梅雨量是指梅雨季节的降水总量，单位为mm。在中国长江中下游地区、台湾、日本中南部以及韩国南部等地，每年6、7月份都会出现持续天阴有雨的气候现象，由于正是江南梅子的成熟期，故称其为“梅雨”，此时段便被称作梅雨季节。

梅雨期是一年降水量最为集中的时段，纵观历年来，梅汛期的洪涝绝大多数发生在梅雨期内，梅雨期的长短、梅雨量的多寡不仅直接影响到梅汛期的防汛防洪，还影响到出梅后的夏秋抗旱工作。

基于遗传算法的BP网络在梅雨量预测中的应用

遗传算法简称GA(Genetic Algorithm)，是美国Michigan大学的John教授创建，由生物进化思想启发而得出的一种具有全局搜索能力的算法。它模拟自然界物竞天择、适者生存通过选择(Selection)、交叉(crossover)和变异(mutation)等操作，产生新一代适应力更强的群体(如图1所示)。

BP网络(Back-Propagation Network)又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。

BP网络由输入层、隐层和输出层组成，隐层可以有一层或多层。图2是m×k×n的三层BP网络模型，网络选用s型传递函数f(X)=1/(1+e-x)，通过反传误差函数 （Ti为期望输出、Oi为网络的计算输出），不断调节网络权值和阈值使误差函数E达到极小。

BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。可以先用遗传算法对BP网络进行优化，在解析空间找出较好的搜索空间，再用BP网络在较小的搜索空间内搜索最优解。

梅雨量预测用两次优化的结果构建BP网络，设置网络的目标误差为0.01，最大循环次数为3000。用trainbpx函数训练BP网络，循环到第2000时，训练误差小于目标误差训练结束。重复训练，结果相同将测试样本代入BP网络，计算结果(见图3所示)在趋势上与实际趋势相符，数值上除1年相差较大外，其他四年的相差不大这是由于影响梅雨量的因素很多(例如，太阳黑子、太平洋副高强度等)，所以单凭历史数据预测还不够，我们将从这些因素入手做深入研究。

基于EOF和REOF分析江淮梅雨量的时空分布

梅雨是长江中下游地区的气候特色之一，也是我国乃至东亚地区重要的降水现象。梅雨的形成及其强弱与副热带高压、青藏高压、东亚季风以及西风带长波等大尺度天气系统的活动密切相关。由于每年这些大尺度天气系统的强度、进退迟早和速度快慢等都不一样，梅雨锋系的大小和维持时间的不同，致使历年梅雨到来的迟早、长短和雨量的多寡差异很大，直接导致这一地区干旱或洪涝的形成。因此梅雨形成的研究一直受到气象工作者的重视，进行过许多方面的探讨。

安徽省处在北亚热带和暖温带过渡地区，气候变化复杂，每年的降水大多集中在梅雨期，汛期降水更是集中在梅雨过程，因此对梅雨现象进行重点深入探讨，有助于把握汛期降水的主要特性，对于安徽防汛抗旱有指导意义。尽管梅雨时间和空间分布的规律作过不少研究，但是多从气候统计学角度来进行，例如应用平均值、方差、趋势等分析手段。研究主要利用两种EOF分析方法，探究江淮梅雨的时间演变现象，重点地分析空间分布规律，给出江淮梅雨的分布型，为江淮梅雨的分区预测提供依据。

（1）梅雨资料

安徽的梅雨主要发生在淮河一线以南地区，因此本文研究范围为淮河以南。利用安徽省淮河以南地区、资料年代较长的50个气象站1960-2002年逐日降水资料，以及温度资料和东亚大气环流形势，根据作者综合许多气象学者成果的基础上在文献提出的梅雨划分标准，划定江淮之间、沿江江南地区和安徽省逐年入梅日、出梅日和梅雨期，据此得到淮河以南各气象站的梅雨量。

（2）分析方法简介

EOF分析也称经验正交函数分解，它可以针对气象要素来进行。其基本原理是对包含1个空间点（变量）的场随时间变化进行分解。设样本容量为n的资料，则场中任一空间点i和任一时间点j的资料值（xij）mn可看成由1个空间函数ik和时间函数tkj（k=1，2，…，1）的线性组合。

旋转主成分分析（REOF）是在传统主成分分析（EOF）的基础上再做旋转。采用Horel使用的方差最大正交旋转法，也是气候分析和诊断经常使用的方差最大正交旋转法。研究取前7个载荷向量及其对应的主成分参加旋转。REOF分析不仅可以很好地反映不同地域的变化，而且可以反映不同地域的相关分布状况。

（1）EOF分析

通过对1960-2002年逐年江淮梅雨量资料采取标准化处理之后，再进行EOF分析，得到各个主成分，前7个主成分的主要结果见表1。由表1可知，第一主成分的方差贡献最大，第二主成分的方差贡献迅速降低，后面几个主成分方差贡献已经很小；解释方差也有同样的现象。前3个主成分的方差贡献几乎占90%，因而给出前3个主成分所对应的特征场，见图4。它反映出江淮梅雨量异常的几种主要的大范围空间分布特征。图4a给出了江淮梅雨量第一特征场，全区一致为正，说明江淮梅雨量的干湿变化是一致的，具体是指某年淮河以南梅雨量或者普遍偏干，或者普遍偏湿，它显然是受大尺度梅雨锋系影响的缘故。但是在各地变化情况有这样的现象：0.155等值线呈现环状结构，主要在沿江中部，向南和向北逐步减少；总的来看，大致呈现南北向纬度地带性分布。载荷量大值区主要位于沿江地区，说明此地是江淮梅雨量变率最大的地区，也是旱涝异常的敏感区，由表1可知这种空间异常类型占整体方差的69.2%。由图4b可以看出，第二特征场则与第一特征场有着很大的差异，其分布有着南北反向变化的结构特点。正值中心位于皖南南部地区，而负值中心则位于沿淮地区，说明江淮梅雨量呈现南干北湿或南湿北干的格局特征，即南北差异是江淮梅雨量的第二空间异常类型。出现这种情况的原因是，随着每年6月以后西太平洋副热带高压北跳的不同，雨带长期维持在江南，则江淮地区雨量少；雨带长期维持在江淮地区，则江南雨量少。从第三特征场（图4c）可以看出合肥、巢湖地区、宣州部分地区的梅雨量表现出与周围地区相反的特征。这可能是因为这些地区多处在丘陵地区，在某些年份受副高控制晴热少雨，梅雨量偏少。

（2）REOF分析

通过EOF展开方法的讨论可以看出，江淮梅雨量的降水空间格局既有全区一致的少雨或多雨现象，也存在区域内部南北的差异，但是其主要特点依然为纬向分布型，不能更为精细地描述不同地理区域的特征，因此在EOF分析的基础上，再进一步做最大正交方差旋转，进行REOF展开，可以得出非常细微的地理分区。由表1可以看出，前7个主成分的累积方差达到了94.6%，可以用此来代表原始的向量场。对前7个主成分进行方差最大旋转，并由前6个旋转载荷向量对江淮梅雨量进行分区。由表1可知旋转后载荷的贡献要比旋转前分布均匀。这是因为旋转后各主成分的意义着重表现空间的相关性分布特征，高载荷只集中在某一较小的区域，而使其它大部区域的载荷尽可能地接近0。

对REOF展开结果所绘出的图分别进行分析。第1旋转载荷向量场的高载荷区主要在大别山北部。这一地区是江淮丘陵区，对降水极其敏感，也是安徽少雨区。第2旋转载荷向量场的高载荷区主要位于宣郎广一带，以丘陵为主。第3旋转载荷向量场的高载荷区主要分布在本区东北，丘陵和河流较多。第4旋转载荷向量场的高载荷区大体分布在本区西北，以平原地貌为主，是安徽旱涝多发区。第5旋转载荷向量场的高载荷区多分布在江南南部，以山地地貌为主，是安徽降水最多的区域。第6旋转载荷向量场的高载荷区则主要分布在沿江西部，河流和平原地貌为主。按载荷绝对值大于0.5的高载荷分布区域来考虑，梅雨量在淮河以南大致可分大别山、沿淮北部、东北部、沿江、江南西部和宣郎广6个区域（见图5）。

由上面REOF分析得出的江淮梅雨量分区较为清楚地反映出地理位置和地形对梅雨降水的影响，而且据此可以分为6个区域，这种江淮梅雨量异常分区与江淮梅雨分布存在着某种程度上的重合。因此在分析和研究江淮梅雨量及其异常变化时，须重点考察上述6个类型区域的梅雨气候及其预测。

基于安徽淮河以南地区5个气象站196-22年的梅雨量资料，利用EOF、REOF两种展开方法，分析了江淮梅雨量的空间分布及时间演变特征，重点在于空间地理分布。EOF分析方法表明江淮梅雨前三个特征向量累积方差贡献比例高达88.9%，主要空间特征是三个特征向量场呈现纬向带状分布；第一特征向量场空间分布均为正值，说明江淮梅雨量的干湿变化具有较好一致性，但是各特征向量场之间的特点相差明显。REOF分析方法表明江淮梅雨量场可以被分为6个主要的类型；主成分旋转后载荷要比旋转前分布均匀得多；后一个时间系数序列的变化幅度比前一个时间序列要小；第一时间系数的变化相当于各站平均梅雨量变化。