基于主成分分析与BP神经网络的参考作物腾发量预测

为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

Elman、LS-SVM方法在ET_0预测中的对比分析

参考作物腾发量（ET0）是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义。Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力。将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值。结果表明：LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测。     

Elman、LS-SVM方法在ET0预测中的对比分析

参考作物腾发量(Eto)是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义.Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力.将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值.结果表明:LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测.     

基于主成分BP人工神经网络的参考作物腾发量预测

影响参考作物腾发量的气象因素众多,且相关程度较高。基于主成分分析原理,将影响ET0的7个主要气象因素以及旬序数进行特征提取,形成3个综合影响因子,既可保证气象信息的完整性,又可避免气象信息的交叉重叠。以江苏省无锡市某区作物腾发量预测为例,经主成分分析并简化的参考作物腾发量BP神经网络模型具有结构简单、收敛快、精度高的特点,可用于ET0预测。     

基于GA-BP神经网络的作物参考腾发量预测

采用黄金分割原理优化算法确定BP神经网络的隐含层节点数,进而确定BP神经网络的结构,并针对BP神经网络容易陷入局部极小值和全局搜索能力弱的缺点,引人遗传算法(GA)优化网络权值,建立GA-BP网络模型,预测作物参考腾发量ET0.以北京地区的相关资料为基础,选用6种输入因子组合方案,对该模型进行验证,结果表明该网络模型具有较好的预测能力;同时,对6种方案比较分析表明,方案4最优,该方案只需选用4项输入因子(日序数、平均气温、风速和日照时数),就能以较高的精度预测作物参考腾发量.     

基于气温预报和神经网络的参考作物腾发量预报

采用反向传播人工神经网络(BP-ANN)逼近气象因子-参考作物腾发量ET0函数关系,以天气预报中的最高和最低气温为输入进行短期ET0预报。收集了南京站实测的2010年7月1日至2013年7月7日逐日气象数据和2012年7月1日至2013年6月30日逐日对未来7d的气象预报数据,以最高、最低气温及相应的日序数为3个输入因子,ET0为输出建立一个包含一个隐含层的3层BP网络,以2010年7月1日至2012年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络,以2012年7月1日至2013年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络验证。将2012年7月1日至2013年6月30日逐日对未来7d的气象预报中的最高、最低气温输入训练及验证后的网络,得到2012年7月1日至2013年6月30日逐日对未来7d的ET0预报值,并与FAO-56PM公式计算的ET0值进行比较以验证预报精度。结果表明,预见期1~7d内,预报的ET0和计算的ET0变化趋势基本一致,预报精度随着预见期的增加而降低;平均准确率(±1.5mm/d以内)达88.08%,相关系数为0.77,均方根误差为1.28mm/d,显示出了较高的预报精度。在局部时间段内出现的ET0,PM和预报ET0的较大差别的原因是该时段内的ET0更多地受到除了日最高和最低气温之外的其他因素的影响。提出的方法 ET0预报,随着气象预报准确度的提高,可实现较为精确的ET0预报。     

基于小波神经网络的参考作物腾发量预测模型研究

为提高某一地区农业用水效率,进行区域水资源的优化配置。本文以辽宁大连地区1954-2005年参考作物腾发量资料为依据,借助于Matlab工具,分别建立结构为8-12-4和10-12-2的小波神经网络进行参考作物腾发量预测,结果表明:在年度和季节尺度上,小波神经网络模型预测结果与参考作物腾发量计算值绝对相对误差均值分别达到5.5%和4.3%,达到了较好的预测效果。该模型预测过程简单,预测结果可靠。为参考作物腾发量预测提供新方法。     

神经网络方法计算参考作物腾发量精度分析

参考作物腾发量的准确计算是确定农田灌溉制度的重要依据,比较了神经网络模型和经验公式计算腾发量的精度以及如何使用最少的气象数据实现最优的腾发量计算问题。结果表明,神经网络模型比经验公式的计算精度要高。采用神经网络模型用最少气象数据实现最优腾发量计算是可行的,但输入参数类型需要根据不同地区的气候特点进行选择。在半湿润地区最佳网络输入为日最高气温、最低气温、平均气温和外太空辐射,在气候湿润地区最佳网络输入为日最高气温、最低气温、平均气温、经验相对湿度和外太空辐射。因此,在缺少气象资料时可以使用神经网络模型代替经验公式计算参考作物腾发量。     

作物缺水敏感性分析的神经网络法

将神经网络技术应用于作物缺水敏感性分析，探讨不同阶段腾发量变化对作物产量的影响。实例分析表明，其分析结果和利用作物水分生产函数分析结论具有很高的一致性。神经网络用于敏感性分析，避免了建立具体的作物水分生产函数模型，而且时空适应性更强，为作物水分－产量关系研究开辟了新的思路。     

基于神经网络算法的广东省典型代表站点ET_0简化计算模型研究

【目的】探讨BP、极限学习机、小波神经网络算法在广东典型气候代表站点的适用性,建立ET_0简化计算模型。【方法】以韶关、深圳、广州、揭西、湛江站为研究对象,收集各站1981—2010年逐日平均、最高、最低气温、相对湿度、日照时间、风速观测数据,以FAO-56Penman-Monteith ET_0计算值为基准,对比3种算法计算效结果,确定最优算法,并结合因子敏感性分析建立了ET_0简化计算模型。【结果】①P<0.05显著水平下,广州、韶关站各气象因子均差异显著;湛江、广州、揭西、深圳4站除日最高气温差异显著,其他气象因子差异均不显著;②ET_0因子敏感性分析中,韶关、广州、深圳3站日最低、最高气温、日照时间敏感系数较大,韶关站为0.040、0.113、0.223,广州站为0.043、0.101、0.208,深圳站为0.054、0.105、0.181;揭西和湛江站日最高气温、相对湿度、日照时间敏感系数较大,分别为:0.105、-0.040、0.216和0.098、-0.072、0.197,综合各站来看,日最高气温、日照时间最为敏感;③全因子输入条件下,ET_0计算精度表现为BP>极限学习机>小波神经网络;④ET_0简化计算精度表现为BP(全因子输入)>BP-1(日最高、最低气温,相对湿度,日照时间作输入)>BP-2(日最高气温、日照时间输入),但差值不大。【结论】因此,基于日最高气温、日照时间2因素的BP算法一定程度能简化计算ET_0。     

基于灰色马尔科夫的参考作物腾发量预测

参考作物腾发量(ET0)是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水量预报精度具有十分重要的意义。针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时预测效果差的情况,作者提出了用马尔科夫对GM(1,1)模型修正的组合模型,该模型结合了灰色模型可以揭示预测数据的发展趋势以及马尔科夫预测适合描述随机波动性较大的预测问题的优点,将其应用于沈阳地区参考作物腾发量预测中,对比分析了GM(1,1)模型与灰色马尔科夫模型的预测结果。结果表明,灰色马尔科夫模型不仅能反映系统的动态特性,还具有比GM(1,1)更高的预测精度、逼近性和稳定性,具有较好的应用价值。     

参考作物蒸发蒸腾量的气象因子响应模型

基于江苏省南通市2000～2004年的旬气象资料,用FAO推荐的Penman-Monteith公式计算了参考作物蒸发蒸腾量,研究了参考作物蒸发蒸腾量与最高气温、最低气温、平均气温、相对湿度、日照时数、风速和气压等气象因素间的关系,建立了参考作物蒸发蒸腾量的响应模型.结果表明,参考作物蒸发蒸腾量与"温度因子"的关系最强,其次为"湿度和日照因子","风速因子"也有一定的影响,"气压因子"影响作用则稍弱;建立的气象因子响应模型模拟精度较高,可以简化参考作物蒸发蒸腾量计算.     

基于混沌理论的降水量预测方法研究

【目的】得到精确度较高的月降水量预测值。【方法】首先利用C-C关联积分法来确定波密站月降水量非线性系统的时间延迟τ和嵌入维数m,再对月降水量时间序列进行相空间重构,并利用小数据量法求取Lyapunov指数来判断月降水量时间序列的混沌特征,然后构建Volterra模型分别进行短期5a和长期15a降水量预测,将其预测小波预测模型和SVR预测模型的预测值对比,最后对Volterra短期预测模型进行叠加预测误差分析和模型推广分析。【结果】Volterra模型对混沌特征明显的月降水量进行短期预测时,其MAPE和EC分别为4.04%和0.941,相比小波和SVR模型来说具有较高的预测精度,同时叠加预测误差较小,其MAPE为7.657%,EC为0.894;而在长期预测时,该模型预测精度不如SVR模型;同时Volterra模型对混沌特征弱的月降水量进行短期预测时,其模型预测效果并不理想,MAPE为54.855%,EC仅为0.566。【结论】该方法能提供精确度较高的降水量预测值,为降水量的预测提供一种新的方法。     

基于BP神经网络的模型铲刀推土阻力预测模型

将BP神经网络应用于典型的曲面推土板-模型铲刀推土阻力的预测.在模型铲刀推土试验研究结果的基础上,以模型铲刀的切削角、前翻角和切削速度为输入,以模型铲刀推土阻力的水平分力与垂直分力为输出,建立了BP神经网络数值模拟模型.研究结果表明,该BP神经网络有效地预测了模型铲刀的推土阻力,其准确率在94%以上.     

基于气温和 DC - BP - NN 的河西走廊月度 ETo 估算模型

针对参考作物蒸散量(Reference crop evapotranspiration,ETo)估算模型中,标准估算模型——FAO PenmanMonteith(FAO-PM)模型需要充分的气象数据,而基于气温的估算模型精度不足的问题,参考FAO-PM模型结构,基于气温和月序数,融合分治法(Divide and conquer,DC)和误差反向传播神经网络(Back propagation neural network,BP-NN),提出了一种采用DC-BP-NN的月度ETo估算模型;以FAO-PM模型计算的ETo为标准,利用河西走廊酒泉气象站1958年1月—2013年9月的月度气象数据,将DC-BP-NN模型与其余6种基于气温的ETo估算模型(Blaney-Criddle模型、Hargreaves-Samani模型、2种改进的Hargreaves-Samani模型、BP-NN模型、BP-NN1模型)进行对比。结果表明,DC-BP-NN模型的估算精度(均方根误差5.99 mm/月,平均偏差0.99 mm/月,平均绝对百分误差7.18%,决定系数0.988 6)优于其余6种ETo估算模型,该模型可以用于河西走廊农田气象数据不充分条件下的月度ETo估算。     

基于BP神经网络的湖北省水电发电量预测模型

为了精确预测的湖北省水力发电量，通过分析湖北省水力发电量数据特点，给出了BP神经网络预测湖北省水电发电量的关键技术，并采用实例进行预测，与常用的自回归求和滑动平均法进行了对比。预测结果显示，此方法辩识周期性波动时间序列很有效。