基于SARIMA模型和条件植被温度指数的干旱预测

基于时间序列遥感数据反演的条件植被温度指数(VTCI)干旱监测结果,应用季节性求和自回归移动平均模型(SARIMA)对关中平原进行了分区域干旱预测建模,得到了2009年4月上旬至5月下旬每旬1步、2步和3步共18旬的预测结果,并分析了预测精度.结果表明,SARIMA模型的预测精度随着预测步数的增加而降低,6旬1步预测结果的绝对误差频数分布基本是单峰分布,主要分布在-0.2到0.2之间;6旬2步预测结果的绝对误差频数分布出现双峰分布,3步预测结果绝对误差分布分散,且误差变大.通过分析干旱的时空分布规律,发现关中平原地区干旱具有较明显的区域特征,且1步预测和2步预测结果的干旱时空分布与监测结果较吻合,3步预测结果的不确定性较大,由此得出SARIMA模型适用于关中平原VTCI 1 ～2步预测研究的结论.     

基于叶面积指数的河北中部平原夏玉米单产预测研究

为解决玉米单产预测的时效性和业务化问题,以河北中部平原为研究区域,选取与籽粒产量密切相关的叶面积指数(LAI)作为遥感特征参数,对研究区2016—2018年夏玉米单产进行预测研究。基于求和自回归移动平均(ARIMA)模型及径向基神经网络(RBFNN)分别逐像素预测研究区域的LAI,结果表明,基于ARIMA模型的LAI预测精度比RBF神经网络的预测精度高,1步、2步LAI预测结果的RMSE较RBF神经网络分别降低了0. 18、0. 14 m2/m2,更适合于河北中部平原的夏玉米单产预测。基于LAI监测数据和加权LAI与夏玉米单产的相关性研究成果,并结合基于ARIMA模型的LAI预测数据,得到2016—2018年夏玉米监测单产和向前1旬、2旬和3旬的单产预测结果。结果表明,无论是县域尺度还是像素尺度,向前1、2、3旬夏玉米的单产预测精度均较高,2016—2018年县域尺度预测单产与监测单产间最大相对误差仅为3. 73%。     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理，提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据，分解为线性和非线性序列，线性数据使用ARIMA模型预测，使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系，采用小波神经网络（WNN）获得预测值，并采用遗传算法的选择、交叉、变异等操作优化网络参数，比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%，提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明，该组合模型优于单个模型和传统组合模型的预测结果。     

基于ARIMA-GM组合模型的湖北省电力需求预测研究

通过分析湖北省历年电力消费量,利用灰色模型(GM)和自回归积分移动平均（ARIMA)模型分别对2012-2020期间的湖北省电力需求量进行了预测,然后通过方差倒数法进行组合预测,得到了精度更高的预测结果。通过分析整个预测过程及结果,该方法易于操作,精度较高,是一种对电力需求预测方法有益的探索。     

基于随机森林回归的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R~2=0. 303),达极显著水平(P 0. 001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9. 85%,均方根误差为824. 77 kg/hm~2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。     

基于实时跟踪的ARIMA大坝安全监控模型

为了保证大坝安全监测的准确性并提高模型的预测长度,将差分自回归移动平均模型(ARIMA)结合实时跟踪算法,建立基于实时跟踪的ARIMA大坝安全监控模型,利用ARIMA拟合性好的特点对大坝监测数据进行拟合建模,并使用实时跟踪算法的等维递补思想提高大坝变形监测的预测长度,工程实例表明,基于实时跟踪的ARIMA大坝安全监控模型精度较高,对于数据信息挖掘能力强且具有较长的预测长度,具有很高的工程应用价值。     

基于双参数和粒子滤波同化算法的夏玉米单产估测

为了提高河北省中部平原夏玉米的估产精度和进一步验证粒子滤波同化算法对农业作物估产的适用性,采用粒子滤波算法同化CERES-Maize模型模拟和MODIS数据反演的叶面积指数(Leaf area index,LAI)、条件植被温度指数(Vegetation temperature condition index,VTCI),应用随机森林回归算法确定夏玉米不同生育时期LAI和VTCI的权重,构建单产估测模型。结果表明,无论是单点尺度还是区域尺度,同化的LAI和VTCI均能较好地响应外部观测数据,同化LAI可减缓CERES-Maize模型模拟LAI的剧烈变化;同化VTCI结合模型模拟和遥感观测,更能反映夏玉米对水分胁迫的敏感性。利用2015年河北省中部平原各县(区)夏玉米产量对较优估产模型进行精度验证,结果表明,同化前后夏玉米产量模拟结果与统计产量间的归一化均方根误差由12.71%下降到10.50%,平均相对误差由12.57%下降到8.43%,说明基于同化LAI和VTCI构建的双参数单产估产模型可用于区域夏玉米单产估测。     

基于条件植被温度指数的冬小麦产量预测

条件植被温度指数(VTCI)综合了地表主要参数——植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、遥感作物估产等提供科学依据。在改进层次分析法的加权VTCI与冬小麦产量的相关性研究成果和VTCI的季节性ARIMA模型干旱预测研究成果基础上,对关中平原的冬小麦产量进行向前1旬、2旬和3旬的预测研究。研究结果表明,产量预测结果与产量监测结果吻合较好,预测精度随着预测步长的增大而降低,关中平原4个地级市平均产量预测结果的最大相对误差为3.27%,说明用该方法可以进行向前3旬的产量预测。     

基于误差建模分析的深度神经网络大蒜价格预测应用

本文主要研究使用深度神经网络进行建模分析,并使用误差建模方法对大蒜的价格进行预测,为此我们进行了三种分析方法的对比,第一种方法是先对数据进行时间序列分析,利用ARIMA直接对时间序列模型进行预测.第二种方法是建立循环神经网络,使用循环神经网络进行时间序列预测.第三种是利用组合模型,先求得观测值与时间序列模型之间的残差,...     

水稻各生育期需水量预测的综合模型

根据灰色系统理论的灰色模型 (Grey Model)与时间序列方法 ARMA模型 ,提出了水稻各生育期平均日需水量预测的时间序列综合模型。根据提出的模型 ,利用沈阳农业大学 1 5年的水稻需水量试验资料 ,分别建立了沈阳地区水稻各生育期平均日需水量向前 l步的预测模型 ,并提出了水稻全生育期需水量的向前 l步的预测模型 ,这是水稻需水量预测的最新理论与方法。该方法建模简单 ,所需资料较少 ,并具有较高的精度     

降雨时间序列分解预测模型及应用

为了对随机型时间序列进行预测，在分析其性质的基础上，提出了将其分解为趋势项、周期项和平稳随机项，建立时间序列分解预测模型，分别对趋势项和周期项进行检验和提取，利用自回归模型人工合成新的序列对平稳随机项进行模拟和预测。将该模型应用于降雨量预测，取得良好效果，表明了该模型的有效性和适用性。     

基于决策树和混合像元分解的玉米种植面积提取方法

Landsat 8影像具有较高空间分辨率和时间分辨率,长时间序列Landsat 8-NDVI曲线反映农作物的物候历、种植模式和种植结构信息,是精确提取玉米种植面积的理想数据源。基于时序Landsat 8-NDVI影像提取玉米种植面积的方法中,决策树方法快速、高效,可通过多阈值限定进行分类,但由于混合像元问题,如果阈值设置过宽,提取面积偏大;阈值设置过窄,提取面积偏小;混合像元分解通过计算端元组分丰度可以排除异质地类干扰。因此,以时序NDVI为数据源、耦合使用2种算法是精确提取作物种植面积的有效方法。本研究基于时序Landsat 8-NDVI,提取河北省保定市大田玉米的种植面积。首先,分析典型作物区的NDVI曲线特征,并构建决策树从而初步提取早播夏玉米、小麦夏玉米和春玉米的分布范围。然后,根据端元平均NDVI波谱曲线,进行3种玉米混合度分解,进而根据玉米丰度比例精确提取玉米种植面积。精度评价结果表明:利用本方法提取的玉米种植区总分类精度在98%以上,Kappa系数在0.97以上;所提取的玉米种植类型主要是夏玉米,春玉米种植主要集中在涿州市中部,这与实地调查结果一致。上述定量和定性的评价结果表明该方法可用于快速、精确提取玉米种植面积。     

基于VTCI空间尺度上推方法的干旱影响评估

基于关中平原Aqua MODIS条件植被温度指数(VTCI)的干旱监测结果,分别采用分布式和聚合式的主导类变异权重法(DCVW)、算术平均值变异权重法(AAVW)和中值变异权重法(MPVW)对市域单元内VTCI进行空间尺度上推,以获取冬小麦主要生育期聚合后的加权VTCI;以加权VTCI与冬小麦产量间的回归分析精度为参考,选择最为合适的空间尺度上推方法。结果表明:采用分布式获得的加权VTCI与冬小麦产量的回归分析结果整体优于聚合式获得的结果。在分布式的上推过程中,MPVW获得的加权VTCI与冬小麦产量间的回归分析精度较低,DCVW和AAVW的精度均较高,其中DCVW获得的加权VTCI与冬小麦产量间回归分析的决定系数R2达0.64,精度最高,说明采用分布式DCVW对市域单元内VTCI进行空间尺度上推得到的加权VTCI最为合理。     

基于作物水分亏缺指数的云南省夏玉米不同生育期干旱时空特征分析

【目的】研究云南省夏玉米不同生育期干旱变化规律,为该区夏玉米合理布局和防御生育期内阶段性干旱提供科学依据。【方法】利用云南省1960—2014年32个典型气象站点逐日气象资料,计算夏玉米生育期逐旬作物水分亏缺指数(crop water deficit index,CWDI),采用线性趋势和M-K检验分析了云南省不同地区夏玉米干旱的时空变化特征,并探究了CWDI与夏玉米产量的关系。【结果】①云南省夏玉米初始生长期、快速生长期、生长中期、生长后期和全生育期平均干旱站次比分别为50.30%、12.36%、5.88%、6.00%和10.35%。②1960—2014年夏玉米初始生长期干旱站次比和CWDI均呈减小趋势,快速生长期、生长中期、生长后期和全生育期则均呈上升趋势,且快速生长期和生长中期干旱面积和强度上升幅度相对较大,上升趋势主要集中在滇西南。③云南省夏玉米各生育阶段不同等级干旱发生频率整体上表现出中部高四周低的分布特征,其中滇中干旱频率最高,滇西南最低;云南省夏玉米各生长阶段干旱强度上升幅度较大区域主要集中在滇西南和滇东北,上升幅度较小区域主要集中在滇中中西部和滇西北。④云南省夏玉米生长中期水分供需状况对夏玉米产量影响较大。【结论】一定幅度的干旱强度上升,有利于云南省西部夏玉米增产,尤其是滇西南地区;但会导致中东部夏玉米减产,尤其是滇东北。     

基于双参数和Morlet多时间尺度特性的冬小麦单产估测

为进一步研究冬小麦在不同时间尺度下长势及产量变化情况,以陕西省关中平原为研究区域,选择与作物长势密切相关的条件植被温度指数（VTCI）和叶面积指数（LAI）作为研究指数,Morlet小波作为函数,利用小波变换和交叉小波变换分别分析不同时间尺度下冬小麦各生育时期VTCI和LAI与单产时间序列间的主振荡周期和共振周期。通过计算小波互相关度,确定各生育时期VTCI和LAI的权重,从而分别构建基于加权VTCI、加权LAI的单参数和双参数估产模型。结果表明,不同生育时期VTCI和LAI与单产间存在不同的主振荡周期和共振周期;通过小波变换构建的基于加权VTCI、加权LAI单产估测模型的归一化均方根误差（NRMSE）分别为16.88%、13.58%,决定系数（R2）分别为0.259、0.520,基于双参数的估产模型NRMSE为13.52%, R2为0.531,表明基于双参数估产模型精度更高。通过交叉小波变换构建的基于加权VTCI、加权LAI单产估测模型的NRMSE分别为16.83%、13.56%,R2分别为0.263、0.522,基于双参数的估产模型NRMSE为13.40%,R2为0.533,表明基于交叉小波构建的估产模型比基于小波变换的估产模型精度均有所提高。利用共振周期构建的双参数估产模型对关中平原2011—2018年冬小麦的单产进行估测,结果显示,产量分布呈现西部高东部低的空间分布特征。     

基于结构相似度的关中平原旱情空间分布特征

季节性干旱是影响关中平原农业生产最主要的灾害,研究气候变化背景下的关中平原旱情空间分布特征和变化规律具有重要的科学意义与应用价值。基于关中平原2003—2014年每年3月上旬—5月下旬的旬时间尺度条件植被温度指数(VTCI)的干旱监测结果,采用结构相似度(SSIM)研究关中平原VTCI的空间变化特征及其影响因子。结果表明:关中平原VTCI的空间变化特征具有明显的区域差异性和空间异质性,结构性因素是VTCI空间变化的主要影响因子,总体上受水热、地形分布格局等因素的结构性影响,但微地貌、下垫面覆盖的不同及变化和人为因素导致其主体产生变化。当微地貌、下垫面覆盖类型和人为因素成为主导因子时,结构相似度与其高度相关,对其变化的响应非常敏感。与利用某些指数直接作为干旱的指示因子或构建统计模型分析干旱特征相比,引入研究图像的结构信息的参量SSIM实现了定量、准确、形象地描述干旱的空间分布特征和变化规律。     

Artificial neural network and time series models for predicting soil salt and water content

Volumetric water content of a silt loam soil (fluvo-aquic soil) in North China Plain was measured in situ by L-520 neutron probe (made in China) at three depths in the crop rootzone during a lysimeter experiment from 2001 to 2006. The electrical conductivity of the soil water (EC_sw) was measured by salinity sensors buried in the soil during the same period at 10, 20, 45 and 70 cm depth below soil surface. These data were used to test two mathematical procedures to predict water content and soil water salinity at depths of interest: all the available data were divided into training and testing datasets, then back propagation neural networks (BPNNs) were optimized by sensitivity analysis to minimizing the performance error, and then were finally used to predict soil water and EC_sw. In order to meet with the prerequisite of autoregressive integrated moving average (ARIMA) model, firstly, original soil water content and EC_sw time series were likewise transformed to obtain stationary series. Subsequently, the transformed time series were used to conduct analysis in frequency domain to obtain the parameters of the ARIMA models for the purposes of using the ARIMA model to predict soil water content and EC_sw. Based on the statistical parameters used to assess model performance, the BPNN model performed better in predicting the average water content than the ARIMA model: coefficient of determination (R²) = 0.8987, sum of squares error (SSE) = 0.000009, and mean absolute error (MAE) = 0.000967 for BPNN as compared to R² = 0.8867, SSE = 0.000043, MAE = 0.002211 for ARIMA. The BPNN model also performed better than the ARIMA model in predicting average EC_sw of soil profile. However, the ARIMA model performed better than the BPNN models in predicting soil water content at the depth of 20 cm and EC_sw at the depth of 10 cm below soil surface. Overall, the model developed by BPNN network showed its advantage of less parameter input, nonlinearity, simple model structure and good prediction of soil EC_sw and water content, and it gave an alternative method in forecasting soil water and salt dynamics to those based on deterministic models based on Richards’ equation and Darcy's law provided climatic, cropping patterns, salinity of the irrigation water and irrigation management are very similar from one year to the next.