基于LSTM-GM神经网络模型的风暴潮增水预报方法.pdf

第 卷第 期 水 资 源 保 护 年 月.基金项目:国家重点研发计划项目()国家自然基金委创新团队项目()科技部重点领域创新团队项目()天津大学自主创新基金项目()作者简介:苑希民()男教授博士主要从事防洪减灾与智慧水利研究:.通信作者:田福昌()男助理研究员博士主要从事防洪减灾与应急决策研究:.:/基于 神经网络模型的风暴潮增水预报方法苑希民黄玉啟田福昌曹鲁赣(.天津大学水利工程仿真与安全国家重点实验室天津.浙江省水利水电勘测设计研究院有限责任公司浙江 杭州)摘要:为充分挖掘风暴潮增水的时序关联特性提高风暴潮增水的预报精度综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响结合长短期记忆()神经网络和灰色模型()的优势提出基于 神经网络模型的风暴潮增水预报方法 利用该方法采用 场历史台风数据对小清河入海口风暴潮增水进行模拟预报并将预报结果与 神经网络、神经网络的预报结果进行对比 结果表明:相较于 神经网络和 神经网络 神经网络模型的纳什效率系数分别提高了.和.均方根误差分别降低了.和.平均相对误差分别降低了 和.神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系提高风暴潮增水预报的精度关键词:风暴潮增水 神经网络模型 误差修正小清河入海口中图分类号:.文献标志码:文章编号:()/(.):()().:风暴潮是一种由于强风和气压骤变等剧烈的大气扰动导致海水升降异常的自然灾害现象 风暴潮灾害是我国主要海洋灾害之一其成灾频率高致灾强度大给沿海经济发展和人民生命财产安全带来巨大威胁 据 年中国海洋灾害公报数据统计我国沿海共发生风暴潮过程 次其中致灾 次累计死亡(含失踪)人直接经济损失达 亿元约占海洋灾害直接经济总损失的.因此开展风暴潮增水预报研究对提升沿海防灾减灾能力和保障沿海人民生命财产安全具有重要意义目前风暴潮增水预报方法主要分为经验统计预报、数值模拟预报以及人工智能预报 种 经验统计预报利用数理统计方法建立监测站当地气象特征与特定港口风暴潮增水值之间的经验预报方程如罗志发等基于监测站点多年历史潮位资料研究其风暴潮的基本特征并通过线性拟合得到监测站点的风暴潮经验预报公式 数值模拟预报包括数值天气预报和风暴潮数值计算如苑希民等联合不同维度水动力数值模型计算优势建立漫溃堤洪水多维耦联数值仿真模型精确模拟了洪水演进变化规律及分流特征为风暴潮数值模型计算提供了新思路蒋昌波等综合考虑了地形因素和台风因素的影响利用()模型和()模型建立了风暴潮与天文潮耦合的数值预报模型 然而经验统计预报过分依赖历史数据且预报方程仅适用于特定港口数值模拟预报需对风暴潮增水的生成机制和传播过程进行准确模拟但由于风暴潮增水的内部物理机制和动力学规律复杂很难建立起准确稳定的预报模型 随着人工智能的发展以人工神经网络()为代表的机器学习算法由于具有较强的非线性拟合和自适应能力已被广泛应用于水文预报领域 例如:卢君峰等综合考虑了风暴潮增水的主要影响因素利用 神经网络对厦门沿岸的风暴潮增水进行预报周寅杰等建立了基于被囊群算法优化的 神经网络模型并将其应用于温州站风暴潮增水预报中刘媛媛等将风速、风向、气压和前时序潮位等要素作为输入对长短期记忆()神经网络进行训练建立了风暴潮增水的临近预报模型 等考虑了台风因素和地理因素对风暴潮增水的影响利用 神经网络构建了适用于台湾东北部沿海的风暴潮增水预报模型 等均使用人工神经网络对风暴潮增水进行预报朱佩京等综合考虑了台风风暴潮增水的 个影响因素利用随机森林模型对风暴潮增水进行预报姚帏利用()和()合成台风风暴潮数据集并利用 对南海北部沿岸的风暴潮增水进行预报吕忻等通过 折滑动时间序列交叉验证结合网格搜索方法确定 的最佳参数构建了吴淞口潮位预报模型苗庆生等利用信息流理论确定了风暴潮增水的影响因素并利用 对厦门风暴潮增水进行预报薛明等利用 神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测 上述人工智能预报方法的研究部分只考虑了风暴潮增水数据与其影响因素间的静态关系没有充分挖掘风暴潮增水的时序关联特性部分虽然综合考虑了风暴潮增水的影响因素及其时序关联性但预报精度有待进一步完善为了克服现有风暴潮增水预报方法的不足本文综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响结合 神经网络泛化能力好、非线性预报准确率高的优势以及灰色模型()可弱化数据的波动性和随机性的优势提出一种基于 神经网络模型的风暴潮增水预报方法 由于特殊的地理位置和水文气象等条件影响小清河入海口风暴潮灾害频发灾害损失严重 因此选取小清河入海口的风暴潮增水预报为例运用该组合模型进行风暴潮增水预报并将预报结果与 神经网络和 神经网络的预报结果对比对 神经网络模型进行验证 预报方法.神经网络 神经网络是一种基于递归神经网络()的机器学习算法其通过独特的门控设计进行信息传递信息传递机制更为精细能够充分挖掘序列数据的长期依赖关系可有效避免长序列训练过程中的梯度消失和梯度爆炸问题 神经网络由输入层、隐藏层、全连接层和输出层组成其中隐藏层是链状结构主要包括输入门、输出门、遗忘门和记忆模块其模型结构如图 所示.灰色模型灰色系统理论通过对原始数据的整理和分析来挖掘离散数据间的规律性将杂乱无章的离散数据转换为有较强规律的新数据序列进而建立起相应微分方程形式的模型其可有效处理数据的波动性和随机性问题 灰色模型是灰色系统理论的重要组成部分其在充分认识和鉴别系统内各因素间不确定性关系和相异程度的基础上利用建立起的微分方程充分挖掘系统本质进而对系统未来发展趋势进行预测适用于处理数据波动较大和信息不全等不确定性问题 改进的()模型主要包括新信息()模型(预测出的数据作为原始变量数据递推预测数据)和新陈代谢()模型(预测出的数据作为原始变量数据同时去掉最老的数据递推预测数据)其利用新信息替换旧信息保持模型在预报过程中的动态更新注:、分别为输入门限、遗忘门限和输出门限 为 激活函数为 时刻的单元内部状态为 时刻的单元候选状态 为 时刻的单元外部状态图 神经网络结构.预报流程为提升风暴潮增水的预报精度将 神经网络和灰色模型的优势相结合构建 神经网络模型并提出基于 神经网络模型的风暴潮增水预报方法其预报流程(图)主要包括风暴潮增水影响因素分析、数据预处理、神经网络参数设置、灰色模型误差修正以及模型性能评估等图 神经网络模型预报流程.风暴潮增水影响因素分析 风暴潮增水内部物理机制和动力学规律复杂主要受台风、气象、天文潮、地理和潮流波浪等多种因素影响各影响因素间存在着复杂的非线性关系且随机性强台风因素主要包括台风中心位置、台风风力风速、台风中心气压、台风移速移向以及台风风圈半径等台风自身特征气象要素主要包括台风影响期间测站当地的风向、风速和气压等气象特征地理因素主要包括测站位置、坡度以及海岸形状和海底地形等地理特征 对于特定监测站点地理特征的变化通常较小对风暴潮增水的影响可忽略不计 然而在台风影响期间台风自身特征以及测站当地气象特征的变化是显著的且当风暴潮与天文潮同时发生时可能会引起部分地区水位暴增引发巨大潮灾 因此台风因素、气象要素和天文潮因素对风暴潮增水的影响是不可忽略的.数据预处理 数据预处理是为了提高模型的收敛速度和预报精度避免不同指标数值区间的差异性消除不同量纲对预报结果的影响 采用 函数对风暴潮增水及各影响因素监测数据进行归一化处理经处理后的指标数值按固定比例缩放至范围内 归一化公式为()()()式中:为风暴潮增水及各影响因素监测值归一化的值、分别为风暴潮增水及各影响因素监测值对应的最大值和最小值、分别为 和归一化后对应的最大值和最小值 为风暴潮增水及各影响因素监测值.神经网络参数设置 影响 神经网络模型训练效果的关键参数主要有学习率、隐藏层神经元个数、批尺寸和迭代次数等 其中学习率控制模型更新方向与收敛速度隐藏层神经元个数决定模型的非线性拟合能力批尺寸主要影响模型训练速度迭代次数主要影响权值更新的效率通常将平均绝对误差()设为损失函数即通过预报值与监测值的 对模型进行训练 为保证模型的鲁棒性和使损失函数最小采用基于自适应学习原理的 算法优化 神经网络内部参数通过网格搜索法确定模型的各关键参数.利用灰色模型修正 神经网络的误差将 神经网络训练样本预报值与监测值相比较得到的训练样本误差序列作为灰色模型的原始数据序列利用灰色模型弱化误差序列数据间的随机波动性挖掘误差系列的规律从而对预报误差进行修正本文选用传统()模型、新信息()模型和新陈代谢()模型分别对 神经网络模型的预报误差进行修正选用修正后预报误差最小的模型进行风暴潮增水预报 最后将满足精度要求的预报结果进行反归一化处理得到风暴潮增水值.模型性能评估 风暴潮增水是一种典型的时间序列问题对风暴潮增水预报模型性能的评估不仅应考虑模型总体稳定和平均误差还应考虑最大增 水 值 间 的 误 差 本 文 采 用 纳 什 效 率 系 数()、均 方 根 误 差()、平 均 相 对 误 差()和最大增水值相对误差()等评估指标从鲁棒性和泛化性等方面对不同预报模型的性能进行评估 其中 常用来量化水文预报模型的预报精度反映监测增水值与预报增水值之间的一致性 越接近于 代表一致性程度越高模型预报效果越好 和 反映监测增水值与预报增水值之间的差异程度 和 越小代表模型预报精度越高 实例验证.研究区概况小清河发源于山东省济南市南部山区自西向东流经济南、滨州、淄博、东营和潍坊 市于寿光市羊口镇东注入渤海莱州湾小清河入海口位置分布如图 所示入海口沿海天文潮属“一日两潮”的不规则半日潮区 根据 年小清河入海口潮位观测资料分析多年风暴潮增水的最大值为.最小值为.平均风暴潮增水为.由于小清河入海口频繁发生大流量洪水寿光市成为我国北方地区遭受风暴潮灾害最严重的地区之一因此开展小清河入海口风暴潮增水预报研究对提升寿光市海洋预报减灾能力有重要的现实意义图 小清河入海口位置.数据来源采用数据包括台风因素数据、气象要素数据和天文潮因素数据 台风因素数据为 年洋口港导致小清河入海口风暴潮增水的 场历史台风数据(表)台风中心的最大风速、最低气压、最大风速半径和台风中心距羊口港测站的最短距离等具体特征数据来源于中国气象局热带气旋中心(:/./)气象要素数据包括台风影响期间羊口港测站()的风向、风速和气压数据来源于美国国家海洋和大气管理气象数据中心(:/./)天文潮数据为台风影响期间羊口港测站的监测数据来源于国家海洋信息中心(:/./)表 羊口港历史台风特征 台风编号 台风名称风暴潮增水最大值/最大增水出现时间桃芝.风神.海马.麦莎.米雷.达维.麦德姆.安比.摩羯.温比亚.利奇马烟花.模型结构与参数确定利用收集到的台风因素数据(台风中心的最大风速、最低气压、最大风速半径和台风中心距羊口港测站的最短距离)、气象要素数据(台风影响期间羊口港测站的风向、风速和气压)以及天文潮因素数据(台风影响期间羊口港测站的天文潮)作为组合预报模型的输入样本风暴潮增水作为组合预报模型的输出样本构建多因素输入、单因素输出的 神经网络模型 将表 中前 场历史台风数据资料作为组合预报模型训练集 号利奇马台风数据资料作为组合预报模型测试集 号烟花台风数据资料作为组合预报模型预报集 从每个参与训练的历史台风数据资料中选取台风登陆前 逐时的台风因素资料、台风影响期间羊口港的气象要素和天文潮因素资料组成输入训练集选取对应时间羊口港的风暴潮增水值作为输出训练集共 个训练模型对按同样的方法从利奇马台风数据资料选取台风登陆前 逐时的各影响因素资料组成 个测试模型对并对烟花台风期间风暴潮增水进行预报通过不同参数设置以及逐参数微调进行模型的反复训练与测试确定学习率为.、时间步长为、隐藏层神经元个数为、批尺寸为、迭代次数为 作为该模型的最佳参数组合对训练集样本进行训练 为了提高组合模型的泛化能力防止模型出现过拟合问题本文运用 正则化算法在每次训练过程中按 的比例随机丢弃神经元以此降低神经元间的协同性利用由最佳参数组合驱动的 神经网络模型对风暴潮增水进行预报将预报误差序列分别输入传统()模型、新信息()模型、新陈代谢()模型进行修正得到修正后预报误差平方和分别为.、.、.选取修正后预报误差最小的新陈代谢()模型对风暴潮增水进行预报其由最小二乘法拟合得到的发展系数 为.灰色作用量 为 .其中模型的训练误差和测试误差如图 所示可见当迭代次数达到 时该组合模型的训练误差和测试误差都稳定在.说明模型没有出现过拟合或欠拟合问题 图 为该组合模型训练过程中风暴潮增水实测值和拟合值的对比曲线可见该模型在训练集上具有良好的拟合效果且预报误差很小平均绝对误差在.之内满足模型的预报精度要求图 模型的训练误差和测试误差.图 风暴潮增水实测值与拟合值对比.预报结果对比与分析为了分析不同因素对风暴潮增水预报的影响情况将台风因素、气象要素和天文潮因素进行组合形成以下 种影响因素组合情况:情况 仅考虑台风因素影响情况 考虑台风因素和气象要素影响情况 考虑台风因素和天文潮因素影响情况 考虑台风因素、气象要素和天文潮因素影响 利用 神经网络模型对上述 种影响因素组合下的风暴潮增水值进行预报并对每种情况下的 进行比较得到情况 下预报结果的 分别为.、.、.和.考虑不同影响因素的预报结果对比如图 所示 可见仅考虑台风因素影响的预报误差最大综合考虑台风因素、气象要素和天文潮因素影响的预报误差最小因此本文综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响将其作为组合预报模型的输入样本进行训练是合理的图 考虑不同影响因素的预报结果对比.为验证 神经网络模型的优越性和有效性将 神经网络与 神经网络运用于风暴潮增水预报中并将其预报结果与 神经网络模型的预报结果进行对比利奇马台风和烟花台风影响期间风暴潮增水预报结果对比如图 所示 神经网络适用于处理内部物理机制复杂以及影响因素间随机性强等问题已被广泛应用于水科学研究领域且对风暴潮增水预报具有一定的准确性和稳定性 本文采用与 神经网络具有相同隐藏层单元的 神经网络进行风暴潮增水预报均由 个输入层单元、个隐藏层单元和 个输出层单元组成并以学习效率为.、动量因子为.和迭代次数为 对 神经网络进行训练()利奇马台风()烟花台风图 各模型预报结果对比.由图 可见 神经网络模型的预报结果在数值与变化趋势上与监测结果最为接近整体在监测值附近上下波动而 神经网络和 神经网络的预报结果与监测值相比虽然变化趋势整体一致但预报误差相对较大验证了 神经网络模型在处理时间序列问题上具有较大的优势能够充分挖掘相隔较长时间风暴潮增水值之间的关联性可有效处理风暴潮增水各影响因素间的非线性关系提高风暴潮增水预报的精度各模型预报精度的评价结果如表 所示可见 神经网络模型预报结果的各项评价指标都明显优于其他预报模型不仅有效提高了风暴潮增水预报的整体精度还显著提高了风暴潮最大增水值的预报精度 相对于 和 神经网络利奇马台风影响期间 神经网络模型的 分别提高了.和.分别降低了.和.分别降低了.和.分别降低了.和 烟花台风影响期间 神经网络模型的 指标分别提高了.和.分 别 降 低 了.和.分 别 降 低 了 和.分别降低了.和.上述结果表明本文提出的 神经网络模型具有良好的预报稳定性和泛化能力可有效提高风暴潮增水的预报精度表 各模型预报精度的评价结果 台风预报模型/利奇马.烟花.结 语本文选取台风因素、气象因素和天文潮因素中的 个风暴潮增水主要影响因素结合 神经网络和灰色模型的优势提出一种基于 神经网络模型的风暴潮增水预报方法对小清河入海口风暴潮增水监测数据进行拟合与预报并与 神经网络和 神经网络预报结果进行对比通过预报结果对比分析可知 神经网络模型预报结果的各项指标均优于 神经网络和 神经网络其 为.满足风暴潮增水预报精度要求 可见提出的基于 神经网络模型的风暴潮增水预报方法具有良好的准确性和稳定性为风暴潮增水预报提供了一种新的途径参考文献:吴亚楠王智峰董胜等.山东沿海台风暴潮数值模拟与统计分析.自然灾害学报():.(.():.()国家海洋局.中国海洋灾害公报.北京:国家海洋局.罗志发黄本胜邱静等.粤港澳大湾区风暴潮时空分布特征及重点区域影响机理分析.水资源保护():.(.():.()尹姗姗陈强.珠海海域台风风暴潮经验预报方法研究.水利科技与经济():.(.():.()苑希民王亚东田福昌.溃漫堤洪水多维耦联数值模型及应用.天津大学学报(自然科学与工程技术版)():.(.()():.()蒋昌波赵兵兵邓斌等.北部湾台风风暴潮数值模拟及重点区域风险分析.海洋预报():.(.():.()徐婉明邓伟铸赵明利等.深圳 号台风风暴潮数值模拟及最高潮位特征分析.海洋预报():.(.():.().():.():.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.北京:中国水利水电出版.():.卢君峰李少伟袁方超.基于 神经网络的厦门沿海风暴潮预报应用.海洋预报():.(.():.()周寅杰刘强张晓琪.基于 模型的温州站台风风暴潮增水预测.海洋环境科学 :.(.:.()刘媛媛张丽李磊等.基于多变量 神经网络模型的风暴潮临近预报.海洋通报 ():.(.():.()刘媛媛刘业森张丽等.基于神经网络模型对风暴潮特征分析及预测:以深圳赤湾站和南澳站为例.中国防汛抗旱 :.(.:.:.().(/):.:.:.:.:.朱佩京罗年学赵前胜.基于随机森林模型的台风风暴潮最大增水预测.测绘通报():.(.():.()姚帏.基于机器学习的南海北部风暴增水预报研究.北京:国家海洋环境预报中心.吕忻丁骏.基于深度学习的潮位预报订正技术研究.海洋预报():.(.():.()苗庆生徐珊珊杨锦坤等.长短期记忆神经网络在厦门风暴潮预报中的应用.中国海洋大学学报(自然科 学 版):.(.:.()薛明李醒飞成方林.基于多种神经网络的风暴潮增水预测方法的比较分析.海洋通报:.(.:.()王亦斌孙涛梁雪春等.基于 模型的河流水量水位预测.水利水电科技进展():.(.():.()田烨谭伟丽王国庆等.多种 变体模型在径流预报中的应用及其可解释性.水资源保护 ():.(.():.()马景武周虎邹艳均等.基于灰色马尔科夫模型的南四湖水质预测.水资源保护():.(.():.()李浩飞常伟纲楚宪亮.新信息优先的灰色模型在沉降预测中的应用.测绘地理信息():.(.():.()张朝飞罗建军徐兵华等.基于灰色理论的新陈代谢自适应多参数预测方法.上海交通大学学报():.(.():.()郝导华马晓丽张美.小清河入海口现状及管理探索.山东水利():.(.():.()邵利民傅刚曹祥村等.神经网络在台风路径预报中的应用.自然灾害学报():.(.():.()冯快乐周建中江焱生等.基于 神经网络的湖北省山洪灾害危险性评价.自然灾害学报():.(.():.()纪芳侯一筠.改进 算法在风暴潮极值水位预报中的应用.中国海洋大学学报(自然科学版)():.(.():.()朱新国张展羽祝卓.基于改进型 神经网络马尔科夫模型的区域需水量预测.水资源保护():.(.():.()(收稿日期:编辑:王芳)(上接第 页)石红旺赵勇屈吉鸿等.天津市城市居民用水行为调查及影响因素识别.水电能源科学():.(.():.()王海叶赵勇李海红等.缺水型特大城市家庭水能关系分析与改进措施.水电能源科学():.(.():.()孙才志郝帅赵良仕.中国水资源能源粮食纽带系统效率时空分异特征.水资源保护():.(.():.()张光辉费宇红王茜等.灌溉农业的地下水保障能力评价方法研究黄淮海平原为例.水利学报():.(.():.()牛庆静.中国化石能源消费、碳排放与经济增长关系研究.济南:山东大学.曾萌张园园王红瑞等.中国水能源纽带关系双向消耗核算研究.水资源保护():.(.():.()姜珊.水能源纽带关系解析与耦合模拟.北京:中国水利水电科学研究院.王庆明张越赵勇等.河北省井灌区灌溉用水与耗能变化规律研究.南水北调与水利科技(中英文)():.(.():.().():.(收稿日期:编辑:王芳)