（１）：８６．８９． ［４］黄辉，陈淑琴．ＭＭ５数值预报产品在舟山海域风力分区预报中 的释用［Ｊ］．海洋预报，２００６，２３（２）：６７—７１．
［５】徐琳娜，冯汉中．基于数值预报产品的温度释用方法比较［Ｊ］ｌ四 川Ｉ气象，２００６，２６（２）：４－５，１４． ［６］应爽．日本数值预报产品在温度预报中的释用【Ｊ］．吉林气象，
２００７，（２）：２１—２２，４０． ［７］陈舜华，吕纯廉，范淦清．用数值预报产品的逐步ＬＯＧＩＳＴＩＣ动力 统计释用天气预报模型［Ｊ］＿气象科学，１９９６，１６（１）：８１—８５． ［８］郑和文，严明良，范淦清．ＰＰ法用于江苏台风暴雨预报的经验、结 果和应用前景［ＪＪ．气象科学，１９９９，１６（２）：１７８—１８３． ［９］刘鸿升，余功梅．偏北大风的数值预报释用方法研究［Ｊ】．气象科 学，２００２，２２（１）：１００—１０６． ［１０］王太微，陈德辉．数值预报发展的新方向一集合数值预报［Ｊ］．气象 研究与应用，２００７，２８（１）：６－１２，２４． ［１１］苏兆达，苏洵．数值预报产品释用的阈值法研究［Ｊ］．气象研究与 应用，２００７，２８（４）：５－７． ［１２］Ｍａｒｚｅｂａｎ Ｃ，Ｗｉｕ Ａ．Ａ Ｂａｙｅｓｉａｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｅｖｅｒｅ—Ｈａｉｌ Ｓｉｚｅ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｗｅａｔｈｅｒ ａｎｄ Ｆｏｒｅｃａｓｔｉｎｇ，２００１，１６（５）： ６００—６１０． ［１３］ＭｃＣａｎｎ Ｄ ｗ Ａ Ｎｅｕｒａｌ Ｎｅｔｗｏ￣Ｓｈｏｒｔ—Ｔｅｒｍ Ｆｏｒｅｃａｓｔ ｏｆ Ｓｉｇｎｉｆｉｃａｎｔ Ｔｈｕｎｄｅｒｓｔｏｒｍｓ［Ｊ］．Ｗｅａｔｈｅｒ ａｎｄ Ｆｏｒｅｃａｓｔｉｎｇ，１９９２，７ （３）：５２５—５３４． ［１４］Ｓｉｌｖｅｒｍａｎ Ｄ，Ｄｒａｃｕｐ Ｊ Ａ．Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｌｏｎｇ—Ｒａｎｇｅ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｃａｌｉｆｏｍｉａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｍｅｔｅｏｒｏｌｏｇｙ，２０００，３９（１）：５７—６６． ［１５］余运河，胡邦辉，董文娟，等．ＢＰ自适应网络在数值预报产品的 释用［Ｊ］．解放军理工大学学报（自然科学版），２００３，４（６）：９４—９７． ［１６］金龙，林熙，金健，等．模块化模糊神经网络的数值预报产品释 用预报研究［Ｊ］．气象学报，２００３，６１（１）：７８—８４． ［１７］邓小花，魏立新．运行神经网络方法对ＷＲＦ数值模拟结果的初 步释用［Ｊ］．海洋预报，２０１ １，２８（６）：１７—２３． ［１８］王培涛，于福江，刘秋兴，等．台风风暴潮异模式集合数值预报 技术研究及应用［Ｊ］．海洋学报，２０１３，３５（３）：５６—６４． ［１９］王培涛，于福江，刘秋兴，等．福建沿海精细化台风风暴潮集合 数值预报技术研究及应用［Ｊ］．海洋预报，２０１０，２７（５）：７－１５． ［２０］苑希民，李鸿雁，刘树坤，等．神经网络和遗传算法在水科学领 域的应用［Ｍ］．北京：中国水利水电出版社，２００２． 【２１】胡守仁，余少波，戴葵．神经网络导论［Ｍ］．长沙：国防科技大学 出版社，１９９３． ［２２］朱智慧．ＢＰ神经网络方法在海浪数值预报中的释用研究ｆＪ］．大 气科学研究与应用，２０１１，（１）：８４—９１． ［２３］齐义泉，张志旭，李志伟，等．人工神经网络在海浪数值预报中 的应用［Ｊ］．水科学进展，２００５，１６（１）：３２—３５． ［２４］Ｚｈａｎｇ Ｙ Ｌ，Ｂａｐｔｉｓｔａ Ａ Ｍ，Ｍｙｅｒｓ Ｅ Ｅ Ａ Ｃｒｏｓｓ—Ｓｃａｌｅ Ｍｏｄｅｌ ｆｏｒ ３Ｄ Ｂａｒｏｃｌｉｎｉｃ Ｃｉｒｃｕｌａｔｉｏｎ ｉｎ Ｅｓｍａｕ—Ｐｌｕｍｅ—Ｓｈｅｌｆ Ｓｙｓｔｅｍｓ：Ｉ． Ｆｏｒｍｕｌａｔｉｏｎ ａｎｄ Ｓｋｉｌｌ Ａｓｓｅｓｓｍｅｎｔ［Ｊ］．Ｃｏｎｔｉｎｅｎｔａｌ Ｓｈｅｌｆ Ｒｅｓｅａｒｃｈ， ２００４，２４（１８）：２１８７—２２１４． ［２５］周水华，李远芳，冯伟忠，等．“０６０１”号台风控制下的广东近岸 浪特征［Ｊ］．海洋通报，２０１０，２９（２）：１３０—１３４． ［２６］张娟，冯伟忠，李广敏，等．１００３号台风“灿都”风暴潮特征分析 与模拟［Ｊ］．海洋通报，２０１１，３０（４）：３６７－３７０．