GIS与小波神经网络下热带气旋路径的预测

孙海燕，赵 阳，万太礼

(武汉大学测绘学院，湖北 武汉 430079)



GIS与小波神经网络下热带气旋路径的预测

孙海燕，赵 阳，万太礼

(武汉大学测绘学院，湖北 武汉 430079)

提出了一种应用GIS技术与神经网络相结合进行热带气旋路径预测的方法。首先在GIS的时空数据库基础之上建立热带气旋数据库。针对待预测的热带气旋，利用GIS的空间分析功能对历史气旋数据进行筛选形成样本数据。用样本数据对小波神经网络进行训练从而完成神经网络的建模，并利用此模型对热带气旋的路径进行预测。试验表明该方法可以得到较好的预测结果。

热带气旋；预测；GIS；小波神经网络；空间分析

一、引 言

热带气旋路径预测的方法主要有数值预报法、客观预报法[1]。其中数值预报依据大量的气象数据，并考虑海洋等多种物理因素作为条件参数进行路径预测。数值预报方法的预测精度较高，但需要较多的实测数据，非专业部门应用困难。客观预报法则以历史热带气旋数据为基础，并应用概率论、相似分析、回归分析及气候学持续性预报等方法进行预测[2-3]，在热带气旋预测中取得了较好的应用。由于热带气旋运动与其影响因素之间是高度非线性关系，建立它们之间的数学模型比较困难，神经网络是一种易于应用的方法。神经网络是一门非线性科学，具有自学习、自组织、自适应和容错性等优点。经过改进的BP神经网络已经在热带气旋预报中取得了一定的成果。周曾奎等[4]给出了应用改进的BP神经网络判定热带气旋的移向趋势的方法。邵利民等[5]提出了一种利用CLIPER筛选因子来改进BP网络预报热带气旋路径的方法。俞善贤等[6]提出了基于RBF的逐步选取因子的算法，并同BP、LM等不同类型的神经网络作了对比试验。同时，GIS技术在热带气旋分析和预报服务中也得到一定应用。邹亮等[7]提出了基于GIS空间分析方法的关键点相似度法，并据此结合台风移向移速建立了一个预测台风路径趋势的数学模型。孔令娜[1]针对热带气旋关键点与路径相似性标准探讨了基于GIS的热带气旋路径相似预测方法。

目前应用神经网络预测气旋路径的试验，一般采用把整个热带气旋样本库随机选取一部分用来训练网络，剩下一部分用作网络测试，用训练好的网络对此后所有的气旋进行预测。由于生成于不同位置与季节的气旋的运动路径有很大的不同，不考虑这些因素而选取训练样本可能导致网络的复杂度大大提高，降低预报精度。

由于同一季节位置相近的热带气旋的运动路径有很高的相似性，本文提出一种应用GIS空间分析与神经网络预测相结合的热带气旋路径预测方法。即根据待分析气旋当前的时间、地点，应用GIS空间分析对历史热带气旋数据库进行筛选，建立训练神经网络的气旋样本，用此样本训练建立针对当前气旋的神经网络模型，并用此模型对该气旋的路径进行预测。由于这种方法不依赖于实测的气象、海洋等数据，对于热带气旋的灾害预防与灾前准备有一定的应用价值。

二、试验设计

1.热带气旋空间数据库建立

从中央气象局热带气旋资料中心下载热带气旋最佳路径数据集[8-9]，截至目前该中心提供了1949—2013年以来西北太平洋(含南海，赤道以北，东经180°以西)海域热带气旋每6 h的热带气旋信息。主要包括热带气旋编号、热带气旋路径预报时刻、强度标记、经纬度、中心最低气压及预报时刻2 min平均近中心最大风速等信息。数据集以文本形式存在，对数据集进行解析，建立热带气旋点要素数据集和热带气旋路径要素数据集，存入基于GIS的时空数据库[10]中，形成历史热带气旋数据库。

从中央气象台气象灾害预警模块中可以得到待分析气旋最近的时间与位置，以此作为筛选样本数据的依据和预测计算的初始值。

2.相似路径筛选

陈联寿在《西太平洋热带气旋概论》一书中指出了判断热带气旋相似常用的相似标准主要有季节相似、地理相似和移向移速相似[11]。本文概括为利用时间相似性和空间相似性对样本进行筛选。其中时间相似性是指在相似的季节里大气环流具有一些相似的规律，这些气象因素影响着热带气旋的移动路径。空间相似性是指相似的空间位置保证了相似的地理环境，而这些地形因素也对热带气旋的移动路径产生着影响。

首先基于时间相似性理论，通过待预测热带气旋路径的时间信息对历史热带气旋数据库进行筛选。以待预测路径当前时间点的前后各45 d作为时间跨度，选择历年在此时间跨度内的历史热带气旋点要素数据。

然后基于空间相似性理论，对待分析热带气旋路径进行缓冲区分析，缓冲区半径设定为500 km。将得到的缓冲区范围与上一步筛选出的历史热带气旋数据进行叠置分析作进一步筛选，得到待预测热带气旋路径的历史相似数据，并以此数据建立神经网络训练的样本数据。

经过筛选得到的数据提高了神经网络训练样本的质量，同时训练样本的数量对预测的结果也起着相当重要的作用，因此当得到的样本数据过少时可适当增加筛选的时间跨度和空间跨度。

3.小波神经网络预测模型建立

小波神经网络是基于小波分析理论所构造的一种新型人工神经网络。小波神经网络以BP神经网络拓扑结构为基础，用小波基函数取代通常的非线性Sigmoid函数作为其隐含层节点的传递函数。相较于BP网络，小波神经网络的预测速度快，泛化性能好，预测精度较高。限于篇幅，小波神经网络的基本原理本文不再赘述。

由于训练过程中采用目标预测时刻的前面连续4个时刻的气旋数据进行预测，因此将叠置分析得到的热带气旋路径点要素数据以热带气旋编号作为主关键字，发生时间作为次关键字进行排序。依次取相邻的5条记录组成一个序列，根据热带气旋编号判断5条记录是否属于同一热带气旋，并根据发生时间判断相邻点之间的时间间隔是否为6 h，只有隶属于同一热带气旋并且相邻记录之间的时间间隔全部为6 h，则此序列为需要的序列，选择前4条记录中的位置信息(经度值和纬度值)作为输入数据，最后1条记录的位置信息(经度值或纬度值)作为输出数据。

本文对热带气旋路径预测的经度和纬度独立预测，然后将预测结果进行合成。小波神经网络分为输入层、隐含层和输出层3层，网络结构为8-16-1。其中输入层有8个节点，分别记为X1～X8，表示预测时间节点的前4个时间点的位置信息(经度值和纬度值)；输出层有1个节点，记为Y，表示网络预测的经度值或纬度值；隐含层有16个节点，由小波数构成。根据预测误差不断修正网络的权值和小波基函数的参数，直至到满足训练终止条件。

本文采用的小波基函数是应用较为广泛的Morlet母小波基函数，其公式为

y=cos(1.75x)e-x2/2

(1)

网络的权值和参数修正采用增加动量项的方法来提高学习效率。

最后用训练好的小波神经网络预测待分析热带气旋路径。预测更长时间的经纬度信息的方法类似，即在隶属于同一热带气旋的基础上，使输出层节点与输入层的最后一个位置信息之间的时间间隔为需要预测的时间长度(如12 h、18 h、24 h等)。

基于GIS和小波神经网络预测热带气旋路径的整个流程如图1所示。

图1 基于GIS和小波神经网络的预测流程

三、结果分析与展示

文中随机选择了5条不同热带气旋路径做预测试验。选择的标准是尽可能包含不同强度、不同走向和不同位置的路径，以同样的试验方法分别预测了6—24 h的热带气旋路径中心位置，预测结果见表1。

表1 热带气旋路径预测结果

本文基于GIS和小波神经网络的热带气旋路径预测方法，预测结果精度满足相关预报领域规定的精度要求。文献[12]提出的BP神经网络预测气旋路径的方法，其12 h和24 h的预测平均绝对误差分别约为83.5 km和157.9 km，文献[5]中提出的应用BP神经网络预报气旋路径的24 h的预测平均绝对误差为147.7 km。可以看出，本文预测结果精度与其大体相当，并有所提高，取得了较为理想的结果。并且由于本文试验方法是针对待预测热带气旋选择特定的训练样本，因此该方法对不同热带气旋具有较好的适用性。

以1307号超强热带气旋“苏力”为例对预测结果进行展示。“苏力”热带气旋发生于2013年7月，是近些年登陆我国强度最大的热带气旋之一，分别于7月13日03时和7月13日16时分别登陆台湾省和福建省，给台湾和大陆沿海经济和人身财产安全带来严重的影响。

本文预测了7月10日2时至7月14日2时共17个时刻的热带气旋路径的经纬度信息。其中6 h预测时长的预测结果见表2。

表2 1307号热带气旋6小时预测时间间隔的路径预测结果 (°)

根据待预测点的经纬度信息，将经纬度误差转换为实地距离，得到1307号热带气旋路径中心位置6 h的平均绝对误差为33.54 km。图2展示了1307号热带气旋从7月10日2:00—7月14日2:00共17个时刻的预测间隔为6 h路径预测结果，其中实线部分代表真实的热带气旋路径，虚线部分则表示预测路径。图3展示了1307号热带气旋7月12日2时之后24 h内的预测结果。其中虚线所表示的预测路径上的节点分别展现了这一时刻之后的6 h、12 h、18 h和24 h的路径预测信息。

四、结束语

本文设计并实现了基于GIS分析与小波神经网络的热带气旋路径预测试验。基于相似理论并应用GIS时空数据库与GIS分析技术对样本进行筛选，保证了神经网络预测样本的质量，同时也极大提高了样本筛选的效率，加强了试验方法对于不同热带气旋预测的适用性。

图2 1307号热带气旋6 h预测时间间隔的路径预测结果

图3 1307号热带气旋7月12日2:00 24 h内预测路径

文中应用小波神经网络对热带气旋路径进行预测的模型简单，对预测所需数据要求极低，仅需用到历史热带气旋的位置和时间信息，方便应用。

当然，系统模型及试验方法还有待进一步完善。如本文应用的预测模型仅用到历史热带气旋的位置信息，一方面模型简单方便应用，另一方面又损失了诸如热带气旋中心气压、近中心最大风速等因素对路径预测的影响。同时，热带气旋的强度信息在热带气旋预报中也占有重要地位，接下来的研究方向主要有进一步优化预测模型，结合热带气旋路径与强度进行综合预测等。

[1] 孔令娜.基于GIS的热带气旋路径相似法预测的研究[D].长沙:中南大学,2012.

[2] 黄小燕，金龙.条件数在台风移动路径预报中的应用[J].自然灾害学报,2007,16(3):35-40.

[3] HIRAOKA T, MSAEDA H, IKOMA N.Two-stage Prediction Method of Typhoon Position by Fuzzy Modeling-fusion of Outline Prediction and Detailed Prediction [C]∥Proceedings of IEEE International Conference on Systems, Man and Cybernetics.Tobyo:IEEE，1999.

[4] 周曾奎，韩桂荣，朱定真，等.人工神经网络台风预报系统[J].气象,1996,22(1):18-21.

[5] 邵利民，傅刚，曹祥村，等.BP神经网络在台风路径预报中的应用[J].自然灾害学报,2009,18(6):104-111.

[6] 俞善贤，钟元，滕卫平.热带气旋路径人工神经元预报方法对比试验研究[J].热带气象学报,2004, 20(5):523-529.

[7] 邹亮，任爱珠，徐峰，等.基于GIS空间分析的台风路径预测[J].清华大学学报,2008,48(12):2036-2040.

[8] YING M, ZHANG W, YU H, et al.2014: An Overview of the China Meteorological Administration Tropical Cy-clone Database[J].Atmos.Oceanic Technol,2014(31):287-301.

[9] CMA Tropical Cyclone Data Center.CMA Tropical Cyclone Best Track Dataset[DB/OL].[2014-11-06].tcdata.typhoon.gov.cn.

[10] 龚健雅，李小龙，吴华意.实时GIS时空数据模型[J].测绘学报, 2014,43(3):226-275.

[11] 陈联寿，丁一汇.西太平洋台风概论[M].北京:科学出版社,1979:1-2.

[12] 吕庆平，罗坚，朱坤，等.基于人工神经网络的热带气旋路径预报试验[J].广东气象,2009,31(1):15-18.

Tropical Cyclone Track Forecasting Based on GIS and Wavelet Neural Network

SUN Haiyan，ZHAO Yang，WAN Taili

孙海燕，赵阳，万太礼.GIS与小波神经网络下热带气旋路径的预测[J].测绘通报，2015(7)：54-57.

10.13474/j.cnki.11-2246.2015.0210

2014-11-06

国家科技支撑计划 (2011BAK07B02)；国家自然科学基金(91024032)

孙海燕(1960—)，男，教授，主要研究方向为灾害监测与应急管理、测量数据处理。E-mail：595087300@qq.com

P208

：B

：0494-0911(2015)07-0054-04