基于灰色GM(1,1)模型的库尔勒市农业用水量预测

介绍灰色理论建模原理和模型参数辩识方法,并以实例(库尔勒市2000-2006年灌溉用水资料)建立灰色GM(1,1)预测模型,运用残差检验、后验差检验以及关联度检验3种方法对模型进行精度检验,其模型拟合精度达96.9%.用所建立的模型对库尔勒市2007-2011年农业用水量进行外推预测.结果表明,该灰色模型用于农业用水量预测,符合其灰色特性,通用性好,并且所需数据少,计算量适中,预测结果与当地实际情况比较吻合.     

GM(1,1)模型在电力系统中长期负荷预测应用

文章简要地介绍了电力系统负荷预测的意义,对负荷预测中的灰色预测方法进行了深入的研究,通过对灰色理论预测方法建模并对电力系统负荷进行预测,得到了GM(1,1)模型灰色预测方法能够准确的实现对负荷的预测。     

GM(1,1)模型在阿瓦提灌区干旱预测中的应用

根据阿瓦提灌区1970-1990的年降水资料建立了GM(1,1)模型,并依据建立的残差GM(1,1)模型对原模型进行修正.经用1991～2007年灌区降水资料验证,证明了模型预测结果的精确性、合理性.对灌区2008-2020年可能发生干旱的年份进行预测,结果表明,2010、2020年将发生干旱.     

GM(1,1)模型在滦河下游地区地下水位预测中的应用

首先对GM(1,1)模型的结构进行了研究和改进,给出了模型参数计算方法和精度检验方法.依据所建GM(1,1)模型,选用滦河下游地区节水工程改造后地下水位资料,对滦河下游地区地下水动态进行分析和数值模拟,利用实测资料对计算结果进行了验证.研究表明,模型预测拟合精度高,方法简便,可操作性强,对灌区地下水位预测评价和地下水合理开发利用具有一定的实用价值.     

应用改进的灰色GM(1,1)模型预测阜新地区干旱发生年

干旱是对人类及社会危害较大的一种自然灾害。近年来,干旱严重影响阜新地区的农业生产和生态平衡。利用阜新地区1961~2000年的降水资料,采用Z指标法分析阜新地区的干旱发生年,研究其干旱的发生规律,应用改进的GM(1,1)模型建立相应的干旱预测模型,并进行了干旱预测。最后提出了适当的抗旱措施。     

不同时间尺度GM(1,1)模型对城市生活污水排放量预测的影响

研究城市生活污水排放量,有利于解决城市周边的水环境污染问题,实现水资源的可持续利用.运用1986-2010年城市生活污水排放量数据建立一系列不同时间尺度的灰色GM(1,1)模型,探讨不同时间序列建模对于模型精度的影响.研究表明,距离预测现状年越近,建模时间尺度为15 a的模型精度越高,进而对我国2011-2015年城市生活污水排放量进行预测,并与滚动法预测模型的成果对比.预测结果表明,2011-2015年城市生活污水排放量逐年增加,到2015年我国城市生活污水排放量在499.21-515.19亿t之间,比2010年增加了31.44％～35.65％.     

基于GM(1,N)模型的生姜种植面积预测

生姜作为我国农产品中重要的经济作物之一,对其种植面积进行科学准确的预测,可以为农户调整种植规模提供参考,为政府的宏观调控和企业的经营决策提供依据。基于近十年的全国生姜种植面积及影响因素数据,首先从经济、投入及产出三个方面对全国生姜种植面积的影响因素进行灰色关联分析,进而选取影响最大的产量、单产、价格、化肥化肥施用折纯量与人均耕地面积5个因素建立GM(1,5)预测模型。结果表明:该模型相对误差为3.636%,可用于我国生姜种植面积的预测。应用该模型对我国未来生姜种植面积进行预测,未来五年我国生姜种植面积在下降之后呈现逐年增长的态势,种植面积波动对我国生姜供求平衡和市场稳定可能会产生不利影响,并针对该现象提出稳定生姜产业的相关建议。     

改进的灰GM(1,1)模型在灌区水文年型中长期预报中的应用

在改进灰GM(1,1)模型的基础上,结合水文年型的划分标准,对三义寨引黄灌区不同水文年型做了中长期预报。检验表明,在灰预报值覆盖的范围内包含有多年实际发生的水文年型,结果有一定的可靠性。     

基于灰色GM(1,1)的农业机械化水平预测模

根据1986～2005年我国农业机械化综合水平统计数据,并对由于我国耕地面积统计滞后使得在机耕水平计算中存在误差进行了合理分析和修正,结合数据平滑处理,建立了基于灰色GM(1,1)的我国农业机械化综合水平预测模型。通过残差检验和后验差检验方法对预测结果进行了检验,模型拟合精度较好。采用模型对2006年我国农业机械化综合水平值进行预测,结果表现出较高的预测精度,进一步验证了所建模型的可行性。运用该模型对我国2007～2020年间农业机械化综合水平进行预测,结果表明到2020年我国综合机械化水平将达到68%左右。通过定性分析及与其他预测结果比较,模型表现出较好的预测能力。     

基于混沌时间序列局域模型对农机总动力的预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.本文采用混沌时间序列的一阶局域模型对新疆农业机械总动力进行了预测.误差分析表明,该一阶局域预测模型拟合值的平均绝对误差为0.64％,低于灰色理论GM(1,1)模型的0.90％,得到了较好的预测效果.     

灰色GM(0,N)模型在土壤田间持水量预测中的应用

基于田间持水量测定试验数据及土壤理化参数测定试验数据,运用灰色预测理论对田间持水量与土壤理化参数的关联度进行分析,建立以土壤密度、土壤粉粒质量分数、土壤黏粒质量、土壤有机质质量分数为输入变量的GM(0,N)土壤田间持水量预测模型。对所建模型进行残差检验、关联度检验、后验差检验证明所建模型是可行的,实现了少数据、贫信息情况下利用土壤常规理化参数对土壤田间持水量的预测。     

基于GM（1，1）模型的联合收割机保有量预测

应用灰色系统理论,建立我国联合收割机保有量预测模型GM(1,1).运用残差检验与后验差检验两种方法对模型进行精度检验,其模型的拟合精度达到98.38%.经预测与校验,预测值与实际值大体吻合,两者的平均相对误差仅为8.23%,证明了预测的可信性.用所建立的模型对今后几年的联合收割机保有量进行动态预测,为调控收割机总量和规范跨区作业市场提供理论依据,为政府管理部门制定有关政策措施和相关企业进行产销决策提供了参考.     

基于灰色GM(1,1)的农业机械化水平预测模型

根据1986～2005年我国农业机械化综合水平统计数据,并对由于我国耕地面积统计滞后使得在机耕水平计算中存在误差进行了合理分析和修正,结合数据平滑处理,建立了基于灰色GM(1,1)的我国农业机械化综合水平预测模型.通过残差检验和后验差检验方法对预测结果进行了检验,模型拟合精度较好.采用模型对2006年我国农业机械化综合水平值进行预测,结果表现出较高的预测精度,进一步验证了所建模型的可行性.运用该模型对我国2007～2020年间农业机械化综合水平进行预测,结果表明到2020年我国综合机械化水平将达到68%左右.通过定性分析及与其他预测结果比较,模型表现出较好的预测能力.     

基于新陈代谢GM（1,1）-Markov链模型的有效灌溉面积预测

采用新陈代谢GM（1,1）模型对全国有效灌溉面积的动态变化进行初次拟合和预测,并根据有效灌溉面积时间序列波动的随机性,利用Markov链模型对新陈代谢GM（1,1）模型的残差进行修正,以概率形式确定出未来全国有效灌溉面积的动态变化区间,并依此模型预测未来10年全国有效灌溉面积的发展趋势。结果表明,该模型预测结果准确可靠...     

灰色神经网络在地下水动态预测中的应用

以周至201号井为例,选取降雨量、蒸发量、单位面积的引灌水量及人工开采量4个地下水位的主要影响因素为预报因子,地下水位作为输出样本,建立BP神经网络模型。以2002-2011年4个序列的数据分别建立新陈代谢GM(1,1)模型,得到2012-2014年的预测值。再将各新陈代谢GM(1,1)模型得到的4个预报因子的预测值作为BP神经网络的输入,得到的输出即为最终2012-2014年地下水位的预测值。结果表明,灰色理论和BP神经网络耦合模型具有较高的预测精度,可为地下水的动态预报提供参考。     

土壤田间持水量的非线性预报模型研究

基于大田耕作土壤理化参数试验以及田间持水量测定试验数据,首先利用单因素法分析了土壤结构、有机质含量和土壤质地与田间持水量的关系;在单因素分析的基础上建立了具有不同输入变量的土壤田间持水量非线性多元模型结构,利用MATLAB程序语言对不同模型结构进行了非线性回归分析,最终选定回归系数均显著且平均误差最小(5.608%)拟合度最高(0.799 3)的模型结构作为田间持水量的最佳非线性预报模型,并进行实例预测验证其可行性,实现了利用土壤常规理化参数对田间持水量的预测。     

基于偏最小二乘回归的土壤含水量预测模型研究

土壤水分是直接影响作物产量的重要因素之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义.土壤含水量受到多重气象因素的影响,各气象因子间往往存在多重相关性, 从而导致传统的多元回归模型(基于最小二乘法)的失真,丧失稳健性,预测精度降低.为此,采用偏最小二乘回归建模,借助主成分分析与典型相关分析的思路,采用成分提取的方法,有效地解决了各气象因子之间的多重相关问题,建立了土壤含水量预报模型,并对模型进行了辅助分析,得出了各影响因子的评价结果排序,同时模型的拟合和预报精度均较好.     

基于支持向量机方法的土壤水分特征曲线预测模型

在山西省黄土高原区进行野外试验获取土壤样品,经室内试验测定,最终获得土壤样品的水分特征曲线以及理化参数,建立了基于支持向量机的Van-Genuchten预测模型。研究与分析的结果:输入变量选用了5个土壤基本理化参数(土壤黏粒、粉粒、密度、有机质和全盐量),输出变量为Van-Genuchten模型的参数α、n,对土壤水分特征曲线Van-Genuchten模型的参数进行预测并取得良好的结果。所建立的支持向量机预测模型下,Van-Genuchten模型参数α、n的预测值与检验值的平均相对误差都小于4%,建模与检验样本都具有较高的精确度。研究成果有助于丰富黄土地区的土壤水分特征曲线理论研究。