共查询到20条相似文献,搜索用时 718 毫秒
1.
2.
3.
4.
详细阐述了基于相关性较好的初始样本的BP神经网络空气质量预报模型的建立过程。以石家庄和邢台为例,将相邻两日污染物浓度差值作为预报量,利用前一日污染物浓度和当日气象要素日均值为预报因子,两者结合起来进行空气质量预报,并以冬季空气质量模型为例,对空气质量等级预报准确率进行检验。结果表明,石家庄和邢台SO_2和O_3的等级预报准确率为90%以上,PM_(2.5)、PM_(10)的等级预报准确率均为80%以上,首要污染物预报准确率均为80%以上。总体上,石家庄的空气质量等级预报准确率好于邢台。 相似文献
5.
6.
针对目前神经网络应用于洪水预报时存在的不足,引入遗传算法、模糊神经网络对BP网络模型进行了改进,建立了基于改进BP网络模型的洪水预报模型,并将改进的BP网络模型应用于文峪河洪水过程的预报。预测结果表明,过程预报合格率达93.54%。达到了水文预报规范的要求;与传统BP网络相比,改进算法可提高洪峰的预报精度。 相似文献
7.
利用潜江市水产局水温资料和潜江市气象站2018年的逐日气温资料,分析了潜江市虾稻共作地虾沟水温变化规律及其与气温的关系,筛选出与水温预报关系密切的气温要素,分季节建立水温预报模型,并对建立的水温预报模型模拟值与实测值做了模型误差评价。结果表明:虾稻共作地虾沟水温的变化主要是随气温的变化而变化,但水温的年变化幅度远低于气温。一年中,除了2月和3月的气温高于水温外,其余月份的水温都高于气温,任何季节的平均水温均高于气温。水温的日变化幅度较小,水温的日较差远小于气温的日较差,水温的小时最高、最低值出现时间均滞后于气温。水温与当日、前1日、前2日的气温相关系数较大,以气温为预报因子,建立的春夏秋季平均水温、最高水温、最低水温预报模型的预报值与实测值相关系数分别达到0.9110~0.9492、0.8643~0.8741、0.9555~0.9638,具有较高的精度,各季节预报模型平均水温、最高水温、最低水温模拟结果与实测值均低于±2℃,模拟效果较好,水温预报模型能为虾稻共作小龙虾养殖气象服务提供较准确的水温预报,从而为小龙虾科学养殖提供参考依据。 相似文献
8.
利用2011—2016年冬季(12月至翌年2月)巢湖市国家基本站逐日气温、地温、日照、降水等气象资料,采用相关分析法筛选出影响地温的关键气象因子,运用MATLAB软件构建了基于BP神经网络浅层最低地温预报模型,并比较不同层模拟精度。结果表明,0~20 cm地温日变化均呈正弦曲线变化,越向深层地温变化幅度越小,位相逐层滞后。相关性分析表明,浅层最低地温与前一日的平均气温、最低气温、0~20 cm各层平均地温和最低地温成显著正相关,与前一日日照时数成显著负相关。模型模拟结果显示0、5、10、15、20 cm最低地温预报的标准误差和绝对误差逐层减小,20 cm层预报准确度明显优于0 cm层。 相似文献
9.
变形监控是了解大坝工作状态、实施安全管理的重要内容之一。采用径向基神经网络构建大坝变形监控模型,能够更好地解决有实时性要求的在线分析问题,其预报效果和精度远远高于传统的逐步回归统计模型。虽然在预报精度上略逊于BP神经网络,但从建模容易程度、训练速度和预报精度等方面综合考虑,则远远好于BP神经网络。 相似文献
10.
11.
为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明:(1)与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;(2)与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;(3)BP和RBF方法建立的模型拟合精度总体上较接近;(4)基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;(5)基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R2为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R2为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。 相似文献
12.
人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。 相似文献
13.
阿尔泰山作为干旱区典型的山地系统,其土壤温度的日、月、季节和年际动态及其影响因素研究,是深入理解干旱区山地森林生态系统能量循环过程的关键所在。基于阿尔泰山森林生态站2014年11月-2019年7月的气象因子和土壤温度数据,应用相关分析、回归分析和BP人工神经网络分析了阿尔泰山5、10、20 cm和30 cm深度土壤温度的动态变化及其对气象因子的响应,同时,应用多元线性回归和BP人工神经网络对土壤的温度进行了模拟。结果表明:1)近5 a各层土壤温度月均值年际变化一致,最低最高温度和日较差最大值均出现在20 cm,仅30 cm土壤温度的月变化出现自表层至深层滞后现象,年内月较差最大值出现在30 cm深度;各土壤层温度在春夏秋季变化较大,冬季变化较小;2)空气温度、气压和太阳辐射等与土壤温度的相关性达到极显著水平,其中与空气温度的相关性最强;3)回归模型和BP人工神经网络对20 cm土壤层的模拟结果最好,且BP人工神经网络模型的性能总体上优于回归模型。 相似文献
14.
为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。 相似文献
15.
[目的]探讨更适用于现阶段的褐飞虱预测预报模型。[方法]利用浦江县2001—2016年褐飞虱的观测数据和气象数据,采用传统的逐步回归方法和BP神经网络方法,分别建立了褐飞虱发生高峰期预测预报模型。[结果]逐步回归预测模型选用的建模因子为5月上旬最高温、9月上旬湿度和6月下旬雨量,模型的预测准确率不高;BP神经网络预测模型的建模因子为始见日后40 d的平均温、最高温、最低温、雨量、湿度,模型的预测准确率达99.22%。[结论]该研究结果为今后褐飞虱预测预报模型的选择提供了参考。 相似文献
16.
17.
本文通过逐步回归法挑选出4个影响苹果产量的关键气象因子,并运用逐步回归法和BP神经网络建立苹果产量预测模型。通过检验,2种预测模型拟合效果均较好,均能够较好地预测今后苹果的产量趋势。其中BP神经网络模型预测有较高精度,但存在局限性。 相似文献
18.
[目的]明确基于MATLAB的BP神经网络预测温室草皮腾发量的可行性。[方法]在9月温室实测气象资料的基础上,对温室内的平均气温、相对湿度、光照强度和草皮日腾发量(ET)进行回归分析,建立了BP网络ET预报模型(BP-ET)。[结果]气温、光照强度与草皮腾发量呈显著正相关(P<0.05),相对湿度与草皮腾发量呈显著负相关(P<0.05)。BP神经网络模型具有极高的拟合精度,9月资料检验预报模型的平均相对误差为5.58%,模拟与检验均有很高的拟合精度。BP网络可以用于草皮日腾发量的预测,是对传统草皮日腾发量计算的补充。[结论]该研究为气象数据缺测条件下温室草皮日腾发量的估算提供了新思路。 相似文献
19.
利用BP神经网络建立的农作物虫情预测模型,其算法存在收敛速度慢、网络泛化能力差等缺点,可影响预测精度。为进一步提高预测精度,将人工神经网络与模糊系统结合,建立基于模糊神经网络的农作物虫情预测模型;并将该模型与基于BP神经网络算法的预测模型进行比较。结果表明,模糊神经网络的预测模型预测精确度比较高,训练速度比较快;该模型给农作物虫情预测提供了一种新方法。 相似文献
20.
基于偏相关分析的烟台市土壤温度影响因素及预测模型研究 总被引:4,自引:1,他引:4
根据烟台市气象局2005年的气象数据,利用偏相关分析方法分析了表层土壤温度与相对湿度、绝对湿度、大气温度、平均风速、日照时数、降水量6个气象因子之间的相关性,进而建立了基于相对湿度、日照时数、大气温度、绝对湿度4气象因子的多元线性回归模型和BP人工神经网络模型。结果表明:在6个气象因子中,相对湿度、日照时数、大气温度、绝对湿度与土壤温度存在极显著相关关系,平均风速、降雨量与土壤温度相关关系不显著;晴天时,BP神经网络模型的决定系数R^2为0.9740,多元线性回归模型的决定系数R^2为0.9739;阴天时,BP神经网络模型的决定系数R^2为0.9881,多元线性回归模型的决定系数R^2为0.9877,因此建立的神经网络模型具有很高的精度,能很好地满足土壤温度的预测要求。 相似文献