《表4 独立样本预测统计指标比较（百灵庙站）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《包头地区汛期降水量神经网络预测模型探究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

以上以萨拉齐站（53455）的汛期降水序列为例分别建立了汛期降水的BP神经网络预测模型和多元回归预测模型，对比了二者的拟合能力和独立预测能力，验证了BP神经网络模型具有一定的优越性。但由于包头市南北海拔高度差异较大，最高最低海拔高度相差500米左右，降水量南北分布不均，气候差异明显，尤其近10年来，山北降水过程呈增多的趋势，因此又选用包头市山北百灵庙站（53352）作为山北代表站建模，方法仍然选用上述BP神经网络和多元回归模型进行。由上述表1、表2还可以看出，两种模型的检验样本预测效果低于拟合效果，这说明，不管是统计模型还是BP神经网络模型，在实际的预测中效果明显低于拟合效果，这就需要更多的检验样本多模型进行检验，因此在建立百灵庙站的预测模型时，选取百灵庙站自1954年建站以来至2007年共54个样本，2008-2017年共10年资料作为独立检验样本，通过增加独立预测样本量来检验实际预报效果。从88项环流指数及26项海温指数中筛选出33个通过0.05检验的高相关因子，这33个因子作为BP网络的输入矩阵，选定最优隐层节点数为13。从表3、表4可以看出，以百灵庙站汛期降水量序列建立的两种模型，从三项对比指标来看，BP神经网络模型的拟合和预测效果均高于回归模型。从10年的独立样本预测的相对误差来看（表略），BP网络预测模型的平均相对误差较相应的回归模型低13个百分点，取得了较好的预测效果。但从独立样本预测也可以看出，虽然BP神经网络模型在10年独立样本预测中总体指标较好，但对2013年、2015年的预测误差较大，这表明在实际应用选择模型时，除了模型对历史样本更高的拟合度要求外，还需要足够多的检验样本，以保证所选模型的更优的预测能力。