洪涝灾害发生年份预测模型研究

本文把灰色系统ＧＭ（１，１）预测模型与马尔柯夫链预测方法结合起来对洪涝灾害发生年份的预测模型进行了研究．并获得了令人满意的结果。这对洪涝灾害发生年份的预测提供了一种新的研究手段。     

利用灰色预测模型预测黑龙江省主要农业气象灾害

为降低和预防农业气象灾害的影响,根据黑龙江省1980-2015年农业洪涝和干旱数据建立G(1,1)累加预测模型,并对黑龙江省2015年之后出现的严重级别以上洪涝灾害的年份进行预测。结果表明:在1980-2015年,黑龙江省洪涝灾害发生级别高于严重等级的年份符合G(1,1)累加模型x~(^(1))(k+1)=3.786e~(0.1752k),该模型精度达到了四级,可以利用此模型进行预测。预测得到2015年后严重洪涝灾害出现的年份为2022年;黑龙江省干旱灾害发生级别高于严重等级的年份符合G(1,1)累加模型x~(^(0))(k+1)=15.849e~(0.0799k),该模型精度达到了二级,利用此模型预测得到严重干旱灾害出现的年份为2020年。     

百色市右江灌区洪涝灾害趋势的灰色灾变预测

根据百色市右江灌区1961—2010年降水量统计数据,分析该地区洪涝灾害发生时间的分布特征,建立灰色灾变预测模型,利用残差检验对模型进行了精度检验,并对该灌区未来2次洪灾年份进行预测。结果表明,预测模型避免了人为主观原因造成的误差,精度较高,方法简单,为制定防洪减灾决策提供科学依据。     

极限学习机在洪涝灾害预测中的应用

为了减轻洪涝灾害对人类的伤害,将极限学习机(extreme learning machine,ELM)引用到洪涝灾害预测中,利用凌河流域1960~2010年44个观测站(其中大凌河流域33站、小凌河流域11站)的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析。结果表明:基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差(MSE)为0.003,决定系数(R2)为0.927;小凌河流域的均方误差(MSE)为0.0037,决定系数(R2)为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数。说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法。     

徐州市秋旱灰预测

对徐州市1960～2009年秋季降水量进行Z坐标变换,求得旱涝指数,以旱涝指数确定秋旱年份序列。对秋旱灾变序列取不同维数,建立GM（1,1）预测模型群,预测结果为灰区间,提出用频次来白化灰区间,确定下一个秋旱发生年份,以期对徐州秋季干旱预测研究有一定的参考价值。     

宿州市大涝发生年份的中心逼近式GM(1,1)预测模型研究

以Z指数为旱涝指标,确定宿州市大涝年份,应用改变背景值的中心逼近式GM(1,1)模型,通过调整m值提高模型精度,建立了精度较高的宿州市大涝发生年份GM(1,1)预测模型,并对宿州市下一个大涝发生年进行了预测。     

灰色理论在预测黑河枯丰水年份中的应用

阐述了灰色理论预测随机水文要素的基本方法。对建立的黑河干流枯水和丰水预测模型进行了后验差检验,检验结果表明预测模型具有较高的预测精度,并据此对黑河干流枯水、丰水的年份进行了预测。     

落叶松毛虫发生与气象因子的关系及其发生面积预报

根据内蒙古大兴安岭林区落叶松毛虫(Dendrolimus superans)发生与气象条件的相互关系,分析了气温、降水对松毛虫幼虫休眠越冬和上树及化蛹的影响,建立了越冬幼虫存活率的估算模型及发生面积预测模型.预测的松毛虫发生面积70％年份准确率达到95％以上,90％年份准确率达到90％以上.可以利用该模型进行松毛虫发生...     

小麦条锈病气象等级预测方法研究

[目的]建立通过气象因子预测小麦条锈病发生面积的模型。[方法]在统计河南省条锈病发生轻重年份的基础上,结合相应年份对应时段的气象资料,采用灰色关联分析、模糊数学等方法,按时间顺序建立了冬前、3月上旬4、月上旬和5月中旬4个条锈病促病指数预测模型。根据促病指数计算原理,采用等差分布方法得出条锈病发生程度预测标准,并进行了历史资料检验及2006年发生程度预测。[结果]成功建立了对应于气象条件的小麦锈病发生模型。检验结果表明,冬前及3月上旬预测结果相比实际值偏重,4月上旬及5月中旬预测结果与实际值较为吻合。[结论]该研究结果将对河南省小麦条锈病的预防起到积极作用。     

基于MODIS数据的黑龙江省洪涝灾害监测研究

洪涝灾害是目前黑龙江省内次于干旱灾害的重要灾害之一，了解洪涝灾害对农业生产的影响至关重要，特别是对洪涝灾害发生的地区及范围的掌握，可对抗灾救灾部门提供基本的数据保障。针对雨水大的年份内面临洪涝灾害的问题，基于遥感MODIS数据，通过卫星遥感技术对黑龙江省2013年发生的洪涝灾害进行监测。结果表明，通过文章方法可提取当年大部分水体，通过图像迭合发现，可基本提取出水体淹没区，只有少量淹没较浅的地区被漏掉。最后通过区域地块信息，监测到西部大部分地区和东部黑龙江与松花江沿岸洪涝较重。该方法对黑龙江省洪涝灾害应用具有一定的应用价值和参考价值。     

内蒙古武川县降水量的分析与预测

干旱地区的降水量是制约农牧业生产的主要因子。本文做了保证率的计算和分析并应用灰色系统 Ｇ（１ ，１） 预测模型，对内蒙古武川县未来年份的降水量进行了灰色预测，预测效果良好，可为农牧业生产单位及决策者提供长期的依据。     

1961～2006年石河子垦区降水序列变化规律及干旱预测

以1961～2006年石河子垦区的年降水量为基础数据,分析得出该地区降水的时间序列变化特征及规律：研究区年降水总体呈上升趋势,其中,20世纪90年代以前增加缓慢,90年代以后增加显著。以1961～1996年的年降水量数据为建模数据,1997～2006年的数据为检验数据,运用灰色系统的灾变预测方法,建立各分区的灾变预测模型GM（1,1）,重点对石河子市和下野地未来发生干旱的年份进行了预测,得出石河子、下野地未来可能发生干旱的年份分别为2012、2010年。     

基于灰色系统理论的我国木质产品产量预测模型的建立

利用灰色系统理论构建了我国包括木材、竹材、锯材和人造板在内的主要木质产品产量的预测模型,并对预测模型进行了检验,结果显示预测模型可直接用于预测我国在未来年份的木材、竹材、锯材和人造板产品的产量。     

六安市洪水发生年份灰色长期预测

本文利用灰色系统理论对六安市洪发生年份建立了灰色ＧＭ（１．１）预测模型，对防止和减轻洪水灾害有一定的意义。     

早稻叶瘟灰色灾变长期预测模型

利用灰色系统理论的灾变预测方法，以广东省化州市1978～1990年早稻叶瘟发生程度为例，拟定用发生程度≥4级为灾变阈值，建立了早稻叶瘟灰色系统GM(1．1)长期灾变预测模型：X(k 1)=1571212．51le^0．001259508k -1569234．511。后验差和小误差概率检验达“一级”的精度。应用该模型对1991～2002年进行预测，除1998年报而未出成为空报外，其它各年份的预测结果与实况吻合，预报准确率达91．7％。     

基于灰色系统的太平洋褶柔鱼秋生群资源丰度灾变预测

为了对未来日本海和东海海域太平洋褶柔鱼Todarodes pacificus灾变年份进行预测,采用灰色系统年灾变预测GM(1,1)模型方法,根据1990—2014年日本海和东海海域太平洋褶柔鱼秋生群的单位捕捞努力量渔获量(catch per unit effort,CPUE),建立了多种灰色年灾变预测GM(1,1)模型,并比较该海域太平洋褶柔鱼建立的丰歉年灾变预测模型的精度,选择最优模型,对未来可能出现的丰歉年份进行预测。结果表明,该海域太平洋褶柔鱼秋生群资源丰度的丰年将发生在2020、2034、2052年,歉年将发生在2067、2125、2272年。研究表明,日本海和东海海域太平洋褶柔鱼秋生群资源丰度的灾变预测最优模型参数|a|0.3,为一级精度模型,可用于该资源丰度的长期灾变预测。     

基于马尔可夫模型的南京市年降水量预测试验

鉴于降水过程存在大量不确定性的特点,中长期降水预报一直是气象科学领域的一个难题。主要采用平滑处理消除异常值,对年降水量进行分级,建立滑动平均马尔可夫链预测模型。通过建立的预测模型,对南京市2009、2010年年降水量进行了试预测。结果表明,2009年预测值与实测值相对误差为2．17％,2010年预测值与实测值相对误差为3．09％,预测精度较高。同时,为弥补滑动平均马尔可夫链模型对极端年份无法预测准确的缺陷,利用灰色灾变系统,对南京市极端降水年份进行预测。两者结合能更好地完成南京市年降水量的预测工作。     

灰色预测在内蒙古达茂旗降水量中的应用

干旱地区的降水量是制约农牧业生产的主要因子。本文应用灰色系统 Ｇ（１,１）预测模型,对内蒙古达茂旗未来年份的降水量进行了灰色预测,预测效果良好,可为农牧业生产单位及决策者提供长期的依据。     

北京西郊农场节水型农业示范区的地下水资源

通过对北京西郊农场节水型农业示范区地下水资源的调节计算，建立了地下水动态预测模型，并得到了不同年份地下水的允许开采量。用此模型预测了2010年的地下水动态。预测结果表明：该地区地下水严重超采，按现在的开采水平到2010年地下水水位理深将达54．2m；节水灌溉可明显减缓地下水水位的下降。     

天峻县草原蝗虫发生与危害预测模型构建

本文对2010—2020年天峻县草原蝗虫秋季越冬数据和气象资料的相关性进行了分析，并采用逐步回归分析法构建了草原蝗虫种群密度、发生面积和危害面积的长期预测模型。结果表明：蝗虫发生密度主要与温度相关，发生和危害面积主要与温度、日照时数、相对湿度和降雨量相关；蝗虫发生面积预测模型预测准确率为80%，蝗虫危害面积和种群密度预测模型预测准确率均为100%。