基于HHT变换的PSO-LSSVM耦合模型估算气象资料短缺地区ET_0

为准确估算气象资料短缺地区参考作物腾发量,构建了一种基于HHT变换的PSO-LSSVM耦合模型,并利用新疆和田气象站2000—2009年单日数据做训练、双日数据做验证。结果表明,该模型估算ET0方法明显优于常规的PSO-LSSVM和GRNN,预测精度较二者分别提高了15.7%~85.6%和15.8%~93.7%;该方法预测ET0的气象要素重要性为RsTmaxTminRHWn,利用该方法对气象要素组合为Tmax/Tmin/RH/Wn、Tmax/RH/Wn、Tmin/Wn、Wn条件下的ET0预测,MSE分别为0.407、0.185、0.149、0.135,说明该方法可以很好地估算资料缺失地区ET0。     

基于支持向量机优化粒子群算法的活立木材积测算

材积模型是编制立木材积表的关键,通常用经验材积方程来预测材积量。由于树木生长具有不确定性,传统的材积方程很难有效地对模型的复杂性和多样性做出测算,导致目前活立木材积测算的准确率较低。为了提高活立木材积的测算准确率,将粒子群（particle swarm optimization,PSO）算法引入到活立木材积模型中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将活立木胸径和树高数据输入到SVM中学习,将SVM参数作为PSO中的粒子,把活立木实测材积值作为PSO的目标函数,然后通过粒子之间相互协作得到 SVM 最优参数,对活立木测算材积值进行模型测算并采用实测材积值验证。论文应用电子经纬仪与人工量测立木地径、胸径相结合的方法,通过软件计算求得400组树高、树干材积值;然后对300组数据集以活立木胸径和树高作为输入数据,材积为输出数据,采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用100组数据进行预测;最后引用经典Spurr材积模型算法、BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率最高,预测值与实测值间复相关系数达0.91,平均误差率为0.58%。