0 引言

作为对农业生产影响最大的一类自然灾害，干旱由于发生几率大、持续时间久、随机性强等特征，增加了对其预测与防治的难度，从而导致了许多环境与经济问题，如何提高预测干旱的精度问题成为当今研究的一个热点。随着计算机技术的飞速发展，干旱预测的技术也经历了跨域式的革命，由最初的应用历史资料和天气学统计相关、相似等方法迅速的发展到了应用数理统计及计算机软件等方法进行预测的阶段[1]，其中，灰色系统理论[2]、森林随机模型[3]、ARIMA模型[4]、PSO－LSSVM[5]等方法都已成功的应用于干旱预测，而在大量现代研究技术手段中，人工神经网络模型(Artificial Neural Network，ANN)无疑是应用最为广泛、最适用于解决非线性问题的方法。刘代兰等[6]成功的利用ANN模型对于河西走廊伏旱进行了预测。虽然ANN的预报精度高并且本身具备较强的非线性拟合能力，但其也固有很多缺点。比如ANN的权值和阈值一般是通过随机初始化为[－0.5，0.5]区间的随机数，这个初始化的参数对神经网络训练的影响很大，但是又无法准确获得，鉴于此，赵廷红等[7]与王笑宇等[8]引入多种群遗传算法对BP神经网络的初始的权值和阈值进行了优化，分别成功的应用到了重力坝变形预测与降雨预报中，以得到更好的预测效果，但至今还没有文献描述过利用文中的改进模型对干旱进行预测的效果，因此，本文将MPGA－BP模型应用到干旱预测当中，并选取SSTA作为模型的输入因子对越南盖河流域的干旱进行了预测。

1 MPGA－BP模型

BP神经网络是多层前馈神经神经网络算法，这种算法主要是在神经网络训练的过程中，采用误差反向传播的学习算法来不断调整神经网络的权值。由于其结构简单，可调整的参数多，训练算法灵活，可操作性高而被广泛应用。BP神经网络结构主要由输入层、隐含层及输出层构成，同层的各个节点之间没有连接，不同层之间的节点相连接，如图1所示。

柳红跑出一垄地远，突然刹住了脚步，她感觉不对啊，好像有哪儿不对劲儿；烂眼阿根没有动静啊，而且他那个眼神……那个眼神，好像是……柳红折身跑回去，仔细一瞧，不好！烂眼阿根像是……不，应该是……死了。

  

图1 BP神经网络拓扑结构

针对BP神经网络的初始权值和阈值对预测结果的影响较大，并且该值的选取随机性大的缺点，本文应用多种群遗传算法对BP神经网络进行优化，主要优化初始权值、阈值、适应度函数以及遗传算子。

多种群遗传算法(MPGA)较标准的遗传算法(SGA)的不同在于:一是采用多个种群进行寻优并行计算，对不同种群设置不同的控制参数值；二是增加了移民算子和人工选择算子，移民算子作为一个媒介将互异的不同种群联系起来，它的作用是增加了各种群间的信息交互，而人工选择算子则负责挑选各种群中最佳个体至精华种群并储存，详细原理请参见文献[7，8]，MPGABP的流程图如图2所示。

MPGA－BP神经网络主要步骤如下:

Step1:构造BP神经网络的拓扑结构(确定待优化的权值和阈值的数量)；

例如，为什么需要进行学情调研？需要调研些什么？调研的方法有哪些？参加名师培养工作坊的教师们写下了自己的所思所想：

Step3:选择运算(根据适应度值确定各个基因的选择概率参数)；

  

图2 MPGA－BP神经网络算法流程图

Step4:遗传算子操作(根据选择算子得到的概率，对新种群进行交叉、变异等基本操作)；

从党的一大到党的十九大，“红船精神”始终是鼓舞共产党人前进的精神动力，彰显了共产党人“为人民谋幸福，为民族谋复兴”的初心与使命。新时代，我们党仍要不忘“红船”的初心和使命，结合时代的特点，大力弘扬“红船精神”，在新时代中国特色社会主义的伟大实践中，以党的坚强领导和顽强奋斗，激励全体中华儿女不断奋进，凝聚起同心共筑中国梦的磅礴力量！

《他的国》这小说讲的是一个关于他的国的故事。我更不想说，每个人心里都有一个国，我是最讨厌“每个人心里都有一个”这句话的，它可以套任何的名词，而且没有任何意义，每个人心里都有一个你大爷。事实上，有些人的心里就是没有很多东西，哪怕是穿过内心的深处挖到肝里也没有。希望大家在看《他的国》的时候可以享受阅读的快感。

Step7:判断终止条件(将优化后的权值和阈值应用到BP神经神经网络)；

降雨和温度数据:为研究越南盖河流域的干旱情况，收集了越南庆和省庆永气象站1983年1月至2012年12月的逐日降雨及温度数据。

2 MPGA－BP模型在干旱中的应用

2.1 研究区域概况

盖河流域图 3所示(12°02’49” – 12°36’13”N，108°40’03” – 109°11’38”E)位于越南庆和省，流域面积约 1，889 km2、流域长 62 km2、平均宽度31 km、流域平均坡度为25.5%。流域具有热带季风气候与海洋性气候特征。流域多年平均降雨量为1，656 mm，每年5月底至12月初为雨季，9月至11月为主要降雨期，雨量占全年总降雨量的55%左右；多年的平均气温为26.7℃；多年蒸发量为1 200－1 800 mm/a。

Step5:移民算子操作(在新种群之间淘汰最差基因，保留最佳基因)；

“电声乐器和其他产品一样，也要经历一个从规模化到精工化的过程。鄌郚镇的乐器行业要想不被取代，必须下力气抓产品质量，打品牌，将产品做到极致，做出不可替代性，既要有形，也要有神。同时，我们还在研究旅游和电声产业的结合，搞吉他音乐节、电声产业论坛、音乐家村等，研发围绕电声产业的旅游商品，扩大鄌郚镇电声产业的影响力、提升旅游活力。”鄌郚镇镇长李克鹏说。目前，鄌郚镇已经规划建设了“昌乐县鄌郚乐器产业园”，按照国内一流标准，统一规划设计，统一服务管理，统一配套设施，并形成了乐器制作产业链，同时音乐节和吉他大赛的举办也吸引了数以万计的游客。

2.2 数据资料

Step8:优化后的BP神经网络对训练样本进行训练、对测试样本进行测试得到最终结果。

  

图3 研究区域图

McKee等[10]提出的标准降水指数(Standardized Precipitation Index，SPI)能进行不同时间尺度的计算，是一种有效干旱监测和评估的工具。因此，本文将使用时间尺度为3个月的SPI指数作为模型输出因子来预测干旱，因为时间尺度为3个月的SPI值能够比较准确的反映季节性干旱，与农业干旱关系密切[11]。

Step6:人工选择算子操作(选择存储每个种群中最优基因)；

基于蓝牙通信技术的无线温室大棚环境监测系统设计………………………………雷 禹，刘忠富，马雅盼，等(45)

2.3 预报因子

预报因子对于预测模型的成功应用起着至关重要的作用，因此，本文选用了SSTA作为改进模型MPGA－BP的输入因子，因为研究区域的干旱与海气耦合现象厄尔尼诺和南方涛动(El Nino and the Southern Oscillation，ENSO)有很强的相关关系，特别是与太平洋海域的NinoW区域的关系最为强烈[9]。

SSTA 数据:NinoW 区域(15°N－0°S；130°E－150°E)的 SSTA数据搜集自 http://apdrc.soest.hawaii.edu。该数据在收集之前已经经过标准化处理。数据时间为1982年至2012年。

Step2:对多个初始种群进行遗传操作(确定误差计算公式以及适应度函数)；

“有钱人也卖里程啊。”粒粒一边装钱包，一边小声嘀咕一句。她以为只有自己这样的穷人才会巴巴地在网上买里程积分，或者将多余的积分里程卖出去。

2.4 模型训练与结果分析

2.4.1 模型训练

本文将整理的数据集分为训练集与测试集两部分，训练集为1983年至2008年，测试集为2009年至2012年。根据MPGA－BP神经网络算法流程图，应用MATLAB软件编程，模型相关参数设置如表1所示，为了客观评价，选用统计回归模型、BP神经网络与MPGA－BP神经网络进行比较，其中，BP神经网络与MPGA－BP神经网络相同的参数设置一致，统计回归模型预测利用SPSS软件完成。预测模型结构如表2所示。

 

表1 模型参数表

  

隐藏层传递函数 tansig输出层传递函数 purelin隐含层神经元 13训练函数 trainlm训练次数 2000训练目标 0.001学习速率 0.1种群数目 20种群大小 40个体长度 10代沟 0.9交叉概率 0.7变异概率 0.01最大遗传代数 100

 

表2 模型结构表

  

模型 输入参数 输出M1 SSTA－NW(1)，SSTA－NW(2) SPI(t)M2 SSTA－NW(1)，SSTA－NW(2)，SSTANW(3) SPI(t)M3 SSTA－NW(1)，SSTA－NW(2)，SSTANW(3)，SSTA－NW(4) SPI(t)M4 SSTA－NW(1)，SSTA－NW(2)，SSTANW(3)，SSTA－NW(4)，SSTA－NW(5)SPI(t)M5 SSTA－NW(1)，SSTA－NW(2)，SSTANW(3)，SSTA－NW(4)，SSTA－NW(5)，SSTA－NW(6)SPI(t)

其中，SSTA在NinoW区域的值用SSTA－NW表示，SSTA－NW(1)表示与SPI相同时间段的值；SSTA－NW(2)表示的是SPI前1个月的值；SSTA－NW(3)表示SPI前2个月的值，依此类推。例如，在M2中，预测时间尺度为3个月的3月的SPI的值，采用3月的 SSTA－NW(1)、2月的 SSTA－NW(2)及1月的SSTA－NW(3)的值作为输入因子进行预测。鉴于篇幅原因，本文只针对模型M5的进行详细的评价分析，因为模型M5的输入变量数量大于其他模型，实际证明该模型的预测效果最佳。

2.4.2 结果分析

为了简单直观的比较各个模型性能优劣，使用均方根误差(Root－mean－square error，RMSE)与相关系数(Correlation coefficient，CORR)来衡量三个模型预测的精度。

通过对数据的训练和拟合，MPGA－BP神经网络、BP神经网络与统计回归模型预测过程线如图4所示，三种模型预测结果如表3所示，预测性能比较如表4所示.

  

图4 模型预测结果对比图

 

表3 预测结果表

  

时间 实测值 统计回归 BP MPGA－BP预测值 绝对误差 预测值 绝对误差 预测值 绝对误差2009月1月 1.48 1.22 0.26 1.23 0.25 1.42 0.06 2009月2月 1.27 1.07 0.20 1.20 0.07 1.48 0.21 2009月3月 0.51 1.01 0.50 0.57 0.06 0.53 0.02 2009月4月 1.83 0.44 1.39 1.06 0.77 1.14 0.69 2009月5月 2.01 1.55 0.46 1.59 0.42 1.84 0.17 2009月6月 2.01 1.89 0.12 1.96 0.05 2.09 0.08 2009月7月 1.23 1.17 0.06 1.37 0.14 1.29 0.06 2009月8月 0.34 0.88 0.54 0.27 0.07 0.33 0.01 2009月9月 0.09 0.27 0.18 0.80 0.71 0.60 0.51 2009月10月 －0.24 0.10 0.34 －0.06 0.18 0.02 0.26 2009月11月 －0.18 0.04 0.22 －0.85 0.67 －0.13 0.05 2009月12月 －0.22 －0.10 0.12 －0.26 0.04 －0.18 0.04 2010月1月 0.15 －0.11 0.26 －0.06 0.21 0.14 0.01 2010月2月 －0.08 0.19 0.27 0.05 0.13 0.02 0.10 2010月3月 0.86 －0.01 0.87 0.79 0.07 －0.21 1.07 2010月4月 0.08 0.64 0.56 0.40 0.32 －0.08 0.16 2010月5月 －0.19 0.15 0.34 0.06 0.25 －0.03 0.16 2010月6月 0.14 －0.44 0.58 0.25 0.11 0.18 0.04 2010月7月 1.14 0.38 0.76 0.55 0.59 1.41 0.27 2010月8月 1.71 1.19 0.52 1.25 0.46 1.50 0.21 2010月9月 0.92 1.39 0.47 1.34 0.42 0.85 0.07 2010月10月 0.58 0.70 0.12 0.88 0.30 0.69 0.11 2010月11月 1.21 0.42 0.79 1.08 0.13 1.49 0.28 2010月12月 1.22 1.22 0.00 1.32 0.10 1.11 0.11 2011月1月 1.04 1.09 0.05 1.02 0.02 1.04 0.00 2011月2月 0.11 0.68 0.57 0.24 0.13 0.12 0.01 2011月3月 0.77 0.23 0.54 0.29 0.48 0.71 0.06

  

时间 实测值 统计回归 BP MPGA－BP预测值 绝对误差 预测值 绝对误差 预测值 绝对误差2011月4月 0.41 0.80 0.39 0.37 0.04 0.49 0.08 2011月5月 0.87 0.64 0.23 0.70 0.17 0.77 0.10 2011月6月 0.55 0.58 0.03 0.52 0.03 0.57 0.02 2011月7月 1.05 0.61 0.44 1.02 0.03 1.07 0.02 2011月8月 0.95 0.82 0.13 0.70 0.25 1.08 0.13 2011月9月 0.43 0.80 0.37 0.38 0.05 0.50 0.07 2011月10月 0.63 0.16 0.47 0.34 0.29 0.47 0.16 2011月11月 －0.02 0.42 0.44 0.69 0.71 0.31 0.33 2011月12月 0.20 0.13 0.07 0.32 0.12 0.28 0.08 2012月1月 －0.09 0.08 0.17 －0.40 0.31 0.23 0.32 2012月2月 0.48 0.21 0.27 0.23 0.25 0.27 0.21 2012月3月 1.63 0.48 1.15 0.86 0.77 1.53 0.10 2012月4月 2.07 1.56 0.51 1.61 0.46 1.98 0.09 2012月5月 1.84 1.73 0.11 1.50 0.34 1.95 0.11 2012月6月 1.47 1.21 0.26 1.15 0.32 1.31 0.16 2012月7月 0.82 1.10 0.28 2.32 1.50 1.36 0.54 2012月8月 －0.19 0.72 0.91 0.77 0.96 0.30 0.49 2012月9月 0.50 －0.23 0.73 －0.16 0.66 0.34 0.16 2012月10月 0.08 0.52 0.44 －0.24 0.32 －0.28 0.36 2012月11月 －0.18 0.33 0.51 －0.77 0.59 －0.82 0.64 2012月12月 －0.74 －0.39 0.35 －0.75 0.01 －0.34 0.40

 

表4 预测性能对比表

  

模型 RMSE CORR统计回归 3.699 0 0.724 3 BP 3.291 9 0.810 9 MPGA－BP 2.165 8 0.916 1

通过对比图4、表3、表4可以发现，统计回归模型预测的效果最差，其次是BP模型，最佳的则是MPGA－BP模型，导致这样的原因是该干旱预测模型的输入因子与输出因子是复杂的非线性关系，而回归模型主要适用于线性关系。图5给出了三种模型预测误差曲线。从图5可知，MPGA－BP神经网络的预测误差较BP神经网络与统计回归模型的预测误差更小，说明MPGA－BP神经网络比BP神经网络不仅精度有了提升，而且拟合度也有了一定的提高，更适用于研究区域的干旱预测，结果更可靠、性能更稳定。

给用户提供软件缺陷分析统计报告，描述软件使用过程中所发现的缺陷信息以及缺陷目标、缺陷影响等缺陷分析统计结果。

  

图5 模型预测误差对比图

3 结语

(1)MPGA－BP神经网络较BP神经网络具有明显的性能优势，提高了研究区域的干旱预测的精度。

(2)MPGA－BP神经网络适用于研究区域的短期干旱预测。

(3)MPGA－BP神经网络的运行时间偏慢的问题未得到解决，主要是由于遗传算法的交叉和变异概率为一常量，导致子代个体产生随机性大，父代优良基因易被破坏，如何解决上述问题，加快遗传算法的全局寻优能力是今后重点研究的一个问题。

参考文献:

[1]迟道才，张兰芬，李雪，等.基于遗传算法优化的支持向量机干旱预测模型[J].沈阳农业大学学报，2013，44(2):190－194.

[2]刘代勇，梁忠民，赵卫民，等.灰色系统理论在干旱预测应用中的应用研究[J].水力发电，2012，38(2):10－12.

[3]吴晶，陈元芳，余胜男.基于随机森林模型的干旱预测研究模型[J].中国农村水利水电，2016，11:17－22.

[4]白致威，张雷，王杰，等.基于ARIMA模型的云南气象干旱预测研究[J].人民长江，2015，46(15):6－9.

[5]孟锦根.基于PSO－LSSVM的干旱区中长期降水预测模型研究[J].长江科学院院报，2016:20160010－20160010.

[6]刘洪兰，张强，张俊国，等.BP神经网络模型在伏旱预测中的应用－以河西走廊为例[J].中国沙漠，2015，35(2):474－478.

[7]赵廷红，张赛.基于MPGA－BP的重力坝变形预测研究[J].兰州理工大学学报，2016，42(5):122－127.

[8]王笑宇，刘畅，王国玖，等.基于 MPGA－BP模型的降雨预报研究[J].水电能源科学，2017，35(4):6－9

[9]Nguyen L.B.，Li Q.F.，Nguyen V.T.Effects of ENSO on SPEI/SPI drought indices in the Vietnam Songcai basin[J].Advanced Civil，Urban and Environmental Engineering，2014，157:453－464.

[10]McKee，T.B.，Doesken，N.J. ，Kleist，J.The relationship of drought frequency and duration to time scales[C].In:8th Conf.on Applied Climatology，Anaheim，California，1993，179－184.

[11]车少静，李春强，申双和.基于SPI的近41年(1965－2005)河北省旱涝时空特征分析[J].中国农业气象，2010，31(1):137－143.