三重拉尼娜事件极端天气灾害破坏评估与应对策略研究

三重拉尼娜事件极端天气灾害破坏评估与应对策略研究

廖义新,王润龙,何勇

绵阳职业技术学院

摘要：在全球范围内，拉尼娜现象将导致低温、高降水，但各个国家和地区的情况会有所不同。拉尼娜现象发生时，阿根廷等南海岸附近降雨量很少，但印度尼西亚和澳大利亚东部地区降雨量较多。当拉尼娜现象持续时间较长时，美国非洲中部和东南部经常发生干旱，而巴西东北部、印度和南部非洲则容易发生洪水。本文对世界主要国家和地区三重拉尼娜现象进行统计分析，并采用相关优化建模方法预测未来三重拉尼娜发生的概率，为相关研究提供理论依据。在本文中，首先将中国国家统计局2002-2020年我国拉尼娜事件的发生地点，然后将其可视化，分析影响拉尼娜事件的各种因素，确定因子修正系数，建立拉尼娜事件发生与影响因素之间的关系，建立基于BP神经网络的拉尼娜事件预测模型，并通过MATLAB求解模型，预测未来10年的拉尼娜事件国家的拉尼娜事件。

关键词：BP神经网络；层次分析法；拉尼娜事件

1引言

近年来，我国南方多地出现多日高温天气，北方部分地区出现大范围强降水。此外，欧洲许多国家都遭遇了历史上罕见的干旱灾害。无论是南方的酷热天气、北方的强降水，还是欧洲的干旱天气，都是自有气象数据以来，几十年来前所未有的最高气温、强降水和干旱灾害。高温造成的经济损失和人员伤亡规模在南部和欧洲国家的许多城市是前所未见的。同样，强降雨导致北方部分地区农业减产甚至绝收。当局将此次高温现象和强降水事件归因于三重拉尼娜事件。拉尼娜事件对东亚的影响主要是通过控制西太平洋副热带高压的位置和强度，影响东亚季风环流而发生的。由于亚洲热带辐合带和印度尼西亚群岛热带上层地区对流活动加强，西太平洋副热带高压的位置和强度偏北，有利于秋冬季节降水增多在中国北方，在中国北部和西部形成秋季洪水。同时，东亚冬季风力较强，冬春季冷空气较常年活跃。在全球范围内，拉尼娜现象会导致低温和高降水，但对个别国家和地区来说情况并不相同。拉尼娜现象发生时，南美洲沿海地区（如阿根廷）降水稀少，而印度尼西亚和澳大利亚东部地区降水较多。拉尼娜现象长期持续时，非洲中部和美国东南部干旱多发，巴西东北部、印度和非洲南部易发生洪涝灾害。本文对世界主要国家和地区三重拉尼娜事件进行统计分析，采用相关优化建模方法预测未来三重拉尼娜事件发生的可能性，以期为相关研究提供相关理论。

2问题分析

数据包括几个主要城市的气候信息，包括郑州、太原和北京。根据课题要求，对数据进行了预处理，清除掉不必要的数据指标，以降水和气温指标为主体，结合其他指标分析降水情况。先用excel对数据进行简单的处理，包括历年数据的平均值。然后用spss找出其他指标与降水量的相关关系，画出来。为了更好地预测三重拉尼娜现象，并对主要城市的极端天气情况进行对比分析，建立了数学模型并将数据导入matlab进行模型训练，得到了结果。

本文首先对中国国家统计局2002-2020年我国拉尼娜事件发生的地点进行可视化分析，分析影响拉尼娜事件的各种因素，确定因子修正系数-cient，建立拉尼娜事件的发生与影响因素之间的关系，建立基于BP神经网络的拉尼娜事件预测模型，并通过MATLAB对模型进行求解，预测我国未来10年的拉尼娜现象事件[1]。

数据包括几个主要城市的气候信息，包括郑州、太原和北京。对数据进行了预处理，清除掉不必要的数据指标，以降水和气温指标为主体，结合其他指标分析降水情况。先用excel对数据进行简单的处理，包括历年数据的平均值。然后用spss找出其他指标与降水量的相关关系，画出来。为了更好地预测三重拉尼娜现象[2]，并对主要城市的极端天气情况进行对比分析，建立数学模型并将数据导入matlab进行模型训练，得到结果。全球气候监测站如下图所示：

图 1 全球气候监测站

统计资料分析表明，拉尼娜事件背景下鄂尔多斯市冬季降水空间分布呈现南多北少的特点，东部型拉尼娜事件背景下大部分地区降水偏少。强拉尼娜和中强度拉尼娜均在20%以上，且20%以上的地区为局部地区。中部拉尼娜和弱拉尼娜下的大部分地区降水偏少，其中弱拉尼娜年较大，其他地区均在20%以上，局部超过50%，属于重大[3]。

1960-2018年1月出现极端最低气温的拉尼娜年数占拉尼娜年总数的84.6%，12月出现的年数占总数的15.4%拉尼娜年，2 月份没有极端最低温度。空间分布表明，西部和南部地区发生频率较高，其中伊克苏6年，占总数的46.1%，杭锦旗3年，占总数的23.1%，额尔托克黔旗和河南各2次，占总数的15.4%。极端最低气温均在-25.0℃以下，其中伊克乌苏最低气温为-34.6℃，出现在1971年1月21日[4]。从年代际变化看，1960年代和1980年代的极端最低气温较低高于 1990 年代以后，特别是 2000 年后极端最低气温的上升幅度较大，表明与全球变暖有关。

3基于

BP神经网络的三重拉尼娜事件预测模型

BP神经网络是具有三层或更多层的多层神经网络，每一层由若干个神经元组成，由输入层、第一隐藏层（第二隐藏层）和输出层组成。对，通过调整输入节点到隐含层节点的连接强度和隐含层节点到输出节点的连接强度以及阈值，使得误差沿着梯度方向减小，经过反复学习训练，网络对于输入模式的反应也将不断提高正确率。

一般来说，BP网络的学习算法可以描述为以下步骤：

(1)初始网络和学习参数，如设置初始权重矩阵、学习因子等。

(2)提供训练模式、训练网络，直到满足学习要求。

(3)前向传播过程：对于给定的训练模式输入，计算网络的输出模式并与期望模式进行比较。如果有错误，则执行步骤(4)，否则返回步骤(2)。

(4)反向传播过程：计算同层单元的误差，修正权值和阈值，返回步骤（2）。

网络学习是通过使用给定的训练集进行训练来实现的。通常用网络的均方误差来定量反映学习的性能。通常，当网络的均方误差低于给定值时，表明对给定训练集的学习是满意的。

使用非速度变量作为神经元输入，并根据人口因素构建多个神经元。对于第一个神经元，输入是神经元，输入往往是对系统模型有关键影响的自变量，w调整每个输入对连接权重的权重比例。将信号组合成一个神经元的方法有很多种，最方便的线性加权求和可以用来获得一个网络神经元输入[5]。

由于神经网络的每一层都有许多神经元，所以每一层的误差由该层所有神经元的误差组成。我们使用网络输出人口影响因子相关值，每给定一个年份，人口结构为未知，其他变量为已知量，然后带入网络迭代求解输出。

4结束语

厄尔尼诺和拉尼娜年最重要的预测指标是往年的四分之一。根据海洋尼诺指数 (ONI) 的季度数据预测一年中的 7 月、9 月、2 月、3 月、4 月和 1-2-3个季度。结果表明，仅利用海面温度数据预测厄尔尼诺-南方涛动冷热事件到验证期的预测准确率分别为100%、79%和79%。然而，该模型在预测拉尼娜年时表现最好，对事件具有高灵敏度和特异性。通过对模型的层层优化和改进，使模型更加合理，使模型适应更加复杂的实际情况，模型简单实用。

参考文献

[1]陈明成，黄玉蓉。 1988-1989年典型拉尼娜事件与拉尼娜事件生命史演化差异分析[J].大气科学杂志，201,44(03):428-440。

[2]张连霞、郑玉峰、刘婷、张彩云、许桂梅。拉尼娜年影响下鄂尔多斯市冬季气候及大气环流特征[J].内蒙古气象,2021(03):3-6.

[3]陆欣怡、刘子力、于伟、陈新军、李刚。拉尼娜(2007)和厄尔尼诺(2015)事件对东海日本鲭鱼生境时空分布的影响[J].海洋渔业，201,43(02):137-148。

[4]宁霞, 卢会军, 刘凯, 陈志远, 陈晓军. 2018年春季拉尼娜现象期间东海太平洋褶皱台地渔业生物学特征[J].水产科学杂志，20，44（10）：1676-1684。

[5]刘丽. 厄尔尼诺事件对长江口日本鳗幼体发育及洄游的影响 [D].上海海洋大学, 2020.