[1]何慧,陆虹,覃卫坚,等.人工神经网络在月降水量预测业务中的研究和应用综述[J].气象研究与应用,2021,42(01):1-6.[doi:10.19849/j.cnki.CN45-1356/P.2021.1.01]
　He Hui,Lu Hong,Qin Weijian,et al.Research and application of artificial neural network in monthly precipitation forecast[J].Journal of Meteorological Research and Application,2021,42(01):1-6.[doi:10.19849/j.cnki.CN45-1356/P.2021.1.01]
点击复制

人工神经网络在月降水量预测业务中的研究和应用综述()
分享到：

气象研究与应用[ISSN:1673-8411/CN:45-1356/P]

卷:
第42卷
期数:
2021年01期
页码:
1-6
栏目:
研究论文
出版日期:
2021-03-31

文章信息/Info

Title:
Research and application of artificial neural network in monthly precipitation forecast
作者:
何慧;  陆虹;  覃卫坚;  陆芊芊
广西壮族自治区气候中心, 南宁 530022
Author(s):
He Hui;  Lu Hong;  Qin Weijian;  Lu Qianqian
Guangxi Climate Center, Nanning Guangxi 530022
关键词:
月降水量; 神经网络; 预报建模; 气候预测
Keywords:
monthly precipitation; neural network; prediction modeling; climate prediction
分类号:
P45
DOI:
10.19849/j.cnki.CN45-1356/P.2021.1.01
摘要:
月降水量的年际变化具有显著的非线性变化特征，预测难度大，历来是重大气象灾害预测的重点难点问题。BP（back propagation）神经网络在月降水量预测业务中的研究和应用中，取得了较好的成果，其中应用较广泛的是PCA-BP神经网络模型、遗传算法优化神经网络、RBF神经网络预测模型、小波神经网络模型、粒子群-神经网络模型等，这些方法也在广西月降水量预测业务中得到很好的应用，对提高月降水量预测能力有较大帮助。因此，有必要对目前神经网络在月降水量预测中的优势和不足进行综述，提出未来研究需要关注的重点关键问题。
Abstract:
The interannual variation of monthly precipitation is characterized by significant nonlinear variation, which is difficult to predict and has always been a key and difficult problem in the prediction of major meteorological disasters. BP neural network has achieved good results in the research and application of monthly precipitation forecast. PCA-BP Neural network model, genetic algorithm optimization neural network, RBF neural network prediction model, wavelet neural network model, and particle swarm optimization neural network model are widely used. These models are also applied well in Guangxi monthly precipitation prediction business, which is helpful to improve the monthly precipitation prediction ability. Therefore, it is necessary to summarize the advantages and disadvantages of neural network in monthly precipitation prediction, and put forward the key issues for future research.

参考文献/References:

[1] Charles S, Sarah E N.Climate forecasts and flood mitigation[J]. Southern Economic Journal, 2019, 85(4):1083-1107.
[2] Awan J A, Bae D H.Drought prediction over the East Asian monsoon region using the adaptive neuro-fuzzy inference system and the global sea surface temperature anomalies[J]. International Journal of Climatology,2016,36(15):4767-4777.
[3] Stefanova L,Misra V,James J,et al. Hindcast skill and predictability for precipitation and two meter air temperature anomalies in global circulation models over the southeast united states[J]. Climate Dynamics, 2012,38(12):161-173.
[4] 黄荣辉,张庆云,阮水根,等.我国气象灾害的预测预警与科学防灾减灾对策[M].北京:气象出版社,2005:5-8,94-107.
[5] 何文平,王柳,万仕全,等. 旱涝预测的演化建模方法[J].物理学报,2012,60(11):548-555.
[6] 杨金虎,孙兰东,林婧婧,等. 1961-2012年盛夏持续性旱涝异常分析及预测[J].资源科学,2015,37(10):2078-2085.
[7] 金龙. 神经网络气象预报建模理论方法与应用[M]. 北京:气象出版社,2004.
[8] 戴翼,何娜,付宗钰,等.北京智能网格温度客观预报方法(BJTM)及预报效果检验[J].干旱气象,2019,37(2):339-344.
[9] Makungo R,Odiyo J O, Mwak B.Rainfall-runoff modelling approach for ungauged catchments:A case study of Nzhelele River sub-quaternary catchment[J]. Physics and Chemistry of the Earth, 2010, 35(13-14):45-62.
[10] 赵亮, 刘友波, 余莉娜,等. 基于深度信念网络的光伏电站短期发电量预测[J]. 电力系统保护与控制,2019(18):11-19.
[11] 金龙,黄颖,姚才,等.人工智能技术的热带气旋预报综述(之一)[J].气象研究与应用,2020,41(2):1-6.
[12] 刘婷婷,张华.主成分分析与经验正交函数分解的比较[J].统计与决策,2011(16):159-162.
[13] 胡江林,张礼平,宇如聪.神经网络模型预报湖北汛期降水量的应用研究[J].气象学报,2001,59(6):776-783.
[14] 王业宏,金龙.基于自然正交展开的神经网络长期预测模型[J].自然灾害学报,2003,12(2):127-132.
[15] 吴有训,程雪生,胡安霞.神经网络汛期降水短期气候预测模型[J].数学的实践与认识,2010,40(3):103-106.
[16] 牛志娟,胡红萍,白艳萍,等.基于BP、PCA-BP和PLS算法对城市降水量的预测研究[J].中北大学学报(自然科学版),2016,37(2):181-186.
[17] 薛宇峰,宋丽红,罗泽举.湛江降水量的径向基神经网络预测模型[J].热带气象学报,2006,22(1):91-95.
[18] 闭祖良,张展羽,朱新国,等.基于RBF神经网络马尔可夫模型的降水量预测[J].节水灌溉,2010(11):1-3.
[19] 冯亚文,任国玉,张丽,等.长江上游月降水人工神经网络预测模型[J].长江流域资源与环境,2011,20(1):40-47.
[20] 季刚,姚艳,江双五.基于径向基神经网络的月降水量预测模型研究[J].计算机技术与发展,2013,23(12):186-189.
[21] 郭皓,邢贞相,付强.基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用[J].水土保持研究,2014,21(6):299-303.
[22] 崔屾,迟道才,孟丽丽,等.基于小波神经网络的年降水量预测模型研究[J].人民长江,2008,39(20):55-57.
[23] 侯泽宇,卢文喜,陈社明.基于小波神经网络方法的降水量预测研究[J].节水灌溉,2013(3):31-34.
[24] 董海彪,卢文喜,欧阳琦,等.小波神经网络在降水量预测中的应用研究[J].节水灌溉,2014,12:33-36.
[25] 张帅,魏正英,张育斌.递归神经网络在降雨量预测中的应用研究[J].节水灌溉,2017(5):63-66,71.
[26] 熊海晶,王式成,王栋.BP神经网络和小波分析在年降水预报中的应用研究[J].水资源研究,2012,1(5):340-346.
[27] 吴建生,金龙,汪灵枝.遗传算法进化设计BP神经网络气象预报建模研究[J].热带气象学报,2006,22(4):411-416.
[28] 吴有训,王周青,汪文烈,等.遗传算法优化BP网络的汛期降水预测模型[J].安徽农业大学学报,2013,40(2):299-303.
[29] 胡邦辉,成龙,王学忠,等.长江中下游汛期降水GA-BP预测模型[J].解放军理工大学学报(自然科学版),2016,17(6):564-570.
[30] 程军,李荣钧.基于粒子群优化的神经网络预测模型[J].数学的实践与认识,2015,45(3):176-180.
[31] 徐以山,曾碧,尹秀文,等.基于改进粒子群算法的BP神经网络及其应用[J].计算机工程与应用,2009,45(35):233-235.
[32] 吴有训,束长汉,陶曙华,等.粒子群优化的神经网络在夏季降水预测中的应用[J].中国农学通报,2013,29(5):137-142.
[33] 蒋林利,吴建生,曾文华.基于混合算法的径流预测模型研究[J].广西大学学报(自然科学版),2014,39(2):351-357.
[34] 王汉涛,张潇潇.仿生算法优化BP神经网络在降雨空间插值中的应用[J].水资源与水工程学报,2019,29(3):106-112.
[35] 金龙,罗莹,王业宏,等.月降水量的神经网络混合预测模型研究[J].高原气象,2003,22(6):618-623.
[36] 李永华,金龙,缪启龙,等.基于SSA-MGF的BP神经网络多步预测模型[J].大气科学学报,2005,28(4):549-555.
[37] 吴建生,金龙.基于SSA-MGF的偏最小二乘回归神经网络的预测模型[J].灾害学,2006,21(2):17-22.
[38] 金龙,况雪源,黄海洪,等.人工神经网络预测模型的过拟合研究[J].气象学报,2004,62(1):62-70.
[39] 覃志年,金龙,况雪源.人工神经网络的短期气候定性预测方法研究[J].气象科技,2004,36(3):168-172.
[40] 何慧,金龙,覃志年,等.基于BP神经网络模型的广西月降水量降尺度预报[J].热带气象学报,2007,23(1):72-77.
[41] 农吉夫,金龙.基于MATLAB的主成分RBF神经网络降水预测模型[J].热带气象学报,2008,24(6):713-717.
[42] 蒋林利,吴建生,丁立新.基于二分搜索密度峰算法的RBFNN在月降水预报中的应用[J].计算机应用研究,2019,36(2):362-366.
[43] 金龙,吴建生,林开平,等.遗传算法BP神经网络的预报研究和应用[J].高原气象,2005,24(6):981-987.
[44] 吴建生.旱涝灾害的遗传-神经网络集成预测方法研究[J].广西科学,2006,13(3):203-206,211.
[45] 吴建生,金龙,农吉夫.遗传算法BP神经网络的预报研究和应用[J].数学的实践与认识,2005,35(1):83-88.
[46] 农吉夫.遗传算法与神经网络相结合的降水预测模型[J].大学数学,2012,28(5):114-118.
[47] 农吉夫,黄文宁.遗传算法优化神经网络的汛期降水模型[J].数学的实践与认识,2010,40(20):54-58.
[48] 吴建生.基于粒子群算法的神经网络短期降水预报建模研究[J].智能系统学报,2006,1(2):67-73.
[49] 吴建生,刘丽萍,金龙.粒子群-神经网络集成学习算法气象预报建模研究[J].热带气象学报,2008,24(6):679-686.
[50] 覃卫坚,李耀先,陈思蓉,等.粒子群-神经网络在华南夏季降水短期气候预测中应用研究[J].气象研究与应用,2015,36(2):1-7.
[51] 覃卫坚,廖雪萍,陈思蓉.延伸期暴雨过程的神经网络预报技术应用初探[J].气象研究与应用,2018,39(4):1-4.
[52] Kumar S,Tiwari M K,Chatterjee C,et al. Reservoir inflow forecasting using ensemble models based on neural networks:wavelet analysis and bootstrap method[J].Water Resources Manage, 2015(29):4863-4883.
[53] Yaseen Z M, Fu M,Wang C,et al.Application of the hybrid artificial neural network coupled with rolling mechanism and Grey model algorithms for stream flow forecasting over multiple time horizons[J].Water Resources Manage,2018(32):1883-1899.

相似文献/References:

[1].基于神经网络的广州市能见度预报[J].气象研究与应用,2014,35(01):17.
[2].基于MATLAB神经网络对大同市气溶胶浓度预测[J].气象研究与应用,2014,35(01):50.
[3]覃卫坚,黄志,李耀先.广西寒露风开始期短期气候预测方法研究[J].气象研究与应用,2014,35(03):11.
[4]梁振清,陈生.基于深度学习和雷达观测的华南短临预报精度评估[J].气象研究与应用,2020,41(01):41.[doi:10.19849/j.cnki.CN45-1356/P.2020.1.09]
　Liang Zhenqing,Chen Sheng.Accuracy evaluation of nowcasting in South China based on deep learning and radar observation[J].Journal of Meteorological Research and Application,2020,41(01):41.[doi:10.19849/j.cnki.CN45-1356/P.2020.1.09]
[5]金龙,黄颖,姚才,等.人工智能技术的热带气旋预报综述（之一）——BP神经网络和集成方法的热带气旋预报研究和业务应用[J].气象研究与应用,2020,41(02):1.[doi:10.19849/j.cnki.CN45-1356/P.2020.2.01]
　Jin Long,Huang Ying,Yao Cai,et al.A review of tropical cyclone forecast based on artificial intelligence (part 1)——BP neural network and ensemble method for tropical cyclone forecast research and operational application[J].Journal of Meteorological Research and Application,2020,41(01):1.[doi:10.19849/j.cnki.CN45-1356/P.2020.2.01]
[6]李宗飞,陈凯华,赵玉娟.卷积神经网络和传统算法的雷达面雨量计算效果对比研究[J].气象研究与应用,2021,42(04):89.[doi:10.19849/j.cnki.CN45-1356/P.2021.4.16]
　Li zongfei,Chen Kaihua,Zhao Yujuan.A comparative study of convolution neural network and traditional algorithm in radar area rainfall calculation[J].Journal of Meteorological Research and Application,2021,42(01):89.[doi:10.19849/j.cnki.CN45-1356/P.2021.4.16]

备注/Memo

备注/Memo:
收稿日期:2020-11-06。
基金项目:国家自然科学基金（42065004）、中国气象局预报员专项（CMAYBY2019-088）、广西科技攻关计划项目（桂科攻1598017-14）
作者简介:何慧(1967-),女,正高级工程师,从事气候分析与预测研究。E-mail:hi.hehui@163.com
更新日期/Last Update: 1900-01-01