应用型GIS模型分析在林业中的应用

应用人工神经网络滚动预测方法,采用5-25-5神经网络结构建立实验区红桦林5个龄组的蓄积量预测模型,预测了实验区2000~2004年红桦各龄组蓄积量。幼龄林预测平均相对误差为1.138%,中龄林预测平均相对误差为0.051%,近熟林预测平均相对误差为0.362%,成熟林预测平均相对误差为0.156%,过熟林预测平均相对误差为0.009%。实验的预测值与实际值吻合度高,用该模型进行预测的可信度是较高的。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

云冷杉天然林林分年龄预测——以金沟岭林场为例

应用BP神经网络模型、PPR神经网络模型以及多元逐步回归模型,依据林分因子预测了金沟岭林场云冷杉天然林林分年龄。对比分析了人工神经网络计算模型算法与多元逐步回归分析模型预测结果的精度以及稳定性。结果表明:3种模型均可用于天然林林分年龄的预测,BP神经网络模型的预测平均相对误差为0.04,模型稳定性差;PPR神经网络模型的预测相对误差为0.06,模型稳定性好;多元逐步回归模型的预测相对误差为0.08,模型稳定性好。     

森林火灾成灾面积的人工神经网络BP模型预测

应用人工神经网络BP模型对河南省森林火灾成灾面积进行预测,网络模型的最大相对误差为1.15%,最小相对误差是0,平均为0.42%,表明预测值与实际值吻合程度很好,模型精度较高,建模简单,是预测森林火灾成灾面积的有效方法.     

基于LM-BP网络的粮食产量预测

利用Levenberg-Marquardt (LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法.提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验.结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47％;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56％;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的.     

数学模型在淮安市食物中毒事件预测中的应用

[目的 ]构建淮安市食物中毒发生事件数的数学模型并验证其合理性和准确性。[方法 ]收集2003-2015年淮安市食物中毒事件数据,用EXCEL和SPSS拟合灰色预测模型GM(1,1)、回归预测模型进行统计分析和预测。[结果 ]使用灰色预测模型GM(1,1)取得的后验差比值为0.7631;平均相对误差e%为11.48%,后验差比值0.76310.8852,拟合精度合格;使用幂函数模型预测2003-2015年淮安市食物中毒事件数各年度的相对误差最低为0.4%,最高为82.4%,平均相对误差为29.3%。[结论 ]两种方法预测2016年淮安市食物中毒事件数为4件。两种方法均可用来预测淮安市食物中毒发生事件数,预测效果可靠。     

基于不同阶数灰色系统模型的北太平洋柔鱼资源丰度预测

柔鱼（Ommastrephes bartramii）为短生命周期种类,是西北太平洋经济头足类之一。优化资源丰度预测模型能够更科学、有效地为渔业生产提供依据。本研究利用1998—2016年北太平洋柔鱼生产统计数据,采用GM（1,1）模型对不同时间长度的资源丰度（CPUE）进行分析,选择相对误差和方差最小的CPUE序列作为母序列,与太平洋年代际震荡指数 （PDO）、产卵场平均海表温度（SGSST）、育肥场平均海表温度（FGSST）、产卵场平均叶绿素浓度（SGC）、育肥场平均叶绿素浓度（FGC）等因子进行灰色关联分析,并以此分别建立6个不同阶数的灰色预测模型[GM（0,N）模型和GM（1,N）模型],筛选误差最小的模型作为预测柔鱼资源丰度的最佳模型。结果表明,以8年CPUE序列的建模为最佳,其平均相对误差最小,为6.28%;同时,GM（0,N）模型的预测精度普遍比GM（1,N）模型的要高,其中包含2月SGSST、10月FGSST、8月FGC和10月PDO的GM（0,5）模型为最优,拟合相对误差为3.87%,预测相对误差为1.18%,可作为预测北太平洋柔鱼资源丰度的最优模型。     

自建模型间外推对森林可燃物含水率预测精度的影响

通过对2010年春、秋季大兴安岭地区盘古林场樟子松林、兴安落叶松林、白桦林林下细小可燃物含水率的连续观测并构建外推模型。结果表明:春季模型的外推效果好于秋季,模型的平均绝对误差降低了6.6%,平均相对误差降低了62.46%,白桦林的外推精度最高,破坏性取样的外推效果最好(平均相对误差349.83%);秋季樟子松林的外推精度最高,非破坏林荫下的外推精度最好(平均绝对误差较非破坏林空和破坏分别降低了13.7%和47.44%,平均相对误差分别降低了34.86%和83.30%)。模型外推虽不能减少误差,但有助于提高利用少量或仅有的几套含水率模型进行更大地区模型预测精度的工作加强关于模型参数和方程类型等的研究,以提高外推预测可燃物含水率的准确性。     

基于KPCA RVM的土石坝沉降预测模型研究

【目的】针对土石坝坝体沉降存在多变量、强耦合、强干扰的复杂问题,建立基于KPCA-RVM的土石坝沉降预测模型。【方法】利用核主元分析(KPCA)对输入向量进行降维处理,以减少因子个数,随后利用相关向量机(RVM)模型对土石坝沉降进行预测,并以平均相对误差为指标对预测精度进行评价。【结果】实例应用表明,KPCA-RVM模型将输入向量由14个降低到7个,预测结果的平均相对误差仅为0.9%,预测效果得到明显提升。【结论】利用KPCARVM模型对土石坝进行沉降预测,不仅可以减少输入向量个数,而且可以提高预测精度,可在实际工程中推广应用。     

尾叶桉地径与胸径、树高、材积相关性分析

【目的】建立尾叶桉地径与胸径、树高、材积的数学模型,为利用地径测算林木立木材积提供测算方法。【方法】实测148株尾叶桉立木的地径、胸径和树高,运用SPSS软件建立尾叶桉地径与胸径、树高、材积的回归模型,进行选优和适应性检验。【结果】研究区尾叶桉地径—胸径、地径—树高、地径—材积最优模型分别为D1.3=0.857D0-0.539、H=0.966D01.048、V=0.0000481D02.749,尾叶桉地径与胸径、树高、材积均显著相关。地径—胸径模型适应性检验的总相对误差为-1.14%、平均相对误差为1.29%,精度为98.46%;地径—树高模型适应性检验的总相对误差为13.07%、平均相对误差为-14.32%,精度为94.88%;地径—材积模型适应性检验的总相对误差、平均相对误差分别为-3.87%、1.69%,精度为94.70%。【结论】选出尾叶桉地径与胸径、树高、材积的3个最优回归模型,其中地径—树高模型总相对误差和平均相对误差过大,不提倡以尾叶桉地径直接估算树高;地径—胸径、地径—材积模型预测误差均在±5%以内,方程预测精度较高,可以用于估算立木材积。     

基于气象参数的内陆干旱区作物生育期ET0预测

为实现大田作物灌溉的精细化管理,研究了基于气象因素的生育期ET₀预测模型。采用灰色理论对ET₀与日均、日最高、最低温度,日均风速,相对湿度以及日照时数进行灰色关联度分析,结果表明ET₀与温度（包括日均、最高、最低温度）及相对湿度的灰色关联度较高。在分析ET₀与上述气象因素间的相关系数基础上,采用日均温度、日均风速以及日照时数作为模型的输入,ET₀作为输出,建立了BP神经网络（BPNN）预测模型;采用日均温度、日均风速、日照时数及灰色关联度作为输入,建立了模糊最小二乘支持向量机（FLSSVM）预测模型。研究结果表明,BPNN模型的训练值决定系数为0.8643,平均相对误差6.29%,预测值决定系数为0.8099,平均相对误差7.83%;FLSSVM模型的训练值决定系数为0.9684,平均相对误差2.89%;预测值决定系数为0.9663,平均相对误差3.43%。BP神经网络与FLSSVM模型的精度均较高,可以用来预测ET₀日值,这为大田作物的精细化灌溉管理提供理论与技术支持。     

尾叶桉地径与胸径、树高、材积相关性分析

【目的】建立尾叶桉地径与胸径、树高、材积的数学模型,为利用地径测算林木立木材积提供测算方法。【方法】实测148株尾叶桉立木的地径、胸径和树高,运用SPSS软件建立尾叶桉地径与胸径、树高、材积的回归模型,进行选优和适应性检验。【结果】研究区尾叶桉地径—胸径、地径—树高、地径—材积最优模型分别为D1.3=0.857D0-0.539、H=0.966D01.048、V=0.0000481D02.749,尾叶桉地径与胸径、树高、材积均显著相关。地径—胸径模型适应性检验的总相对误差为-1.14%、平均相对误差为1.29%,精度为98.46%;地径—树高模型适应性检验的总相对误差为13.07%、平均相对误差为-14.32%,精度为94.88%;地径—材积模型适应性检验的总相对误差、平均相对误差分别为-3.87%、1.69%,精度为94.70%。【结论】选出尾叶桉地径与胸径、树高、材积的3个最优回归模型,其中地径—树高模型总相对误差和平均相对误差过大,不提倡以尾叶桉地径直接估算树高;地径—胸径、地径—材积模型预测误差均在±5%以内,方程预测精度较高,可以用于估算立木材积。     

压缩机实际能头特性的深度学习网络预测方法

压缩机运行特性与原厂测试特性存在差异,为了指导压缩机的安全稳定运行,结合压缩机特性计算方法与部分实际特性,建立了基于深度学习网络的压缩机实际能头特性预测模型。将大量不同工况下的压缩机实际能头数据作为深度学习网络的训练样本,在训练完成后利用未训练样本对模型精度进行了检验,得到最大相对误差为2.60%、最小相对误差为0.32%、平均相对误差为0.78%。由深度学习网络所绘制的能头曲线与实际的能头曲线有着良好的一致性。深度学习网络模型改进了传统神经网络的缺陷,具有良好的预测精度与泛化计算能力,为压缩机性能的评估与预测提供了新方法。     

径向基函数人工神经网络在棉花耗水量预测中的应用

采用径向基函数人工神经网络的方法，利用MATLAB工具箱，以气象资料中的平均气温、日照时数、平均风速作为输入变量，建立了预测新疆石河子地区棉花耗水量的RBF神经网络预测系统，并通过实测数据的检验得出此预测系统网络模型的绝对误差最大为0．0962mm／d，最小为0．0008mm／d，平均为0．0519mm／d；相对误差最大为1．7995％，最小为0．0165％，平均为0．9664％，可见网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间短，仅需0．0780s。     

东北玉米生长发育动态模拟模型研究

利用相关试验数据和气象资料,通过MATLAB及相关软件求得模型参数,确立东北玉米生长发育动态模拟模型,对玉米生育期、植株累积干物质及产量等进行模拟。经实测值与模拟值对比发现,玉米各生育期之间观测与模拟的平均绝对误差都为2.6 d,植株干物质累积量的平均相对模拟误差为25%,玉米叶面积指数实测值和模拟值吻合较好,R2和RMSE分别为0.975和0.261,模型模拟效果较好,可用于对玉米生长和产量的模拟以及对作物的生长监测和遥感估产。     

横轴流脱粒分离装置的数学模型的建立与试验

横轴流脱粒分离装置滚筒长度限制了其脱粒分离能力,仅被应用于中小型联合收割机。为研究横轴流脱粒分离装置脱粒滚筒转速、喂入量、脱粒间隙等因素对脱粒分离性能的影响,优化装置结构,利用概率学理论建立了横轴流脱粒分离装置的未脱净率和夹带损失率数学模型。对模型正确性验证试验表明,模型对未脱净率的预测相对误差为8.23%,对夹带损失率的预测相对误差为2.90%。仿真分析和试验表明,该模型可反映籽粒轴向分布和脱粒滚筒转速、喂入量、脱粒间隙等参数对脱粒分离性能的影响。     

林分生长数据的时序分析探讨

将时间序列分析的一些理论及方法用于林分生长的建模和收获预估。利用Box-Jenkins方法对9个短叶松同龄林分的直径生长序列进行分析,结果如下:(1)对于1a(年)为间隔的短叶松林分平均直径生长序列,提取其趋势函数,使其平稳化后,为MA(4)模型。做未来4a(年)以内的直径生长量预报,相对误差小于3％。(2)对于5a(年)为间隔的短叶松林分平均直径生长序列进行模拟,ARIMA(1,2,0)为最好的模型。对未来20年以内的直径生长量做预报,相对误差小于5％。     

土壤水分自动与人工观测资料对比评估及湿度模型构建

基于莒县气象局2011年2—8月土壤水分自动观测与人工同步对比观测数据,采用对比差值、差值概率和相关系数等方法进行分析和评估,通过回归建立湿度模型。结果表明,单层平均最大误差为5.799%,最小误差为2.025%,0~100 cm 8个层次平均误差3.306%,符合中国气象局考核标准。但30~40 cm误差值较大,说明厂家给出的订正曲线误差偏大,订正后对比观测的数据绝对误差很小,订正效果比较理想,通过了对比考核。相对湿度模型的构建,为自动土壤水分观测资料的实际应用提供了一种指导方法。