长江上游亚高山降水与径流时间序列的非线性特征

运用GP算法 ,利用长江上游亚高山 12a的降水时间序列 (序列长度为 4 32 )和 9a的径流时间序列 (序列长度为32 4 )构建n维嵌入相空间 ,拟合得到了该区降水时间序列和径流时间序列的关联维数分别为 2 4和 2 8.该值具有不随时间尺度变化而变化的特性 ,意义在于可以从某一时段降水或径流时间序列的信息中获知更长时段的信息 ,也可以从长时段序列信息中提取某一时段的信息 .而且该分维数的求取可以说明至少有 3个因子在影响着该区降水和径流的时间序列动态变化     

基于小波分析的西昌市降水时间序列变化特征

利用1951～2008年西昌市降水资料,采用回归分析和Morlet小波分析方法,研究了西昌市季节、年降水量变化的多时间尺度的周期性变化规律,并对西昌市中短期降水状况进行了预测。结果表明,近58年来西昌市年降水量呈下降趋势,降幅为-2.300mm/10年;各季节有增有减,春、秋季变幅较大,春季增幅为5.711mm/10年,秋季降幅为-9.635mm/10年;夏、冬季节波动不大。季节、年降水量存在着多重时间尺度下的周期变化特征,多重时间周期尺度相互嵌套,春季的主要振荡周期为4和35年,夏季为3、15和42年,秋季为3、7、11和18年,冬季为4和15年,年降水量为3、7、15和22年。不同时间尺度,具体年份对应的相位不同,降水变化趋势的预测结果也不同。     

一类改进的混沌时间序列局域非线性自适应预测

为了提高混沌时间序列的预测性能,在局域非线性自适应预测模型的非线性函数中引入参数,λ通过选择合适的λ建立新的非线性预测模型。通过对Logistic混沌映射、Henon混沌映射、Lorenz混沌流和Rosslor混沌流进行仿真计算,结果表明该模型的预测精度比局域非线性自适应预测的一步预测精度高,且具有一定程度的抗噪性能。     

1981-2010年巴仑台山区降水变化趋势及利用时间序列法预测夏季降水

对1981—2010年新疆巴仑台山区全年及四季的降水变化特征进行了分析,且对不同量级的降雨日数进行了变化趋势分析.并利用得出的结论,从时间序列上着重阐述了P阶自回归模型的初建,得出了巴仑台山区夏季降水的预测模型.     

基于时间序列的胶东半岛异常降水灰色预测模型

利用胶东半岛地区24个气象观测站1981~2010年的年降水资料,根据灰色系统理论及其建模原理,建立了胶东半岛异常降水的灰色预测GM(1,1)模型,并对2011~2030年的异常降水进行了预测和比对论证。结果表明,建立的模型精度较高,通过了残差与后验差检验分析,达到优秀标准;2011~2014年的预测结果与实际吻合较好,表明结论可以用于预测;短期预测认为2015和2017年在烟台可能出现降水异常,表现为偏少;2016年在青岛和烟台可能出现降水异常,表现为偏多。     

鄱阳湖区降水序列及其变化的特征研究

利用鄱阳湖区1955～2011年的降水资料,采用气候统计诊断方法,建立湖区的5条年、季降水序列,分析其年代际变化特征及进行突变检测。结果表明:(1)A～E序列大多数年代的年、季降水量的变化趋势一致,且E序列具有代表性;(2)多数序列表现出1955～1994年少雨,1995～2004年多雨,2005～2011年少雨的年代际变化特征及1955～1964年夏秋冬季少雨、1965～1984年秋冬季少雨、1985～1994年夏秋冬季少雨、1995～2011秋冬季少雨的季节变化特征;(3)夏季A降水量在1998年发生突变,其它序列年、季均未发生突变。     

太湖典型地区雨养麦田的径流发生时间特征

明确农田径流发生的时间特征对因时因地制定径流养分削减策略具有重要意义。本文基于太湖流域典型地区(苏州、无锡、溧阳、湖州)60 a历史降水时序变化和12 a正常气象年份田间径流实际发生的时间特征,分析了太湖流域雨养麦田的径流发生时间特征。结果表明,太湖地区年均降水量和小麦生长季均值降水量分别为1 164.8 mm(657.7~1 643.7 mm)和514.6 mm(207.3~742.8 mm)。除个别年份,年降水距平百分率基本在±25%左右变化(正常)。剔除偏涝年和偏旱年后的小麦生长季降水概率和日均降水量月度时序变化均表现为先下降后升高的趋势,12月降水概率和日均降水量均最低。从小麦生长季12 a径流发生时间统计结果来看,2月(19.05%)和3月(18.10%)径流发生次数占比较高,12月(16.19%)、4月(13.33%)和5月(15.24%)径流发生次数的占比相当。不同年份驱动径流发生的实际最小降水量为8.1~19.4 mm,径流发生概率与降水发生概率变化并不完全一致。结果表明,太湖地区雨养麦田驱动径流发生的最小降水量范围为8.1~19.4 mm,2月和3月是径流发生的高风险期,12月、4月和5月是次高风险期,径流发生概率与降水发生概率变化并不完全一致。     

基于SVR的多维时间序列农业经济预测模型

基于支持向量回归(SVR)并融合带受控项的自回归模型(CAR),建立了一种既反映样本集动态特征又体现自变量影响的非线性多维时间序列分析预测方法(SVR-CAR)。用一步预测法对两个经济学样本集的预测结果表明,SVR-CAR在所有参比模型中预测精度最高,并具结构风险最小、非线性、避免过拟合、泛化推广能力优异等诸多优点。SVR-CAR在农业经济预测等多维时间序列分析领域有广泛应用前景。     

农业相关时间序列混沌特征的定量研究方法

介绍了农业相关时间序列混沌特征的定量研究方法 ,在此基础上 ,对上述方法的应用进行了简单地讨论与展望     

径流丰枯时间序列的分形特征及R/S分析

在分形概念基础上介绍分形在水文时间序列中的应用.利用多年径流的丰枯时间序列的分形特征,根据岷江上游多年径流丰枯变化的实测资料, 运用R/S分析的原理和方法计算了H指数,建立了R(i)/S(i)与i的关系式, 对多年径流的丰枯变化长期趋势进行预测分析,并给出预测未来短期枯水/丰水年出现年份的方法,实证结果表明该方法具有实际意义.     

基于混沌理论的自适应模糊推理网络系统在径流时间序列预测中的应用

水文期预报对水资源管理、调度及社会的生产、生活具有十分重要的意义。针对常规混沌预测方法的局限性,提出基于混沌理论的自适应模糊推理网络系统的径流时间序列预报方法。该方法径流时间序列被分解为趋势项、周期项和随机项,对随机项进行混沌辨识,然后建立有自适应能力的神经网络模糊推理模型对随机项进行预测,最后将各项线性叠加进行径流预报。实例表明,该方法预测精度较高,具有良好的泛化推广能力。     

时间序列特征提取和分类器对农作物分类的影响研究

【目的】准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息。选择合适的特征和分类器对作物空间信息的提取有重要意义。【方法】文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响。首先,基于Google Earth Engine (GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF) 5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果。【结果】研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6%,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征。【结论】光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果。文章能为作物分类特征提取和分类器选择提供参考和依据。     

基于时间序列和多元模型的集约化猪舍温度预测

目的 从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。方法 采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。结果 对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。结论 本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。     

小流域降水径流沟渠中氮磷的流失特征与生态拦截效应

为研究降水径流过程中非点源污染物氮、磷浓度的变化特征,分析降水作用下长沙县金井河小流域农业源头沟渠水中氮、磷的流失特征与生态拦截效应。结果表明:在降水初期非点源污染物氮、磷浓度与降水径流量的变化均呈逐渐递增趋势,雨后均呈递减变化;降水作用下沟渠系统总氮输出的最大值为4.67 mg/L,总磷输出的最大值为0.38 mg/L,其氮素输出的主要形态为氨态氮和硝态氮;雨后各断面氮、磷的输出随着时间的增加呈先增加后降低的趋势,其中总氮与总磷含量分别在雨后第3天和第2天达到最高;菖蒲–茭白段的生态拦截效果明显高于自然段的自然净化效果,表明植物拦截和吸收是植被段氮、磷去除的重要途径,菖蒲、茭白在6月吸收氮、磷分别达26.90、2.34 g/m~2。     

基于时间序列与RBF的农产品市场价格短期预测模型

为协助生产者更好地播种和收获,有效把握国内农产品价格波动规律,提高农产品价格预测精度.本文构建了基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型,以ARCH、Holt-Winters无季节模型时间序列组合预测方法揭示农产品价格序列线性特征,以RBF神经网络揭示农产品价格非线性变动规律,并以1997-2011年全国农产品集贸市场大豆月度价格走势数据为例进行实验验证.研究结果显示,基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型精度高于时间序列组合预测方法或RBF神经网络模型,是一种有效的农产品价格预测模型.     

基于粒子滤波的LAI时间序列重构算法设计与实现

遥感观测的叶面积指数(LAI)时间序列数据广泛应用于作物长势监测,但数据受大气条件等影响,存在数值偏低和时间序列数据缺失等问题。为此,本文设计了一种基于重采样粒子滤波的LAI时间序列重构算法,以LAI为同化变量,在WOFOST模型本地化的基础上,实现了遥感LAI数据和WOFOST模型模拟的LAI数据的同化,以重构LAI时间序列。算法将WOFOST作物模型简化为LAI状态随时间演变的非线性计算方程,作为重采样粒子滤波的状态转移方程;将地面实测LAI数据和遥感LAI数据建立的线性方程,作为重采样粒子滤波的观测方程,建立LAI时间序列数据同化模型。以带权重粒子表示LAI时间序列状态后验分布,并在循环迭代中对粒子重采样,以此实现单点和区域LAI时间序列重构。应用该算法,对河北省冬麦区2010年LAI时间序列进行重构,结果表明,基于重采样粒子滤波的LAI时间序列重构算法在单点和区域上得到的LAI值明显更接近冬小麦实际生长状况,且算法能够弥补遥感LAI时序数据的缺失,为进一步的作物长势监测提供基础支撑。     

基于粒子滤波的LAI时间序列重构算法设计与实现

遥感观测的叶面积指数（LAI）时间序列数据广泛应用于作物长势监测,但数据受大气条件等影响,存在数值偏低和时间序列数据缺失等问题。为此,本文设计了一种基于重采样粒子滤波的LAI时间序列重构算法,以LAI为同化变量,在WOFOST模型本地化的基础上,实现了遥感LAI数据和WOFOST模型模拟的LAI数据的同化,以重构LAI时间序列。算法将WOFOST作物模型简化为LAI状态随时间演变的非线性计算方程,作为重采样粒子滤波的状态转移方程;将地面实测LAI数据和遥感LAI数据建立的线性方程,作为重采样粒子滤波的观测方程,建立LAI时间序列数据同化模型。以带权重粒子表示LAI时间序列状态后验分布,并在循环迭代中对粒子重采样,以此实现单点和区域LAI时间序列重构。应用该算法,对河北省冬麦区2010年LAI时间序列进行重构,结果表明,基于重采样粒子滤波的LAI时间序列重构算法在单点和区域上得到的LAI值明显更接近冬小麦实际生长状况,且算法能够弥补遥感LAI时序数据的缺失,为进一步的作物长势监测提供基础支撑。     

KPCA_SVM水文时间序列预测模型的建立与应用

【目的】建立水文时间序列预测的核主成分支持向量机(KPCA_SVM)模型。【方法】利用核主成分分析(KPCA)对输入数据进行非线性特征信息提取,并将提取的特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA_SVM预测模型。以甘肃民勤地区的月蒸发量为例,对模型的预测效果进行检验。【结果】预测结果表明,KPCA_SVM模型预测效果优于PCA_SVM模型和LSSVM模型,预测平均相对误差为8.36%。【结论】KP-CA_SVM模型的预测效果优于没有特征提取的LSSVM模型。与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好。     

基于时间序列与模糊推理的成品油库出库预测算法

油品出库量精确高效预测是成品油库存科学管理的源头和基础。为提高成品油库库存效率,降低油品库存成本,以某公司西部地区166座成品油库为研究对象,在库存管理、销量预测等相关研究成果基础上,分析库存管理的影响因素,集成多模型的时间序列模型算法库和基于Mamdani的模糊推理系统,设计双时间颗粒度的多阶段预测算法,开展月度和日度油品出库量预测,并进行量化分析。结果表明：所建算法可根据出库量数据特征自动选择合适的模型,在短时间内高质量匹配并完成大批量油库出库量的预测,预测结果平均绝对百分误差的中位数大于85%,预测置信度接近95%,应用案例月度出库量预测平均准确率可达90%。研究成果可为成品油库存管理决策优化提供科学化建议,对建立科学高效的现代化油品供应物流体系具有现实意义。（图5,表3,参24）     

基于Box-Jenkins方法的黄河水质时间序列分析与预测

采用基于Box-Jenkins方法的时间序列分析技术,对黄河上游甘肃兰州段、中游吴堡和下游山东利津段的水质进行了趋势分析和预测。选取对水质产生影响较大的两个污染因子化学需氧量(CODMn)和溶解氧(DO)1994—2003连续10a的月平均水质监测数据,借助Matlab和SAS统计软件,建立了ARIMA模型和乘积季节时间序列模型,并分析了这两个污染因子随时间推移的变化规律。结果表明:ARIMA模型和乘积季节模型能够用于短期水质预测,并且预测效果较好。黄河流域从上游到下游水质总体状况呈逐渐下降趋势,上游水质一般为Ⅱ和Ⅲ类,而中游和下游水质基本为Ⅳ、Ⅴ和超Ⅴ类。