梅雨量

梅雨期是一年降水量最為集中的時段，縱觀歷年來，梅汛期的洪澇絕大多數發生在梅雨期內，梅雨期的長短、梅雨量的多寡不僅直接影響到梅汛期的防汛防洪，還影響到出梅后的夏秋抗旱工作。

遺傳演演算法簡稱GA(Genetic Algorithm)，是美國Michigan大學的John教授創建，由生物進化思想啟發而得出的一種具有全局搜索能力的演演算法。它模擬自然界物競天擇、適者生存通過選擇(Selection)、交叉(crossover)和變異(mutation)等操作，產生新一代適應力更強的群體(如圖1所示)。

BP網路(Back-Propagation Network)又稱反向傳播神經網路，通過樣本數據的訓練，不斷修正網路權值和閾值使誤差函數沿負梯度方向下降，逼近期望輸出。它是一種應用較為廣泛的神經網路模型，多用於函數逼近、模型識別分類、數據壓縮和時間序列預測等。

BP網路由輸入層、隱層和輸出層組成，隱層可以有一層或多層。圖2是m×k×n的三層BP網路模型，網路選用s型傳遞函數f(X)=1/(1+e )，通過反傳誤差函數（T為期望輸出、O為網路的計算輸出），不斷調節網路權值和閾值使誤差函數E達到極小。

BP網路具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數多、易於陷入局部極小和全局搜索能力差等缺點。可以先用遺傳演演算法對BP網路進行優化，在解析空間找出較好的搜索空間，再用BP網路在較小的搜索空間內搜索最優解。

梅雨量預測用兩次優化的結果構建BP網路，設置網路的目標誤差為0.01，最大循環次數為3000。用trainbpx函數訓練BP網路，循環到第2000時，訓練誤差小於目標誤差訓練結束。重複訓練，結果相同將測試樣本代入BP網路，計算結果(見圖3所示)在趨勢上與實際趨勢相符，數值上除1年相差較大外，其他四年的相差不大這是由於影響梅雨量的因素很多(例如，太陽黑子、太平洋副高強度等)，所以單憑歷史數據預測還不夠，我們將從這些因素入手做深入研究。

梅雨是長江中下游地區的氣候特色之一，也是我國乃至東亞地區重要的降水現象。梅雨的形成及其強弱與副熱帶高壓、青藏高壓、東亞季風以及西風帶長波等大尺度天氣系統的活動密切相關。由於每年這些大尺度天氣系統的強度、進退遲早和速度快慢等都不一樣，梅雨鋒系的大小和維持時間的不同，致使歷年梅雨到來的遲早、長短和雨量的多寡差異很大，直接導致這一地區乾旱或洪澇的形成。因此梅雨形成的研究一直受到氣象工作者的重視，進行過許多方面的探討。

安徽省處在北亞熱帶和暖溫帶過渡地區，氣候變化複雜，每年的降水大多集中在梅雨期，汛期降水更是集中在梅雨過程，因此對梅雨現象進行重點深入探討，有助於把握汛期降水的主要特性，對於安徽防汛抗旱有指導意義。儘管梅雨時間和空間分佈的規律作過不少研究，但是多從氣候統計學角度來進行，例如應用平均值、方差、趨勢等分析手段。研究主要利用兩種EOF分析方法，探究江淮梅雨的時間演變現象，重點地分析空間分佈規律，給出江淮梅雨的分佈型，為江淮梅雨的分區預測提供依據。

（1）梅雨資料

安徽的梅雨主要發生在淮河一線以南地區，因此本文研究範圍為淮河以南。利用安徽省淮河以南地區、資料年代較長的50個氣象站1960-2002年逐日降水資料，以及溫度資料和東亞大氣環流形勢，根據作者綜合許多氣象學者成果的基礎上在文獻 提出的梅雨劃分標準，劃定江淮之間、沿江江南地區和安徽省逐年入梅日、出梅日和梅雨期，據此得到淮河以南各氣象站的梅雨量。

（2）分析方法簡介

EOF分析也稱經驗正交函數分解，它可以針對氣象要素來進行。其基本原理是對包含1個空間點（變數）的場隨時間變化進行分解。設樣本容量為n的資料，則場中任一空間點i和任一時間點j的資料值（x）可看成由1個空間函數ik和時間函數t（k=1，2，…，1）的線性組合。

旋轉主成分分析（REOF）是在傳統主成分分析（EOF）的基礎上再做旋轉。採用Horel使用的方差最大正交旋轉法，也是氣候分析和診斷經常使用的方差最大正交旋轉法。研究取前7個載荷向量及其對應的主成分參加旋轉。REOF分析不僅可以很好地反映不同地域的變化，而且可以反映不同地域的相關分佈狀況。

（1）EOF分析

通過對1960-2002年逐年江淮梅雨量資料採取標準化處理之後，再進行EOF分析，得到各個主成分，前7個主成分的主要結果見表1。由表1可知，第一主成分的方差貢獻最大，第二主成分的方差貢獻迅速降低，後面幾個主成分方差貢獻已經很小；解釋方差也有同樣的現象。前3個主成分的方差貢獻幾乎佔90%，因而給出前3個主成分所對應的特徵場，見圖4。它反映出江淮梅雨量異常的幾種主要的大範圍空間分佈特徵。圖4a給出了江淮梅雨量第一特徵場，全區一致為正，說明江淮梅雨量的乾濕變化是一致的，具體是指某年淮河以南梅雨量或者普遍偏干，或者普遍偏濕，它顯然是受大尺度梅雨鋒系影響的緣故。但是在各地變化情況有這樣的現象：0.155等值線呈現環狀結構，主要在沿江中部，向南和向北逐步減少；總的來看，大致呈現南北向緯度地帶性分佈。載荷量大值區主要位於沿江地區，說明此地是江淮梅雨量變率最大的地區，也是旱澇異常的敏感區，由表1可知這種空間異常類型佔整體方差的69.2%。由圖4b可以看出，第二特徵場則與第一特徵場有著很大的差異，其分佈有著南北反向變化的結構特點。正值中心位於皖南南部地區，而負值中心則位於沿淮地區，說明江淮梅雨量呈現南干北濕或南濕北乾的格局特徵，即南北差異是江淮梅雨量的第二空間異常類型。出現這種情況的原因是，隨著每年6月以後西太平洋副熱帶高壓北跳的不同，雨帶長期維持在江南，則江淮地區雨量少；雨帶長期維持在江淮地區，則江南雨量少。從第三特徵場（圖4c）可以看出合肥、巢湖地區、宣州部分地區的梅雨量表現出與周圍地區相反的特徵。這可能是因為這些地區多處在丘陵地區，在某些年份受副高控制晴熱少雨，梅雨量偏少。

（2）REOF分析

通過EOF展開方法的討論可以看出，江淮梅雨量的降水空間格局既有全區一致的少雨或多雨現象，也存在區域內部南北的差異，但是其主要特點依然為緯向分佈型，不能更為精細地描述不同地理區域的特徵，因此在EOF分析的基礎上，再進一步做最大正交方差旋轉，進行REOF展開，可以得出非常細微的地理分區。由表1可以看出，前7個主成分的累積方差達到了94.6%，可以用此來代表原始的向量場。對前7個主成分進行方差最大旋轉，並由前6個旋轉載荷向量對江淮梅雨量進行分區。由表1可知旋轉后載荷的貢獻要比旋轉前分佈均勻。這是因為旋轉后各主成分的意義著重表現空間的相關性分佈特徵，高載荷只集中在某一較小的區域，而使其它大部區域的載荷儘可能地接近0。

對REOF展開結果所繪出的圖分別進行分析。第1旋轉載荷向量場的高載荷區主要在大別山北部。這一地區是江淮丘陵區，對降水極其敏感，也是安徽少雨區。第2旋轉載荷向量場的高載荷區主要位於宣郎廣一帶，以丘陵為主。第3旋轉載荷向量場的高載荷區主要分佈在本區東北，丘陵和河流較多。第4旋轉載荷向量場的高載荷區大體分佈在本區西北，以平原地貌為主，是安徽旱澇多發區。第5旋轉載荷向量場的高載荷區多分佈在江南南部，以山地地貌為主，是安徽降水最多的區域。第6旋轉載荷向量場的高載荷區則主要分佈在沿江西部，河流和平原地貌為主。按載荷絕對值大於0.5的高載荷分佈區域來考慮，梅雨量在淮河以南大致可分大別山、沿淮北部、東北部、沿江、江南西部和宣郎廣6個區域（見圖5）。

由上面REOF分析得出的江淮梅雨量分區較為清楚地反映出地理位置和地形對梅雨降水的影響，而且據此可以分為6個區域，這種江淮梅雨量異常分區與江淮梅雨分佈存在著某種程度上的重合。因此在分析和研究江淮梅雨量及其異常變化時，須重點考察上述6個類型區域的梅雨氣候及其預測。

研究結論

基於安徽淮河以南地區5個氣象站196-22年的梅雨量資料，利用EOF、REOF兩種展開方法，分析了江淮梅雨量的空間分佈及時間演變特徵，重點在於空間地理分佈。EOF分析方法表明江淮梅雨前三個特徵向量累積方差貢獻比例高達88.9%，主要空間特徵是三個特徵向量場呈現緯向帶狀分佈；第一特徵向量場空間分佈均為正值，說明江淮梅雨量的乾濕變化具有較好一致性，但是各特徵向量場之間的特點相差明顯。REOF分析方法表明江淮梅雨量場可以被分為6個主要的類型；主成分旋轉后載荷要比旋轉前分佈均勻得多；后一個時間係數序列的變化幅度比前一個時間序列要小；第一時間係數的變化相當於各站平均梅雨量變化。