1 绪 论

水利上一般将河川径流量的多年平均值作为正常值，丰水年和枯水年的定义以正常值作为依据，大于正常值为丰水年。干旱是一段时间内降水的不均衡，短缺导致不能满足人类的需求，进而产生一系列对人类制约的影响。气象干旱指标是分析地区降水量能够满足需要的基础，文章利用气象干旱指标进行渭河流域干旱的分析。

统计降尺度基本原理是：在大尺度气候和区域气候变量的基础上，采用统计法，建立二者间的线性或非线性关系，以某一特征量的数学关系为根本，尺度转换不同尺度影像的相互关系。统计降尺度法基于这种原理，分析方法进一步改进。现目前，国内对建立统计降尺度模型的主要步骤：①选择模型参数和大尺度气候预报因子；②标准化处理预报因子和主成分分析，得到主分量，利用多元线性回归算法和径向基神经网络算法建立降尺度模型；③对比两种不同的降尺度结果并分析[1]。

三是加强“品牌化”建设，在培育推广上做文章。马鞍山市人社局联合马鞍山市妇联、马鞍山市总工会，着力打造马鞍山家庭服务业品牌。

2 降水模拟研究方法

2.1 多元线性回归算法

多元线性回归算法是基于一个因变量与多个自变量线性关系的算法[2]。假定因变量y与自变量x1,x2,…xm存在线性关系，线性回归表达式如下：

y=β0+β1x1+…+βmxm+ε

(1)

式中：β0，β1，…,βm为回归系数；ε为服从正态分布N(0,σ2)的随机误差。

实际运用时，对变量做n次观测后，有

yt=β0+β1x1t+…βmxm+t

(2)

建立多元线性回归方程的基本步骤：

1)基于观测值的原理方法，由最小二乘法确定回归系数β0,β1,…,βm的估值b0,b1,…,bm，得到yt对x1t,x2t,…,xmt的多元线性回归方程：

 

(3)

表3是多元线性回归算法对渭河流域月降水的模拟成果，从表可看出，模拟的降雨序列能够较好的反映年际降水的变化量值，模拟值较小。相关性最差的是6月份模拟结果，线性相关性系数小于0.1，不存在相关关系。10月份模拟结果表明相关性最优，R2值为0.74。实测降水和模拟降水原则趋势对比图见图2。

径向基神经网络是利用径向基函数作为激活函数的数学算法，在数学建模领域运用广泛，此方法输入的是径向基函数和神经元参数的线性组合，输出的是径向基函数网络[3]。径向基函数网络一般分为3部分：输入层、隐藏层和输出层。在数学建模中，输入成为实数向量，输出是一种标量函数。

2)统计回归结果并进行检验。

以上实践探索取得了良好成效，也存在许多问题，主要表现为课程整合的貌合神离。所谓貌合神离，是指课程整合流于表象，专注于技术，聚焦于课时打通，与学校的整合初衷背离。表面上看学校做了许多整合探索，百花齐放，花团锦簇，实质上由于缺乏可行性研究与论证，整合为筐，什么都往里装，你也做整合，我也做整合，你也是整合，我也是整合，如此而已，皆大欢喜。

3)运用回归方程进行预报。

2.2 径向基神经网络算法

胶东半岛位于华北平原东北部沿海地区，山东省东部丘陵区。该区主要为暖温带湿润季风气候，全年湿度变化幅度大，四季分明，雨热同期。地势大致为中间高四周低，半岛最高海拔位于南部崂山，主峰海拔1 133 m，地貌类型主要为山前平原、海滩、缓丘。河流由中部向南向北流动，源短流急，年流量涨落起伏大。土地总面积约为3万km2，占山东省土地总面积的19%。耕地面积为1.16万km2，以旱地为主，约占全省耕地总面积的15%，多用来种植花生、玉米等作物。行政区主要包括烟台、青岛、威海3市，共计33个县及县级市、区，见图1。

总体来看，基于多元线性回归降尺度模拟结果基本反映了渭河流域月降水的统计特征，由此预测的未来气候变化结果是合理的。

3 大尺度气候预报因子的选择

统计降尺度法中关键要点就是降尺度预报因子的选择，决定未来气候的预判特征。从物理成因和自身模式上，研究发现这些因子与降水、气温、气候关系紧密，统计变量的实际模拟成果和现实较为贴切。预测因子选择越客观，量级丰富，结果将越准确[4]。经过敏感性分析，预测因子选取见表1。

  

图1 径向机神经网络工作原理

 

表1 统计降尺度中使用的预报因子

  

序号预测因子物理意义1Air850850hpa气温2Air500500hpa气温3Hgt850850hpa位势高度4Hgt500500hpa位势高度5Omega850空气压力朗格朗日趋势6Omega500空气压力朗格朗日趋势7Vwnd地表纬向风速8Uwnd地表经向风速9Wspd地表风速10Airtrop对流层温度11Prestrop对流层大气压力

4 降水模拟结果的分析

4.1 多元回归算法率定及检验

渭河流域11个站点模拟各季节降水结果，利用各地实测降水和预报因子主分量(1971-2010年)，用多元线性回归算法建立统计降尺度模型，评价指标的具体计算结果见表2。

 

表2 多元线性回归算法对渭河流域各季节降水的率定和验证期R2值

  

气象站春季夏季秋季冬季率定期检验期率定期检验期率定期检验期率定期检验期佛坪0.720.540.710.260.650.390.670.26镇安0.700.240.720.360.630.420.690.65临洮0.660.550.620.560.630.250.640.78岷县0.590.370.760.820.600.220.640.41武功0.750.310.770.240.690.460.660.37宝鸡0.790.310.790.630.650.740.720.43西安0.730.620.670.220.610.120.690.46

 

续表2 多元线性回归算法对渭河流域各季节降水的率定和验证期R2值

  

气象站春季夏季秋季冬季率定期检验期率定期检验期率定期检验期率定期检验期商县0.700.310.770.390.670.210.760.69华山0.850.480.780.510.540.380.700.59洛川0.750.690.800.530.680.670.710.58延安0.780.570.740.340.760.430.740.57

径向基神经网络算法建立统计降尺度模型，计算评价指标，具体结果见表4。

以水资源消耗 （LNTW）为自变量，人口城镇化 （LNPOP）、经济城镇化 （LNINC）、产业城镇化 （LNIND）为因变量，利用式 （2）设立的模型对4个区域的面板数据进行固定效应面板模型的估计，得到的估计结果如表6所示。根据面板固定效应估计结果，四大区域的面板回归模型的R2与F值都很高，说明各方程的拟合效果很好。

渭河流域模拟月降水结果分析：在检验期，预测因子和降雨量间的线性关系适中，检验值控制在0.8-0.9之间，在对均值的模拟和标准差的模拟结果中均小于实测值，原因是统计降尺度忽略地形因子，地形变化后降水影响和大气流动阻滞的因素，所以在回归分析预测中，降水量存在一定误差[5]。

式中：为估值；et为误差估计。

 

表3 多元线性回归算法对渭河流域月降水的检验结果

  

月份实测降水统计降尺度模拟降水均值/mm标准差/mm均值/mm标准差/mmRmean/%Rsd/%R217.285.586.265.80-14.013.840.531210.693.896.684.44-37.5314.170.215316.648.4610.017.08-39.82-16.310.548426.8412.6024.6714.90-8.1018.240.210550.5623.1852.0131.492.8935.850.665666.1522.8369.3224.304.796.420.0057100.9228.57101.8542.330.9248.160.4358106.3139.91105.8628.60-0.43-28.350.307994.0028.6075.0526.44-20.16-7.540.5381045.4023.1043.3130.26-4.6130.960.7341112.1612.247.1010.83-41.57-11.530.599125.883.940.883.93-84.98-0.280.644

 

图2 实测降水和模拟降水序列趋势对比

径向机神经网络工作的输入层、隐含层和输出层如图1所示，输出层的神经元获得网络的输出相应，然后由期望减少输出和实际的方向，从输出层到隐含层逐层进行修正和连接权值，最后又返回输出层，随着这种逆传播的不断修正，误差不断减小，相应的网络工作中输入模式的正确率得到保证。

4.2 径向基神经网络算法率定及检验

由表2可得出，在多元回归统计降尺度率定期和线性相关性验证值R2大都在0.65-0.85之间，计算结果较好反映出年内降水变化形势。当降雨量越大，预测因子与降雨量的线性关系越显著，其中夏季明显优于其他季节。数据显示出渭河干流拟合程度较差，数值大都在0.65之间。拟合效果总体来看渭河流域从北到南逐渐变小，从东到西逐渐增多。多元回归统计降尺度的率定期和R2大都在0.35-0.65之间，成果小于检验期的20%。

 

表4 径向基神经网络回归算法对渭河流域各个季节降水的率定及验证期R2值

  

气象站春季夏季秋季冬季率定期检验期率定期检验期率定期检验期率定期检验期佛坪0.830.540.810.420.680.340.740.34镇安0.720.250.830.430.690.430.710.35临洮0.670.660.630.600.640.290.650.54岷县0.650.440.860.730.660.330.650.24武功0.810.340.790.650.700.480.720.54宝鸡0.790.370.760.650.660.390.760.31西安0.750.620.690.540.700.420.740.37商县0.790.380.770.410.730.180.690.37华山0.790.490.780.610.750.320.830.51洛川0.800.690.820.610.750.430.790.35延安0.800.650.760.450.700.440.800.37

4.3 径向基神经网络算法结果分析

与多元回归算法类似，基于径向基神经网络算法明显提高了线性相关性系数值，降低了均值和标准差相对误差。对均值或是标准差的模拟值也都小于实测值11个预测因子和降雨量的线性关系较好，R2大都在在0.8-0.9之间，模拟结果能够反映月降水的统计特征，预判未来气候变化结果是可靠的。检验结果见表5，对比图见图3。

1.GJR-GARCH模型。“杠杆效应”是指波动率对市场负向冲击的反应比正向冲击的反应更加迅速，也就是说市场下跌反应比市场上升反应更强烈，冲击在资本市场中呈现出非对称性。基于股票市场的波动具有聚集性和非对称的特征，以及单变量GJRGARCH模型对波动预测能力和波动行为描述能力优于其他非对称的ARCH模型（Engle&Ng，1993）。

 

表5 基于神经网络算法对陕西省渭河流域月降水的检验结果

  

月份实测降水统计降尺度模拟降水均值/mm标准差/mm均值/mm标准差/mmRmean/%Rsd/%R217.285.586.466.10-11.269.300.483210.693.896.894.41-35.5913.590.340316.648.469.128.79-45.173.860.611426.8412.6025.2115.63-6.1023.990.265550.5623.1855.8130.3610.4030.940.663666.1522.8367.3118.501.75-18.990.0027100.9228.5795.2834.93-5.5922.260.5208106.3139.91109.9926.853.46-32.720.391994.0028.6081.5922.05-13.20-22.880.3961045.4023.1045.8827.351.0518.370.7061112.1612.246.7610.75-44.40-12.190.427125.883.940.374.93-93.6225.140.574

 

图3 基于神经网络算法模拟渭河流域年降水和实测对比图

基于径向基神经网络方法降尺度模拟的降水结果也能够完全反映流域月降水的统计特征，预判的未来气候变化情景是可靠的。

4.4 多元回归算法与径向基神经网络算法模拟结果对比分析

对比多元线性回归算法和径向基神经网络算法2种统计降尺度方法，结合necp再分析资料并输出降水和气温的模拟结果，发现两种方法的模拟结果相差不大，由于影响降水的因素复杂性，所得计算结果与实际观测资料对比是有所误差的。渭河流域两种降尺度方法模拟年降水趋势对比见图4。

而作为对比的蒙自石榴，拥有10万亩的特色现代农业示范区。运用各种现代农业生产方式，将科技带入农业生产的各个环节中，并将农业与第三产业相结合，建立了蒙自庄园，发展旅游业，让蒙自石榴走出大山，飘香国内外。

 

图4 渭河流域两种降尺度方法模拟年降水趋势对比图

由图4计算对比得知，多元线性回归算法的结果更为接近实际，统计年份中除个别外，二者基本一致。而神经网络算法对季节平均降水量的模拟结果较多元线性回归更为合理。这点尤其在降水量较多的站点更为突出，原因是大气流动和降水因素间存在某种非线性关系导致。

5 总 结

文章基于不同的统计降尺式分析方法，选取适宜的评价因子，对渭河流域的月降水降解进行模拟较准确的气候信息，客观反映渭河流域月降水的统计特征。通过两种不同算法的模拟结果对比，统计降尺式分析法在反映不同的气候条件下结果更为客观，表明在分析气候变化对流域水文气象的影响中得出的结论是合理的，由此得出的未来气候变化预判是可靠的。

“陌生人”这个概念对于孩子来说是有疑惑的，像文章开头故事里那个救援人员是不是陌生人？警察是不是呢？消防员是不是呢？

参考文献：

[1]延军平.陕西省自然灾害分析[J].中国减灾,1992(03)：30-32．

[2]范丽军，符淙斌，陈德亮．统计降尺度法对未来区域气候变化情景预估的研究进展[J]．地球科学进展,2005(03)：320-329．

[3]郭靖.气候变化对流域水循环和水资源影响的研究[D].武汉：武汉大学：2010．

[4]刘燕,胡安焱.渭河流域近50年降水特征变化及其对水资源的影响[J].干旱区资源与环境 2006(01)：85-87．

[5]刘向培,王汉杰,何明元.应用统计降尺度方法预估江淮流域未来降水[J].水科学进展,2012(01)：29-37．