基于LM-BP网络的粮食产量预测

利用Levenberg-Marquardt (LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法.提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验.结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47％;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56％;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的.     

基于BP神经网络的粮食产量预测模型

提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.     

全球气候变化及其影响、对策研究一对IPCCAR4的解读

气候变化问题被列全球十大环境问题之首．并日益成为国际社会的一个热门话题。根据全球气候变化的事实,分析出近50年气候变化的原因很可能主要是人类活动排放的温室气体造成的,并分析全球气候变化对农业、林业、生态系统、水资源、人类健康、工业、人居环境和社会的影响,提出适应和减缓气候变化的对策。     

古气候研究中气候模式的发展与应用

气候模拟是利用模式研究气候演变的学科.根据气候研究的实际需要,产生和发展了大批模式,主要包括大气环流模式(GCMs)、地球系统模式(EMICs)和简单气候模式.3类模式在模拟的时-空尺度和能力上表现出各自的特点,适用的研究领域也有一些差异.运用上述模式分析过去气候变化原因及机理、进一步认识气候系统以及气候政策的制定都发挥了重大作用.各类气候模式在模拟应用过程中都有相应的局限性,应该根据实际应用情况选择合适的模式进行研究应用.     

BP人工神经网络模型在太湖水污染指标预测中的应用

【目的】利用BP人工神经网络模型预测太湖水污染指标,为探讨湖泊水污染物变化规律提供参考。【方法】利用2004~2010年浙江嘉兴王江泾断面自动监测站4项水质指标,建立了太湖水污染BP人工神经网络模型,并对太湖2012年前5周的水质情况进行预测。【结果】建立了浙江嘉兴王江泾断面的4项水质指标浓度的三层BP神经网络预测模型,其预测精度较高,对湖泊水环境污染物预测的适应性较好;对太湖2012年前5周的水质情况进行预测,结果表明,2012年前5周水质污染情况加重,基本为Ⅴ类水质,符合太湖水质污染情况发展态势。【结论】BP人工神经网络具有很强的非线性映射能力和柔性的网络结构,与传统的统计建模方法相比,其预测精度较高,能较好地反映水质指标的内在变化规律,为控制水环境污染提供了科学预测方法。     

BP神经网络在渭河水环境质量评价中的应用

为准确和客观地评价渭河水环境质量状况,将改进算法的BP神经网络引入地表水环境质量评价领域,采用渭河2010年(9月7日至10月11日)水质指标监测数据,构建了渭河水环境质量评价模型。通过3个水质监测项目(氨氮、高锰酸盐指数、溶解氧)对渭河水质进行了评价,评价结果与环境保护部公布结果完全一致。结果表明,BP神经网络应用于水环境质量评价具有客观性、通用性和实用性,可以很好地解决评价因子与水质等级间复杂的非线性关系,评价方法简便可靠,预测精度高。     

人工神经网络在API预报中的应用

为更好的反映环境污染变化趋势,为环境管理决策提供及时、准确、全面的环境质量信息,开展城市污染预报研究是十分必要的。将BP神经网络模型引入到大气污染预测预报领域,利用石家庄市2005-2009年春季、夏季、秋季、冬季的4组数据分别建立了4个季节的日空气污染指数的预测模型,并用2009-2010年春季、夏季、秋季、冬季的数据作为独立样本进行预测检验,实验结果表明：通过设置初始权重、学习率、动态系数等参数使基于BP神经网络的大气污染预测模型的精度得到提高,预测值与实际值之间的平均相对误差小,预测值与实际值的相关系数高,得到了较好的预报效果,说明该模型应用于大气污染预报具有较高的预测精度和良好的泛化能力,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法。     

全球气候变化对农业的影响

由于CO2等温室气体的大量排放,全球气候呈现变暖的趋势,气候变化将继续对自然生态系统和社会经济系统产生重要影响,特别是对农业生产和粮食安全产生重大影响,在SRES各情景范围之内,未来20a仍会以每10 a约0.2℃的速率上升,存在进一步变暖趋势.综述了全球气候变化趋势及其对农业生产能力的实际影响,提出了应对气候变化的农...     

BP人工神经网络模型在太湖水污染指标预测中的应用

【目的】利用BP人工神经网络模型预测太湖水污染指标,为探讨湖泊水污染物变化规律提供参考。【方法】利用2004～2010年浙江嘉兴王江泾断面自动监测站4项水质指标,建立了太湖水污染BP人工神经网络模型,并对太湖2012年前5周的水质情况进行预测。【结果】建立了浙江嘉兴王江泾断面的4项水质指标浓度的三层BP神经网络预测模型,其预测精度较高,对湖泊水环境污染物预测的适应性较好;对太湖2012年前5周的水质情况进行预测,结果表明,2012年前5周水质污染情况加重,基本为Ⅴ类水质,符合太湖水质污染情况发展态势。【结论】BP人工神经网络具有很强的非线性映射能力和柔性的网络结构,与传统的统计建模方法相比,其预测精度较高,能较好地反映水质指标的内在变化规律,为控制水环境污染提供了科学预测方法。     

基于人工神经网络的土壤含水量预报模型

土壤水分含量是影响作物生长的重要因素,精确预测技术对水资源的合理利用与管理具有重要的指导意义。土壤水分运动是一个复杂的时间序列系统,其变化与区域气候条件和生态环境密切相关,具有明显的随机性波动。利用人工神经网络的方法对河南驻马店地区的土壤含水量进行预报,利用表层土壤含水量资料计算了一些与深层土壤含水量相关的预报因子,用以建立驻马店地区深层土壤含水量的神经网络预报模型,并应用独立样本进行了初步的模拟预报检验。结果表明,预报模型取得了令人满意的效果,应用神经网络的方法预报深层土壤含水量是可行的。