支持向量机在河套地区地下水矿化度预测中的应用

详细信息    查看全文 | 推荐本文 |

英文篇名：Application of Support Vector Machine in Prediction of Groundwater salinity in Hetao Area 作者：赵令 ; 苏涛 ; 周亮 ; 樊宇 英文作者：ZHAO Ling;SU Tao;ZHOU Liang;FAN Yu;School of Surveying and Mapping, Anhui University of Science and technology; 关键词：义长灌域 ; 支持向量机 ; BP神经网络 ; 多元回归 ; 地下水矿化度预测 英文关键词：Yichang irrigation area;;support vector machine;;Back-Propagation artificial neural network;;multiple regression;;prediction of groundwater salinity 中文刊名：ZNSD 英文刊名：China Rural Water and Hydropower 机构：安徽理工大学测绘学院; 出版日期：2019-02-15 出版单位：中国农村水利水电 年：2019 期：No.436 基金：“十三五”国家重点研发计划(2017YFC0403300) 语种：中文; 页：ZNSD201902016 页数：5 CN：02 ISSN：42-1419/TV 分类号：85-88+93

摘要

为研究内蒙古河套地区义长灌域年均地下水矿化度变化规律,选取灌域年蒸发量、引水量和年均地下水埋深作为影响因子,建立基于支持向量机的灌域年均地下水矿化度预测模型,并与多元回归预测模型和BP神经网络预测模型进行对比分析。结果表明:多元回归预测模型预测精度较差,BP神经网络预测模型较多元回归预测模型精度有较大提高,但支持向量机预测模型对灌域年均地下水矿化度的预测效果最好,其决定系数达到0.81,平均误差仅为0.15 g/L。由此可见,支持向量机方法在灌域年均矿化度预测研究中切实可行,为灌域地下水研究和生态环境改善提供新思路。
        In order to study the change rule of annual average groundwater salinity in the Yichang Irrigation District of Hetao Region, this paper selects annual evaporation, water diversion and annual groundwater depth as the influencing factors, and establishes the annual average groundwater salinity based on the Support Vector Machine method(SVM). The prediction model was compared with multiple regression prediction model and Back-Propagation Artificial Neural Network(BPANN))prediction model. The results show that the multiple regression prediction model has poor prediction accuracy, and the BP neural network prediction model has greater accuracy than the multivariate regression model, and has certain prediction accuracy. But the prediction effect of the SVM prediction model is the best, and the determination coefficient reaches 0.81. Basically consistent with the actual situation in the area. From this, it can be seen that the SVM method is practical and feasible in the prediction of annual average salinity in the irrigation area, providing new ideas for groundwater research and ecological environment improvement in the irrigation area.

引文

[1] 刘显泽,岳卫峰,贾书惠,等. 内蒙古义长灌域土壤盐分变化特征分析[J]. 北京师范大学学报(自然科学版), 2014,(5):503-507.
    [2] 邓乃扬.数据挖掘中的新方法[M]. 北京:科学出版社, 2004.
    [3] Vapnik V N. The nature of statistical learning theory[M].Berlin:Springer-Verlag,1995.
    [4] 张霞,王亚萍,李占斌,等. 支持向量机函数拟合在地下水动态预测中的应用[J]. 水土保持通报, 2012,32(5):277-280.
    [5] 司训练,张旭峰.基于支持向量机的地下水质量综合评价[J]. 环境工程学报, 2014,8(10):4 340-4 344.
    [6] 付俊娥,苏庆珣,潘世兵,等.基于支持向量机理论的地下水动态遥感监测模型与应用[J]. 地球信息科学学报, 2010,12(4):466-472.
    [7] 杜军,杨培岭,李云开,等.河套灌区年内地下水埋深与矿化度的时空变化[J]. 农业工程学报,2010,26(7):26-31.
    [8] 汤荣志,段会川,孙海涛. SVM训练数据归一化研究[J]. 山东师范大学学报(自然科学版), 2016,31(4):60-65.
    [9] 白雪梅,徐建新. BP神经网络在农业水资源评价中的应用[J]. 节水灌溉, 2007,(4):36-38.
    [10] 楼琇林,黄韦艮.基于人工神经网络的赤潮卫星遥感方法研究[J]. 遥感学报, 2003,7(2):125-130.
    [11] 杨劲松,姚荣江. BP神经网络在浅层地下水矿化度预测中的应用研究[J]. 中国农村水利水电, 2008,(3):5-8.
    [12] 刘国东,丁晶. BP网络用于水文预测的几个问题探讨[J]. 水利学报, 1999,(1):65-70.
    [13] Nilsson P,Uvo C B,Berndtsson R. Monthly runoff simulation: comparing and combining conceptual and neural network models[J]. Journal of Hydrology, 2006,321(1-4):344-363.
    [14] Flake G W,Lawrence S. Efficient SVM regression training with SMO[J]. Machine Learning, 2002,46(1-3):271-290.
    [15] 白鹏,张喜斌,张斌. 支持向量机理论及工程应用实例[M]. 西安:西安电子科技大学出版社, 2008.
    [16] 张学工.关于统计学习理论与支持向量机[J]. 自动化学报, 2000,26(1):32-42.