两种不同模型对漂流适宜性等级预报的对比分析

尚媛媛，杜正静，夏晓玲

（贵州省气象服务中心，贵州 贵阳550002）

旅游业是当前贵州大力发展的重点产业。贵州依托大数据产业，大力推动“互联网”旅游发展，与气象等各相关产业融合，加强智慧旅游平台建设。然而，当前贵州旅游气象服务的发展远落后于旅游业发展。大部分地区局限于旅游景区的天气预报，有些地区则开展了景区旅游气象指数预报[1-4]。全球气候变暖带来的气温、降水、日照等气候要素的变化[5]，导致依赖生态环境变化的旅游活动首当其冲受到影响。漂流是贵州较有特色的一项户外水上旅游项目。漂流中游客完全暴露于自然条件下，天气状况对于漂流适宜性等级有着重要的影响。气候不仅影响旅游活动的环境和旅游活动本身，还影响着游客的体感舒适度[6]。因此，研究气象条件对漂流适宜性等级相关性十分有意义，旨在开发特色旅游气象产品，丰富公共气象产品库内容。

目前，相关部门根据各地的旅游特色也展开了相应的研究。杨胜忠等[7]根据山洪水位监测站降水量和水位资料进行分析，得出翁密河降水量与水位涨幅之间存在着显著的正相关，降水量越大，水位上涨越明显。影响水位的因素很多，包括气候、地形地貌、植被、河床、落差等，但是只考虑降水因素对水位影响则局限性较大。邓学军等[8]从气候特点漂流气候适宜性和漂流气象障碍等方面分析杉木河景区气候资源。彭洁等[9]通过分析气候适宜性等级判定结果与漂流景区的客流量相关系数达到0.859，表明气象因子是影响猛洞河漂流客流量的最主要因素。向红琼、邱粲等针对气象因子[10-11]对漂流客流量的影响进行了详细的研究与总结。研究发现，针对具体气象因子对漂流等级的相关性分析方面的研究并不多。因此，本文研究对象桃源河，素有“人间仙境”、“黔中福地”之称的贵阳修文桃源河峡谷生态旅游区，属国家4A级旅游景区，位于贵阳市修文县六屯乡境内，地处桃源河谷，研究桃源河气象因子对漂流等级的相关性分析是十分必要的。本文在前人的研究基础上，着重对漂流适宜性等级进行划分，提出气象因子与漂流适宜性等级之间的关系，建立漂流适宜性等级预报模型，为贵州省科学管理和开发旅游气候资源提供科学依据，为游客提供科学有效的指导产品，对方便游客科学、合理安排出游计划具有重要的指导作用，也为景区根据气象条件调配人力、调整服务项目提供依据。

1 资料与方法

本研究基于桃源河景区2015年1月1日—2016年12月31日逐日游客总数和景区所在地最近的气象观测站[12-13]相对应年份的日最高/最低气温，日平均气温、平均相对湿度、最小相对湿度、日降水量（北京时 08：00—20：00）[14]以及风速等资料进行研究。通过对气象条件进行统计分析，结合日常天气预报实际，利用前一天的数值预报资料，预报第二天的漂流等级，以此建立针对景区的漂流适宜性等级预报模型。以此类推，可用此方法进行2~5 d的漂流适宜性等级预报。

通过观察和分析客流量数据，人为地划分4个等级。漂流等级1，游客人数为1耀500，漂流适应性为“一般”；漂流等级 2，游客人数为 501耀1000，漂流适应性为“较适宜”；漂流等级3，游客人数为1001耀3000，漂流适应性为“适宜”；漂流等级4，游客人数为>3000，漂流适应性为“非常适宜”。同时，认定模型检验预报等级跟实况等级完全一致时，评分为100分；检验模型预报等级与实况等级相差1时，评分为80分；当检验模型预报等级与实况等级相差逸2时，评分记为不及格（低于60分）。为消除节假日和暑假旅游现象，节假日和暑假的数据均挑出，按“节假日、暑假逐日数据”等做二次建模。

对客流量与各气象要素进行相关性分析后发现，此种方法效果不尽人意，故采用判别分析法[15]和BP神经网络方法[16-17]进行分析，模型效果较好。判别分析法是在分类确定的条件下，根据漂流各种特征值判别其类型归属问题的一种多变量统计分析方法，其基本原理是按照一定的判别准则，建立一个或多个判别函数，用研究漂流的大量资料确定判别函数中的待定系数，并计算判别指标，最终确定漂流等级属于何类。BP网络（Back Propagation），是一种按误差逆传播算法训练的多层前馈网络，能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，适宜于本研究。

2 基于判别分析法对漂流适宜性等级方程的建立

判别分析法建立模型预报因子包括日最高/最低气温，日平均气温、平均相对湿度、最小相对湿度、日降水量（北京时 08：00—20：00）以及风速。

2.1 基于全年漂流周期气象因子建立漂流等级预报方程及检验

根据修文县桃源河客流量监测，经过处理，最终有效数据随机分成4组，并抽取其中一组作为检验组，其余剩下3组数据作为建模数据，进行建模。平均气温记为X1，最高气温记为X2，最低气温记为X3，平均相对湿度记为X4，最小相对湿度记为X5，08—20时降水量为X6，Y为预报客流量的数据（下同）。预报方程为：

比较计算出的 Y1、Y2、Y3、Y4，最大值的角标即为预报客流量的数据，如Y1大于其他Y值，对应预报为Y1。

从图1可以看出，随机选取的检验数据，反映出全年漂流周期的等级分布基本平衡，通过分析得出，检验预报评分为100分的占55.6%，预报评分为80分的占22.2%，预报评分不及格的占22.2%，由此可以看出，预报评分在80以上占77.8%，模型预报效果尚可。

图1 对漂流全年等级预报模型的检验

2.2 基于节假日和周末气象因子建立漂流等级预报方程及检验

根据漂流周期，国家法定节假日和周末数据，随机分成3组，并抽取其中一组作为检验组，其余剩下两组数据作为建模数据，进行建模。预报方程为：

通过检验预报效果（图2），预报等级1占多数。检验预报评分为100分的占35.7%，预报评分为80分的占39.3%，预报评分不及格的占25%。可以看出，预报评分在80分以上占75%，模型预报效果相当好，但是参与建模的数据量相对于其他两组的建模数据还是相对较少，并且检验的数据也非常有限，所以该模型预报是否运用到实际生活中还有待进一步检验。

图2 对节假日和周末预报模型的检验

2.3 基于暑假气象因子建立漂流等级预报方程及检验

根据历年暑假放假周期，整理样本数据，随机分成四组，并抽取其中一组作为检验组，其余剩下三组数据作为建模数据，进行建模。预报方程为：

通过检验预报效果（图3），暑假的漂流等级普遍偏高，等级3、4居多，适宜性较好。预报评分100分的占35.1%，预报评分80分的占37.8%，预报评分不及格的占27.1%。可以看出，预报评分在80分以上达72.9%，模型预报效果相当不错。

图3 对暑假漂流等级预报模型的检验

运用判别分析对漂流适宜性等级的预报其优势在于，游客量的检测值为整数，其变化规律更接近于判别分析法，故选用此方法。但是判别分析有其局限性，建立预报方程时使用的实况数据中跃3000人以上的数据是存在的，并且是不规律的，因此，预报值中也不会显示跃3000的具体数值。因此在实际业务运行中需要根据实际情况及时更新预报方程。

3 基于气象因子建立漂流等级BP神经网络预报模型

本文测试了隐藏层个数为1、2，每个隐藏层神经元节点数为1~10共110种网络结构。漂流BP神经网络预报模型中，预报因子包括日最高/最低气温，日平均气温、平均相对湿度、最小相对湿度、日降水量以及风速。

3.1 基于全年气象因子建立漂流等级BP神经网络预报模型

根据修文县桃源河客流量监测，共262个数据样本，经过处理255个数据参与建模和检验，随机选取170个样本进行建模，剩余进行检验。建立神经网络模型计算出漂流等级预报值，并检验模型的效果。所有数据代入神经网络工具箱之前都进行标准化处理，使得每个因子的数据标准化到[-1，1]区间，输出结果后反标准化处理。

BP神经网络全年漂流等级预测效果较好的模型汇总（表1），模型3和模型5等级预报效果最好，正确率达55.3%，正确率次高的是模型4。模型3是第一个隐藏层有3个节点，第二个隐藏层有3个节点，模型4是第一个隐藏层有4个节点，第二个隐藏层有6个节点。可以看出BP神经网络对漂流等级预测的结果，并不是隐藏层越多，隐藏层的节点数越多，预报效果越好。

从表1可以看出，预报正确率最高为55.3%，绝对值的差为1的正确率最大值为92.9%，这两个最大值在同一个模型中，这只能代表个例，不能代表普遍。模型5的预报正确率的值最大也是55.3%。由于实际运用中采用两者的平均值最大的模型作为业务应用，故模型3对全年漂流等级的预报与实况的对比（图4）。分析可得，BP神经网络预报正确率均达到51%以上，且各模型之间跨度不大，可见预报比较稳定，预报等级绝对值的差臆1的预报正确率均达到90%以上，比较稳定，等级效果比较好。由此可见，BP神经网络对漂流等级预报的效果比较好。

表1 全年漂流等级预测效果较好的模型汇总

图4 全年最优BP神经网络模型对漂流等级预报和实况等级

3.2 基于节假日和周末气象因子建立漂流等级BP神经网络预报模型

漂流周期中含有包含节假日和周末的样本数量有85个，其中随机抽取45个用来建模，剩余用来检验。

BP神经网络节假日和周末漂流等级预测效果较好的模型汇总（表2），等级正确率最高的均在40%以上，且跨度较宽。

表2 节假日和周末漂流等级预测效果较好的模型汇总

从表2中可以看出，预报正确率最高为57.5%，等级绝对值差为1的正确率最大值为80.0%，这两个最大值并不集中在同一个模型中。模型2的平均值最大，模型2对周末和节假日漂流等级的预报与实况对比（图5），预报正确率在40%~57.5%之间，等级绝对值差为1的正确率均在70%~80%之间。可见，神经网络针对节假日和周末的预报正确率一般，等级绝对值差为1的预报效果较好，这也许与样本数量少有一定关系，因为神经网络预测的正确性和训练数据的多少有较大的关系，尤其对于一个多输入多输出的网络，如果缺乏足够多的网络训练数据，正如漂流周期中含有包含的节假日和周末的样本数量有限，BP网络预测值可能存在较大的误差。

图5 节假日和周末最优BP神经网络模型预报结果和实况

3.3 基于暑假气象因子建立漂流等级BP神经网络预报模型

漂流周期中暑假的样本数量，共包括145个样本，其中随机抽取85个用来建模，剩余用来检验。

BP神经网络对暑假漂流等级预报效果较好的模型汇总（表3），其中预报等级百分百正确的正确率最好的均在40.0%~51.7%。

表3 暑假漂流等级预测效果较好的模型汇总

从表3中可以看出，预报正确率最高为51.7%，等级绝对值差为1的正确率最高为90.0%，这两个最大值也没有集中在同一个模型中，同样取两者平均值最高的模型选取作为最优模型，模型5对暑假漂流预报等级和实况等级的对比（图6），预报等级，正确率在40.0%~51.7%之间，等级绝对值差为1的正确率在83.3%~90.0%之间，可见，神经网络对等级绝对值差为1的预报效果较好，对预报等级完全正确的效果一般，且跨度较大，这可能与样本数量少有一定关系。

图6 暑假最优BP神经网络模型预测结果和实况对比

4 结论与讨论

本文分析了桃源河景区气象要素前一日的日资料与当天的漂流适宜等级之间的关系，开展运用气象要素开展漂流适宜等级预报服务的工作。在漂流适宜性等级预报模型的研究基础上，结合数值预报输出的逐日要素产品，可以开展景区的漂流适宜等级预报服务，丰富公共气象服务产品库。因此，通过分析结果，BP神经网络与判别分析相比，神经网络对漂流适宜性等级预报正确率更高，效果更好。此外，暑假对漂流等级预报具有一定的正面影响。

（1）BP神经网络相较与判别分析法效果较好。这也许跟样本数量的个数有一定的关系。比如，两种方法建立的模型对节假日周末的等级预报正确率都比较高，两者差距很小。

（2）BP神经网络具有较高的拟合能力，但预测结果仍有一定误差。样本数量的个数直接模型的拟合效果，数据多则效果较好，反之则较差。神经网络对于暑假漂流等级误差为1的预报率效果相当好，准确率最高达92.9%，但是对于节假日和周末的预报效果准确率相对较差。

（3）应用BP神经网络构建漂流等级预报模型，并检验。暑假的预报效果最好，全年次之，节假日和周末最差。预报等级正确率均高于40%，等级绝对值差为1的正确率均高于70%，且最高达92%以上，具有一定的实际应用价值。

（4）不论是判别分析，还是BP神经网络，均对暑假漂流等级预报效果较好。一是因为部分人群放假，出游人数较多。二是夏季气温较高，人们更愿意选择漂流活动。因此运用到实际生活中，仍需要划分等级和时间来进行分析。

（5）桃源河漂流适宜性等级预报是根据客流量与多种气象要素综合考虑的预报模型，漂流适宜性等级越大表示越适宜开展此项活动，反之则较低。漂流适宜性等级模型具有贵州省内漂流特色，对于省内开展漂流活动具有一定的指导意义。

（6）桃源河漂流适宜性等级预报模型是基于日常天气预报结论的气象要素，简单、实用。但它受天气预报正确率的制约，有时会出现偏差。对于漂流适宜性等级预报模型的检验和效果评估，有待进一步的研究。

参考文献：

[1]杨琳，崔娜，陈启忠.深圳旅游气象条件分析[J].广东气象，2010，32（3）：46-48.

[2]杨尚英，李玲.旅游气象气候研究进展[J].桂林旅游高等专科学校学报，2007，18（3）：430-434.

[3]郭菊馨，白波，王自英，等.滇西北旅游景区气象指数预报方法研究[J].气象科技，2005，33（6）：604-608.

[4]吴龙，吴哲红，方庆文.安顺旅游舒适度分析[J].贵州气象，2009，33（增）：69-70.

[5]阿布都克日木·阿巴司，努尔帕提曼·买买提热依木，帕提曼·阿不都艾尼，等.喀什地区夏玉米发育期与气象因子关系分析[J].沙漠与绿洲气象，2016，10（4）：25-31.

[6]陶生才，潘婕，张磊，等.1971-2013年敦煌旅游气候舒适度分析与评价[J].沙漠与绿洲气象，2016，10（1）：27-33.

[7]杨胜忠，陈少华.暴雨山洪对黔东南漂流旅游影响研究[J].贵州气象，2012，6（36）：22-24.

[8]邓学军，刘建粤，白慧.杉木河旅游气候资源分析及应用[J].贵州气象，2005，3（29）：18-20.

[9]彭洁，宗志平，黄小玉，等.湖南猛洞河漂流气候适宜性等级评价及预报方程的建立 [J].气象，2011，6（37）：771-776.

[10]向红琼，于飞.贵州山地高分辨率旅游气象舒适度时空分布特征[J].贵州气象，2010，3（34）：4-6.

[11]邱粲，曹洁，林隆超，等.基于GIS的山东省旅游气候舒适度精细化评估 [J].资源科学，2013，35（12）：2501-2506.

[12]徐明时，邵玉平，王彦明.区域自动气象站在山洪灾害防治中的应用[J].黑龙江气象，2011，28（3）：19.

[13]叶金印，李致家，刘静，等.山洪灾害气象风险预警指标确定方法研究[J].暴雨灾害，2016，35（1）：36-30.

[14]程丽君，姚敏，高鸣远.上游降水及下游河闸对南京东山站水位的影响分析[J].水利信息化，2015（4）：21-24.

[15]黄嘉佑.气象统计分析与预报方法[M].3版.北京：气象出版社，2007.

[16]王立德，李欣然，李培强，等.基于人工神经网络的综合负荷模型[J].电网技术，2008，32（16）：59-65.

[17]王小川，史峰，郁磊，等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2014：40-44.