基于生态论的生物灾害精细化预报理论研究

生物灾害精细化预报是系统健康管理理论在生物灾害管理中的应用,是生物灾害精确管理中的一个重要环节。生物灾害精细化预报就是根据有害生物的生物生态学特性,通过对生物灾害监测数据的积累与分析,从中寻找有害生物的种群变化动态与环境因子变化之间的关系,建立预测预报模型,并通过PDCS循环,不断提高预报准确率和预报在时间、空间、强度等维度的分辨率。生物灾害精细化预报的技术基础,一是积累生物灾害监测数据素材,二是要积极运用空间遥感技术和信息处理技术,三是要引入复杂系统生态论中的能流、TSE、代谢分析等分析方法创建新的预报算法,四是要运用系统管理理论对预报实施系统化管理不断提高预报水平。对于林业生物灾害精细化预报来说,重点是开展对现有遥感照片的林业生物灾害信息和森林资源信息的快速解读技术研究,创新林业生物灾害预测算法,从而将监测数据与森林资源二类清查数据复合,建立以小班为基本预测单位,以GIS和互联网为平台的智能化预报专家系统。     

基于TSE分析理论的林业生物灾害精细化预报技术研究

用能流来描述林业生物灾害特征值及其相关的环境变量,使林业生物灾害的离散值连续化,从而可以使用更多的数学工具,对林业生物灾害的发生发展进行精细分析和预测。使用TSE(TSDA,time-space dynamic analysis about event)和系统代谢分析方法,对林业生物灾害发生发展过程进行精确描述、分析和仿真,利用Google Earth专业版和GIS强大的空间信息处理能力,建立林业生物灾害精细化预报专家系统,实现林业生物灾害的精细化预报。     

潜山县林业有害生物防治公共服务体系建设现状与对策研究

分析了潜山县林业生物灾害防治公共服务体系现状与存在的问题,并根据潜山县林业发展对林业生物灾害防治公共服务体系的需求,提出了潜山县林业生物灾害防治公共服务体系建设对策,以促进该县林业有害生物防治公共服务体系的建设。     

林业生物灾害地理信息系统应用研究综述

地理信息系统具有强大的空间分析能力,是实现林业生物灾害的精确管理的重要工具。运用ENVI与Arc GIS一体化集成平台,建立林业生物灾害TSE分析模型,实现林业生物灾害的精细化预报,以期为林业生物灾害精确管理提供可靠的依据。     

生物灾害精细化预报算法试验研究——以潜山县马尾松毛虫为例

精细化预报建模,除了“精”“细”之外,还要注重“简”的精细化预报基本要求,只有这样的算法模型,才能“化繁为简”,才能在生产实践中得到广泛应用。因此,算法与模型的的选择,应该按照“精”“细”“简”要求,应用最新数学、系统学成果和分析仿真工具,采用多种方式进行试验比较,选择合适的算法。就本次算法试验而言,对于潜山县马尾松毛虫精细化预报,采用多层感知器建立马尾松毛虫预报模型较好。     

基于系统健康管理理论的林业生物灾害精细化预报管理研究

介绍了系统管理的含义、理论基础、基本步骤及特点等,并阐述了系统健康管理的方式,提出林业生物灾害精细化预报管理措施,包括技术、人力资源、财务、物资、组织、质量、业务、计划、时间、控制等方面,以期为高效实现林业生物灾害精细化预报提供参考。     

基于ARIMA和GA-Elman神经网络的新疆年降水耦合预测研究

[目的]提高降水预报的预测精度,准确预测一个地区未来的降水量,可以提高该地区防灾减灾的能力,更好地为工农业生产生活提供决策参考.[方法]以年降水时间序列为研究对象,利用差分自回归移动平均(ARIMA)和GA-Elman神经网络技术建立一种耦合预测模型.该模型首先根据年降水时间序列建立ARIMA模型,拟合它的线性结构部分,基于原始降水序列和ARIMA模型的预测值、残差序列,利用GA-Elman神经网络技术进行耦合建模.将该模型应用于新疆年降水量的预测预报,并与单一的ARIMA模型、GA-Elman神经网络模型进行比较.[结果]耦合模型的归一化均方误差、平均绝对误差、后验差比值及小误差概率分别为0.287,9.581,0.241和1,均优于ARIMA模型、GA-Elman神经网络模型,预测精度得到了明显的提高,预测精度等级为好.[结论]基于ARIMA和GA-Elman神经网络的耦合预测模型具有更高的预测精度,可用于新疆的年降水量预报.     

基于BP神经网络的河川年径流量预测

运用人工神经网络模型对松花江流域年径流量径流序列做出预报,表明了人工神经网络模型在水文预报中具有一定的优势。通过对基本BP网络算法和L-M算法的比较工作,得到了适合该神经网络模型的训练算法,既L-M算法,提高了预报的精度。以松花江流域哈尔滨站年径流量实测序列为研究对象,在数值试验的基础上找到了适合于松花江流域哈尔滨站年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于高分辨率遥感数据与TSE方法的生态系统精细化管理技术研究

合理组织遥感监测,积极推行遥感社会化,对多平台、多传感器进行遥感监测数据进行拆分或复合,以获得更高分辨率遥测数据。运用地面监测数据和历史遥感数据,建立遥感数据解读模型,并通过PDCS循环,不断提高遥感数据的解读精度与准确度。根据需要提取所需要的目标信息,建立TSE分析模型,通过系统关键因子分析与健康管理,可以实现对森林资源、生物灾害、土地利用、区域规划、交通管理、减商化等的精细化管理。     

马尾松毛虫幼虫发生严重程度的预测研究

为了提高马尾松毛虫幼虫发生严重程度的预测精度,寻求简便准确的预测方法,采用时间平稳序列法、回归预测法、马尔科夫链法、BP神经网络法和列联表多因子多级相关分析法对安徽省潜山县1983—2014年的马尾松毛虫越冬代、一代和二代幼虫发生的严重程度进行预测,研究历史符合率,并用2015年和2016年的实际发生情况验证。结果表明,平稳时间序列法,列联表多因子多级相关分析法计算简便,预测结果准确;BP神经网络法和马尔科夫链法预测结果非常准确。回归模型中以当代卵盛期卵量预测当代幼虫发生严重程度的一元回归模型的预测结果准确性高,其余一元回归模型预测结果稍差,多元回归模型和逐步回归模型优于一元回归模型。BP神经网络模型是一种理想的预测模型。     

BP神经网络在小麦赤霉病气象预测中的应用*

 应用BP神经网络的方法建立四川资中小麦赤霉病发病的预报模型,为预防小麦赤霉病发病提供科学依据。根据四川资中小麦赤霉病发生发展的气象生理指标及历年该病发生的统计资料,借助人工神经网络强大的函数映射能力,采用Fletcher-Reeves算法的变梯度反向传播算法——Traincgf,建立了小麦赤霉病发病的气象预报模型。该模型不需要事先确定数学模型,拟合与预测的平均绝对偏差分别为0.01,0.05,优于多元线性回归模型的0.17,0.29。BP神经网络预报模型的拟合精度和预报精度都较高,优于多元线性回归模型,能很好地实现预期效果,对小麦赤霉病发病的预测预防工作具有一定的指导意义。     

时间序列的自回归模型在杨凌地区降水量预报中的应用

对平稳时间序列的理论和方法,自回归模型[1]的概念,定阶,模型建立,预报,平稳性进行了综述。通过对杨凌张家岗气象站1935—1955年的四季降水量建立自回归模型,利用所求得的模型对1956年的四季降水量进行了预报。结果表明,该模型对冬季降水量预报效果最好,接下来依次为秋季、夏季、春季。因此平稳时间序列预报方法适用于预报变化比较缓和、持续性和周期性比较好的天气,对变化剧烈的天气和转折性的天气的预报能力较差。     

精细化预报技术在潜山县马尾松毛虫预报中的应用

将多因子回归、径向基函数、多层感知器3种模型应用于2016年、2017年马尾松毛虫预报,发生量与发生期预测,预测精度均符合生产预报要求。因此,推广林业有害生物精细化预报技术,有利于实现林业的有害生物精确管理。     

基于RBF神经网络的池州市降水序列预测

时间序列预测分析方法是进行预测预报的有效工具,有着广泛的应用。针对时间序列的非线性、动态变化等特征,基于RBF神经网络对时间序列预测方法进行改进,并以安徽省池州市1959～2009年来的月降水量为时间序列数据样本,用MATLAB软件编程,采用基于随机选取中心的RBF神经网络预测方法,对池州市的月降水量进行预测,并选择不同的扩展速度参数,用均方误差进行检验。通过与BP网络模型的预测结果比较分析,表明RBF模型的预测效果较好。建立的基于随机选取中心的RBF神经网络模型,不需要计算原始时间序列数据的复杂函数关系,具有操作简单、学习速度快、短期预测精度高等优点,用于时间序列预测方面能够获得十分满意的结果,具有很高的应用价值。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

土壤温度时间序列预测的LSTM神经网络研究

适宜的土壤温度是作物生长发育的重要环境因素,在作物全生育期都起着至关重要的作用,研究土壤温度的预测预报模型对农业生产具有重要意义。本试验以河北省石家庄市藁城区某试验田作为研究对象,对试验田的样本点10～30 cm深度处土壤温度的长期监测数据进行了拟合,分别建立基于LSTM神经网络的日均土壤温度预测模型和时均温度预测模型。结果表明,采用2-60-80-1网络结构的LSTM神经网络对日均土壤温度时间序列数据预测效果最优,其均方根误差(RMSE)达最小值0.603;采用2-60-80-1网络结构的LSTM神经网络对时均土壤温度时间序列预测效果最优。在对日均和时均土壤温度预测时,LSTM神经网络模型的平均的均方误差(RMSE)仅为0.665,较之BP神经网络模型降低了0.053,说明了LSTM神经网络模型用于土壤温度时间序列预测的优势,可满足土壤温度日常预报的需要。     

基于复杂系统代谢分析理论的林业生物灾害精细化预报研究

系统的代谢分析,是对系统内能的流通、转换情况进行分析,从而掌握系统运转的详细情况。本文论述了能在系统内流通与代谢方式,以及房室模型、非房室模型、非线性动力学、代谢网络分析等系统代谢分析方法,并介绍了其在林业生物灾害精细化预报中的应用。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

马尾松毛虫精细化预报多层感知器建模试验研究

经过多次神经网络多层感知器试验,筛选拟合度高的马尾松毛虫精细化预报模型。结果表明:R2均大于0.9,多层感知器马尾松毛虫预报模型要优于径向基函数与回归方法建立的模型。     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。