基于BP和LSSVM的径流分频预测模型构建

针对径流序列具有较强的随机性和波动性特征,提出一种短期月径流预测混合模型CEEMDAN-VMD-(BP, LSSVM)-LSSVM。首先利用自适应白噪声完整集成经验模态分解(CEEMDAN, complete ensemble empirical mode decomposition with adaptive noise)将径流序列分解为高频、中频和低频分量,再利用变分模态分解(VMD, variational mode decomposition)方法进一步分解高频分量,并根据样本熵对两次分解得到的子序列进行整合,采用麻雀搜索算法优化的反向传播神经网络(BP, back-propagation neural network)和最小二乘支持向量机(LSSVM, least square support vector machine)分别预测高频分量和中低频分量,最后将不同频率分量训练期的拟合值作为LSSVM的输入,进行二次预测得到最终的径流预测结果。将提出的模型应用于黑河流域莺落峡站和祁连站的月径流预测,验证期相关系数和纳什效率系数均达到0.99以上,对比其他8组对照模型,该模型具有更高的预测精度,可以应用于实际的短期月径流预测。     

VMD-LSTM模型对不同预见期月径流的预测研究

为减小径流时间序列的非线性及非平稳性带来的预测误差,提高多种预见期下的月径流预测精度,将变模态分解（VMD）和长短期记忆神经网络（LSTM）模型相结合,建立了VMD-LSTM组合预测模型,并将大气环流因子作为模型输入的增加项,预测未来1~3个月的月径流。将模型应用于黄河流域上游唐乃亥、民和、享堂、红旗及折桥站的月径流预测以验证模型的适用性,并与VMD-BP（BP神经网络）、VMD-SVR（支持向量回归）及单一LSTM模型相比较。结果表明：VMD-LSTM组合模型的预测误差最小、精度最高,相比单一LSTM模型,其纳什效率系数（NSE）约从0.6~0.7提高到0.9以上;融合大气环流因子后VMD-LSTM模型预测精度进一步提高,NSE保持在0.91~0.96之间;随着预见期的增长,VMD-LSTM模型预测精度衰减较VMD-BP和VMD-SVR模型明显变缓,在3个月预见期时NSE仍能保持在0.84~0.95之间。VMD-LSTM模型是月径流预测的一种有效方法,结果可为研究区月径流预测提供参考。     

基于相空间重构与RBF神经网络模型的面上干旱预测研究

条件植被温度指数(VTCI)是一种适合关中平原的近实时定量化的干旱监测方法,在前期基于以旬为单位的VTCI样本点上相空间重构与RBF神经网络干旱预测研究的基础上,进一步进行了VTCI遥感面上的干旱预测研究。通过分析样本点VTCI时间序列的延迟时间和重构维数,确定整个面上VTCI时间序列相空间维数为7,从而对面上VTCI数据进行了相空间重构。对重构后的VTCI数据应用RBF神经网络模型预测得到了2009年4月上旬到5月中旬的VTCI预测结果。结果表明,多旬预测结果都较好地反映了监测结果的特征,各旬预测结果的绝对误差频数分布主要集中在-0.2到0.2之间。应用Kappa系数评价预测结果与监测结果的一致性程度：5月中旬为显著,4月上旬和中旬为中度,4月下旬和5月上 旬的一致性为弱,但阳性一致率较高。该模型的面上预测精度较好,适合关中平原的干旱预测研究。     

基于EEMD-LSTM模型的天山北坡经济带年降水量预测

降水量预测是现代气候预测业务的核心和难点.耦合模型在新疆降水量预测的研究应用屈指可数,因此,通过尝试建立集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和长短期记忆神经网络(Long Short-Term Memory Network,LSTM)的耦合模型对天山北...     

BP神经网络和时间序列模型在包头市空气质量预测中的应用

运用BP神经网络法和时间序列法,对包头市的二氧化硫、二氧化氮和可吸入颗粒物的年份浓度值和月份浓度值进行预测。预测结果为:包头市2010年的二氧化硫的年浓度值为0.0578mg/m3,二氧化氮的年浓度值为0.0402mg/m3,可吸入颗粒物的年浓度值为0.1024mg/m3。2011年3月的二氧化硫的浓度值为0.0592mg/m3,二氧化氮的值为0.0372mg/m3,可吸入颗粒物的月浓度均值是0.1210mg/m3,由预测结果可以发现污染物浓度降低,空气质量呈好转趋势。     

BP神经网络方法在土壤墒情预测中的应用

利用多年实测土壤水分资料和气象资料,建立了考虑多个因素如:外界气象因素及土壤特性、作物生长等对土壤墒情影响的BP人工神经网络模型。应用结果表明:所建立的模型具有较好的预测效果;用BP人工神经网络建立土壤墒情预测模型的方法是可行的。     

BP神经网络和多元线性回归在粮食产量空间分布预测中的比较

根据2011年河北省92个平原县粮食产量数据,按农业生产过程和需求确定自然和经济两大类影响因素共8个指标。根据逐步多元线性回归进行回归建模,并运用BP神经网络建立影响因素和粮食产量的网络模型。对比两种模型的拟合效果,BP神经网络模型在精度、稳定性、泛化度和理论基础上都要优于线性回归模型,可用于时空混合的空间预测。最后根据可估相关因子的变化代入BP模型对2015年粮食产量进行空间预测。从多角度说明了BP神经网络在空间分布预测中的优势性。     

基于CEEMD的LSTM和ARIMA模型干旱预测适用性研究——以新疆为例

干旱的频繁发生对农业生产和经济发展造成了不可忽视的危害,准确预测干旱的发生具有重要的现实意义。基于1960—2019年新疆气象站点的逐日降水量数据,计算1、3、6、9、12个月及24个月时间尺度的标准化降水指数。建立差分自回归移动平均模型（Autoregressive Integrated Moving Average,ARIMA）、长短期记忆网络（Long Short-Term Memory,LSTM）、互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）-ARIMA组合模型和CEEMD-LSTM组合模型。通过4种模型对多时间尺度SPI序列进行预测,确定各模型在干旱预测中的适用性。结果表明：（1）4种模型的预测精度均随时间尺度的增加而逐渐提高,在24个月时间尺度时达到最高;（2）CEEMD能够有效平稳时间序列,各时间尺度下,组合模型均达到了较高的预测精度,相较单一模型更适用于干旱预测;（3）4种模型预测结果精度由低到高分别为：LSTM、ARIMA、CEEMD-LSTM、CEEMD-ARIMA（决定系...     

组合灰色预测模型在入库流量预测中的应用

本文将灰色GM(1,1)模型、BP人工神经网络和马尔柯夫链相结合,利用历年入库流量及千河径流量建立组合模型对入库流量进行预测。GM(1,1)模型主要预测趋势,其前半部分与实测值拟合较好,BP神经网络模型后半部有波动部分与实测值拟合较好,二者结合使相对误差最小建立组合模型,同时运用马尔柯夫链预测入库流量的变化范围。预测2001和2002年的入库流量对模型进行检验:GM(1,1)模型预测的相对误差分别为0.359和-0.017;BP神经网络预测的相对误差分别为0.032和-0.251,组合模型相对误差分别为0.164和0.117,组合预测值在预测区间之内,该组合模型预测结果合理有效,能更精确预测冯家山水库入库流量。     

基于EMD和IDAR的灌区年降水量预测研究

针对降水量这样一种非线性、非平稳序列,研究经验模态分解方法(EMD)和信息扩散近似推理方法（IDAR）在年降水量预测中的组合应用,解决资料序列不充分情况下的区域降水量预测问题。首先,通过EMD方法对具有典型非线性与非平稳特征的年降水量时间序列进行处理,分解出包含原信号不同特征尺度的分量数据系列;然后应用信息扩散近似推理技术对各降水量分量间的复杂非线性关系进行描述,建立当前趋势以及相邻年份之间的预测规则,并进行预测。以文献案例灌区长系列降水资料为样本进行实例计算,并与其它预测方法进行了对比。结果表明：基于EMD和信息扩散近似推理的预测方法效果较好,误差绝对值和为1.30,优于人工神经网络、线性自回归方法以及单纯信息扩散近似推理的统计结果。同时,为了验证该方法的适用性,将该方法应用于文峪河灌区的降雨量预测,取得了满意的效果。研究中发现：信息扩散近似推理可将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可将矛盾模式转换成兼容模式。而EMD方法可有效分解具有非线性、非平稳特征的降水序列,保留其原序列在空间（或时间）各种尺度上的分布规律。两者结合对解决样本不完备的非平稳序列的预测问题是非常有价值的。通过与其它预测方法比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值。     

遥感技术在新疆自然灾害调查和预测中的应用分析

近20年来,遥感技术已逐步应用于自然灾害调查和预测预报。其中,受灾害面积调查和损失估算方面报告较多。因多数灾害的前兆较难用遥感技术捕捉,故应用于灾害预测预报方面的文献较少,有待于进一步探索。遥感技术是对地球系统的远距离探测技术。发生于地球表面的灾害(及其前兆)有一定     

集蓄径流技术在河北山区建设中的应用及集流效果

根据河北山区的自然条件特点和集蓄径流技术在河北山区建设中的应用情况,归纳总结出河北山区集蓄径流的5类集流手段与技术措施,然后通过实例和实测结果对集蓄径流技术的集流效果进行了分析研究。     

BP神经网络在病虫预测预报中的应用简介

病虫预测预报是植保防灾减灾中重要的基础性工作,在确保我国农业生产安全方面具有举足轻重的战略地位。我国农作物病虫种类繁多,病虫害暴发频繁,但是只要防治措施及时、得力,病虫害的暴发就不会成灾。要实现这一目标,前提是对病虫害的发生发展进行准确的预测预报,     

ANN在森林资源预测中的应用研究

人工神经网络(ANN)方法是基于实例的方法,不需要考虑数学模型的内部结构,不需要假设前提条件,不需要人为地确定因子权重,作为一个黑箱综合地映射研究对象的整体性。应用人工神经网络多步预测方法对甘肃连城林场吐鲁沟营林区有林地面积进行预测,网络模型的最大相对误差为0 080 8％,最小相对误差达到0 0089％,平均为0.038 6％,表明预测值与实际值吻合程度很好,因此模型的精度较高,并且建模简单经预测,林场2000-2004年有林地面积稍有下降趋势,分别为2 873.2 hm2,2 618 7 hm2,2 484.5 hm2,2 346 hm2,2 171 6hm2。     

几种方法在粮食总产量预测中的对比

根据吉林省1978~2007年的农业数据,选定了14个影响农业生产的因素作为研究对象,分别采用了主成分分析法、BP神经网络法、灰色预测法和逐步回归分析法4种分析预测方法,通过SPSS和Matlab工具将原始数据进行处理,得到4种不同的预测模型,进而基于这4种模型对吉林省的粮食产量进行预测,并将各种预测产量和实际产量进行拟合分析。研究结果表明,拟合性最好的是BP神经网络法,其拟合确定性系数为0.899;其次是主成分分析法(拟合确定性系数为0.834)和逐步回归法(拟合确定性系数为0.787);拟合效果最差的是灰色预测法(确定性系数为0.744)。粮食总产量估算精度最高的是BP神经网络法,达到93.67%;其次是主成分分析法,为90.45%。     

人工神经网络在水环境质量评价和预测中的应用

在人工神经网络在水质评价和预测方面的应用研究现状、发展趋势进行讨论的基础上 ,用人工神经网络和综合污染指数法 ( N.M.L.)对同一实例进行比较研究 ,结果看出人工神经网络的优越性 ,在用于水质评价和预测时适应性强 ,结果客观、合理 ,具有深入开发的研究价值和良好的应用前景 ,并可实现对水质变化进行预测和预警的目的。     

基于小波变换和GRNN神经网络的径流模型在雅砻江流域中的应用

对雅砻江甘孜站控制流域月降水量和气温做 Harr小波变换 ,并作为 GRNN神经网络的输入 ,对雅砻江甘孜站径流进行模拟和预测验证 ,效果较好。但该模型对气温变化不敏感。故应用不引进小波变换的 GRNN神经网络模型 ,并采用全球变化成果 ,在不同的气候情景下 ,对甘孜站径流进行预测。结果表明 ,在未来一段时间内 ,甘孜站径流量会有一定程度的增加。径流量对气温的响应不同于西北内陆河流域 ,原因是该流域月径流量随气温的升高而增加。可利用该模拟对甘孜站径流进行反延或预测 ,并利用甘孜、温波二站径流量关系 ,计算温波站径流量 ,为南水北调工程径流设计服务     

计算CN值及其在黄土高原典型流域降雨-径流模拟中的应用

针对SCS模型推广应用中存在的下垫面及气候不匹配造成的精度受限问题,基于SCS模型机制,反推得到CN值计算式。根据黄土高原小流域水保观测资料就不同土地利用类型对应的计算CN值进行率定,并在径流场和流域尺度进行还原验证,效果良好,表明计算CN值是一种值得推广和借鉴的水文计算模式,有助于提升SCS模型应用于黄土高原小流域降雨-径流模拟的精度。     

SWAT模型及SUFI-2算法在秃尾河上游流域径流模拟中的应用

通过构建处于干旱和半干旱地区的秃尾河流域(上游)的水文、气象、土地利用土壤等数据库,利用基于分布式的SWAT模型对该流域的水文过程和产流机制进行模拟,并通过改进的SUFI-2算法对模型参数进行不确定分析、率定和验证,探讨SWAT模型在于旱和半干旱流域的适应性.采用1977-1983年的月径流实测数据进行模型率定,用1984-1989年的月径流数据进行模型验证.验证结果表明:该研究流域年径流相关系数(R2)和模型效应系数(Ens)均小于0.6(通常认为当模拟结果期望值大于0.6时,模型能比较准确地描述了研究流域的水文过程);月径流相关系数和模型效应系数超过或者接近0.6的水平;汛期(5-10月)模型径流相关系数和效应系数最高(超过或接近0.8).研究表明通过改进的SWAT-SUFI模型能较好地模拟研究流域的汛期径流,而对全年径流和枯水期的径流模拟不够理想.