基于支持向量机的干旱预测研究
摘要
干旱是我国主要的自然灾害之一,也是大气科学研究的热点问题之一。本文选用支持向量机方法,对建立基于气候因子的土壤湿度预报模型以及基于时间序列的干旱等级预测模型进行了研究,研究结果将有益于实现大面积的干旱预测,为政府和有关部门进行防旱减灾提供科学依据。
本文的主要结论如下：
(1)本文设计了基于支持向量机(SVM)的土壤相对湿度混合预报模型,进行了仿真实验,并且针对传统支持向量机在参数选择方法上的不足,使用网格划分法、遗传算法和粒子群算法对模型的参数进行了优化。仿真实验结果表明,本文提出的模型提供了一种新的直接基于作物水分信号所无法实现的土壤湿度预报方法,为解决非线性问题提供了新思路。
(2)本文研究了基于SVM的时间序列预测模型的构建,经参数寻优后建立模型,并对某站月平均温度和降水量仿真预测。然后根据预测结果计算干旱指数,预测干旱等级。预报结果比较准确,表明这种干旱预测方法是行之有效的,具有实用性。
The drought is one of the main natural disasters. It is also one of the hot issues of the atmosphere of scientific research. This paper used the method of Support Vector Machine, and studied for based on climate factor of soil humidity mixed forecasting model and based on time series of Drought Prediction model. The results of the study will benefit to the widespread drought monitoring for government and relevant departments to provide the scientific basis of Drought Relief.
The main conclusions are as follows:
(1) This paper designed a model of soil relative humidity mixed forecasting which based on Support Vector Machine (SVM). and conducted the simulation experiments. And then according to the traditional support vector machine's weaknesses on the method of choosing parameters, grid partition method. genetic algorithm and particle swarm algorithm are used to optimize the parameters of the model. The simulation results show that, the introduction of the SVM method provides a new tool for predicting soil moisture, in addition, the method which directly based on crop water signal is unable to achieve, and for the nonlinear problem solving provides a new idea.
(2) This paper studied the time series prediction model which based on the SVM, established model after optimizing parameters, and conducted the simulation prediction with the data of one station's average temperature and precipitation. And then based on the forecasting results calculated out the drought index, and then predicted drought level. The forecast results is accurate, shows that the drought forecast method is effective and practical.
本文的主要结论如下：
(1)本文设计了基于支持向量机(SVM)的土壤相对湿度混合预报模型,进行了仿真实验,并且针对传统支持向量机在参数选择方法上的不足,使用网格划分法、遗传算法和粒子群算法对模型的参数进行了优化。仿真实验结果表明,本文提出的模型提供了一种新的直接基于作物水分信号所无法实现的土壤湿度预报方法,为解决非线性问题提供了新思路。
(2)本文研究了基于SVM的时间序列预测模型的构建,经参数寻优后建立模型,并对某站月平均温度和降水量仿真预测。然后根据预测结果计算干旱指数,预测干旱等级。预报结果比较准确,表明这种干旱预测方法是行之有效的,具有实用性。
The drought is one of the main natural disasters. It is also one of the hot issues of the atmosphere of scientific research. This paper used the method of Support Vector Machine, and studied for based on climate factor of soil humidity mixed forecasting model and based on time series of Drought Prediction model. The results of the study will benefit to the widespread drought monitoring for government and relevant departments to provide the scientific basis of Drought Relief.
The main conclusions are as follows:
(1) This paper designed a model of soil relative humidity mixed forecasting which based on Support Vector Machine (SVM). and conducted the simulation experiments. And then according to the traditional support vector machine's weaknesses on the method of choosing parameters, grid partition method. genetic algorithm and particle swarm algorithm are used to optimize the parameters of the model. The simulation results show that, the introduction of the SVM method provides a new tool for predicting soil moisture, in addition, the method which directly based on crop water signal is unable to achieve, and for the nonlinear problem solving provides a new idea.
(2) This paper studied the time series prediction model which based on the SVM, established model after optimizing parameters, and conducted the simulation prediction with the data of one station's average temperature and precipitation. And then based on the forecasting results calculated out the drought index, and then predicted drought level. The forecast results is accurate, shows that the drought forecast method is effective and practical.
引文
[1]张强,张良,崔显成,曾剑.干旱监测与评价技术的发展及其科学挑战.地球科学进展.2011,26(7)：763-778.
[2]Chang T J, Kleopa X A. A proposed method for drought monitoring. Water Resources Bulletin,1991, 27(2):275-281.
[3]程殿龙.旱情与抗旱对策的思考.中国水利.2000,(7)：4-5.
[4]袁文平,周广胜.干旱指标的理论分析与研究展望.地球科学进展.2004,19(6)：982-991.
[5]邹仁爱,陈俊鸿.干旱预报的研究进展评述.灾害学.2005,20(3)：112-116.
[6]周家斌,黄嘉佑.近年来中国统计气象学的新进展.气象学报,1997,55(3)：297-305.
[7]严中伟.多变量状态空间预报法在旬雨量预报中的应用.应用气象学报,1996,7(4)：443-451.
[8]王良健.GM(1,1)模型在湖南严重干旱预报上的应用.干旱区地理,1995,18(])：83-86.
[9]程桂福,付日辉,李兴云.水旱灾害发展趋势的灰色拓扑预测与应用.海岸工程.2001,20(4)：56-62.
[10]周锁铨,屠其璞.长期降水量预报途径的探讨.气象科学.1994,14(3)：233-240.
…]王革丽,杨培才.时空序列预测分析方法在华北旱涝预测中的应用.地理学报.2003,58(增刊)：132-137.
[12]李祚泳,邓新民.四川旱涝震的分形时间特征及其统计时间特征比较.自然灾害学报.1997,6(2)：65-69.
[13]王密侠,马成军,蔡焕杰.农业干旱指标研究与进展.干旱地区农业研究.1998,16(3)：119-124.
[14]孙荣强.干旱定义及其指标评述.灾害学.1994,9(1)：17-22.
[15]冯平,朱元.干旱灾害的识别途径.自然灾害学报.1997,6(3)：42-47.
[16]VENKAT LAKSHMI, THOMAS J, JACKSON, DIANE ZEHRFUHS. Soil moisture - temperature relationships:results from two field experiments. HYDROLOGICAL PROCESSES.2003,17:3041-3057.
[17]YOUHONG SONG, EUGENIA KALNAY. Role of sea surface temperature and soil-moisture feedback in the 1998 Oklahoma- Texas drought. NATURE.2000,408:482-484.
[18]裴浩,范一大,乌日娜.利用气象卫星遥感监测土壤含水量.干旱区资源与环境.1999,13(1)：73-76.
[19]薛晓萍,王新,张丽娟,等.基于支持向量机方法建立土壤湿度预测模型的探讨.土壤通报,2007,38(3)：427-433.
[20]邢著荣,冯幼贵,杨贵军,等.基于遥感的植被覆盖度估算方法述评.遥感技术与应用.2009,24(6)：849-854.
[21]纪瑞鹏,张玉书,陈鹏狮.农田土壤水分动态估算模式的研究.干旱区资源与环境.2004,18(1)64-67.
[22]陈洪松,郝明德,宋孝玉.黄土高原沟壑区农田土壤水分动态变化分析.水土保持研究.2003,10(1)：92-94.
[23]黄嘉佑.气象统计分析与预报方法.北京：气象出版社.2000.
[24]VAPNIK V N. The nature of statistical learning theory. Springer Verlag. New York,2000.
[25]AMARI S, WU S. Improving support vector machine classifier by modifying kernel function. NeuralNetworks.1999,12：783.
[26]周广胜,张新时.全球变化的中国气候-植被分类研究.植物学报.1996,38(1)：8-17.
[27]刘洪斌,武伟,魏朝富.AR模型在土壤水分动态模拟中的应用.山地学报.2004,22(1)：121-125.
[28]周广胜,张新时.植被对气候的反馈作用.植物学报.1996,38(1)：1-7.
[29]Cristianini N., Shawe-Yaylor J.,李国正,等.支持向量机导论.电子工业出版社.2004.
[30]付岩,王耀威,王伟强,等.SVM用于基于内容的白然图像分类和检索,计算机学报,2003,26(10)：1261-1265.
[31]张宪,李晓娟.支持向量机在显微图像分类中的应用研究.计算机应用.2008,28(3)：790-794.
[32]王新明,梁维泰,周方,等.基于支持向量机和Getis因子的高分辨率遥感图像分类.地理与地理信息科学.2008,24(4)：16-24.
[33]居红云,张俊本,李朝峰,等.基于K-means与SVM结合的遥感图像全自动分类方法.计算机应用研究.2007,24(11)：318-320.
[34]李涛.基于SVM和PSO的非线性模型预测控制及应用研究.上海交通大学硕士学位论文.2008.
[35]王鲜芳,潘丰.基于IGA-SVM的发酵过程建模及优化控制.计算机工程与应用.2008,44(28)：187-192.
[36]冯汉中,陈永义.处理非线性分类和回归问题的一种新方法一支持向量机方法在天气预报中的应用.应用气象学报.2004,15(3)：345-365.
[37]车怀敏,冯汉中.支持向量机方法在德阳降水分类预报中的应用试验.四川气象.2004,24(2)：13-15.29.
[38]马婕,樊玮,袁红玉,基于数据场的SVM技术在雷暴预报中的应用.计算机工程.2009,35(19)：263-265.
[39]徐元顺,刘志勇,李晓兰,等.支持向量机在水文气象中的应用.湖北水力发电.2008,5：44-54.
[40]黄奕铭.支持向量机技术在雷雨大气预报中的应用.广东气象.2006,28(1)：22-24.
[41]熊秋芬,曾晓青.SVM方法在降水预报中的应用及改进.气象.2008,34(12)：90-95.
[42]罗泽举,宋丽红,薛宇峰,等.一类基于SVM/RBF的气象模型预测系统.计算机工程.2006,32(21)：31-32,93.
[43]王小萍,谭季青,吴书成,等.基于支持向量机的预报技巧的预报模型研究.科技通报.2006,32(6)：747-752.
[44]杨淑群,丙景析,冯汉中.支持向量机(SVM)方法在降水分类预测中的应用.西南农业大学学报(自然科学版).2006,28(2)：252-257.
[45]范德新,成励民,仲炳凤,等.南通市夏季旱情预报服务.中国农业气象.1998,19(1)：53-55.
[46]赵家良,钞群,毕韬书.农田土壤墒情监测预报抗旱减灾效益好.地下水.1999,21(3)：118-120.
[47]王振龙,赵传奇,周其君,等.土壤墒情监测预报在农业抗旱减灾中的作用.治淮.2000,(3)：43-44.
[48]熊见红.长沙市农业干旱规律分析及旱情预报模型探讨.湖南水利水电.2003,(4)：29-31.
[49]陈木兵.湘中地区干旱预报模型及应用——以双峰县为例.湖南水利水电.2003,(3)：25-26.
[50]庞转棠,王正旺.盛夏农业干旱事件的分析与预报.中国农业气象.2007,6(6)：85-87.
[51]VAPNIK V N. The nature of statistical learning theory. Springer Verlag. New York.2000.
[52]尹华,吴虹.最小二乘支持向量机在混沌时间序列中的应用.计算机仿真.2011,28(2)：225-227.
[53]王定成.支持向量机建模预测与控制.北京：气象出版社.2009.
[54]史峰,王小川MATLAB神经网络30个案例分析.北京：北京航空大学出版社.2010.
[55]周明,孙树栋.遗传算法原理及应用. 国防工业出版.1999.
[56]周春光,梁艳春.计算智能.吉林大学出版社.2001.
[57]陈治明.改进的粒子群算法及其SVM参数优化应用.计算机工程与应用.2011,47(10)：38-40.
[58]穆进超.多要素SVM时间序列预测研究及其并行化实现.兰州大学硕士学位论文.2009.
[59]左爱文,郭宏武,王保保.气象时间序列规则发现及其应用,陕西气象.2006(6)：8-11.
[60]唐红玉,王志伟,史津梅,等.PDSI和Z指数在西北干旱监测应用中差异性分析.干旱地区农业研究.2009,27(5)：6-11.
[2]Chang T J, Kleopa X A. A proposed method for drought monitoring. Water Resources Bulletin,1991, 27(2):275-281.
[3]程殿龙.旱情与抗旱对策的思考.中国水利.2000,(7)：4-5.
[4]袁文平,周广胜.干旱指标的理论分析与研究展望.地球科学进展.2004,19(6)：982-991.
[5]邹仁爱,陈俊鸿.干旱预报的研究进展评述.灾害学.2005,20(3)：112-116.
[6]周家斌,黄嘉佑.近年来中国统计气象学的新进展.气象学报,1997,55(3)：297-305.
[7]严中伟.多变量状态空间预报法在旬雨量预报中的应用.应用气象学报,1996,7(4)：443-451.
[8]王良健.GM(1,1)模型在湖南严重干旱预报上的应用.干旱区地理,1995,18(])：83-86.
[9]程桂福,付日辉,李兴云.水旱灾害发展趋势的灰色拓扑预测与应用.海岸工程.2001,20(4)：56-62.
[10]周锁铨,屠其璞.长期降水量预报途径的探讨.气象科学.1994,14(3)：233-240.
…]王革丽,杨培才.时空序列预测分析方法在华北旱涝预测中的应用.地理学报.2003,58(增刊)：132-137.
[12]李祚泳,邓新民.四川旱涝震的分形时间特征及其统计时间特征比较.自然灾害学报.1997,6(2)：65-69.
[13]王密侠,马成军,蔡焕杰.农业干旱指标研究与进展.干旱地区农业研究.1998,16(3)：119-124.
[14]孙荣强.干旱定义及其指标评述.灾害学.1994,9(1)：17-22.
[15]冯平,朱元.干旱灾害的识别途径.自然灾害学报.1997,6(3)：42-47.
[16]VENKAT LAKSHMI, THOMAS J, JACKSON, DIANE ZEHRFUHS. Soil moisture - temperature relationships:results from two field experiments. HYDROLOGICAL PROCESSES.2003,17:3041-3057.
[17]YOUHONG SONG, EUGENIA KALNAY. Role of sea surface temperature and soil-moisture feedback in the 1998 Oklahoma- Texas drought. NATURE.2000,408:482-484.
[18]裴浩,范一大,乌日娜.利用气象卫星遥感监测土壤含水量.干旱区资源与环境.1999,13(1)：73-76.
[19]薛晓萍,王新,张丽娟,等.基于支持向量机方法建立土壤湿度预测模型的探讨.土壤通报,2007,38(3)：427-433.
[20]邢著荣,冯幼贵,杨贵军,等.基于遥感的植被覆盖度估算方法述评.遥感技术与应用.2009,24(6)：849-854.
[21]纪瑞鹏,张玉书,陈鹏狮.农田土壤水分动态估算模式的研究.干旱区资源与环境.2004,18(1)64-67.
[22]陈洪松,郝明德,宋孝玉.黄土高原沟壑区农田土壤水分动态变化分析.水土保持研究.2003,10(1)：92-94.
[23]黄嘉佑.气象统计分析与预报方法.北京：气象出版社.2000.
[24]VAPNIK V N. The nature of statistical learning theory. Springer Verlag. New York,2000.
[25]AMARI S, WU S. Improving support vector machine classifier by modifying kernel function. NeuralNetworks.1999,12：783.
[26]周广胜,张新时.全球变化的中国气候-植被分类研究.植物学报.1996,38(1)：8-17.
[27]刘洪斌,武伟,魏朝富.AR模型在土壤水分动态模拟中的应用.山地学报.2004,22(1)：121-125.
[28]周广胜,张新时.植被对气候的反馈作用.植物学报.1996,38(1)：1-7.
[29]Cristianini N., Shawe-Yaylor J.,李国正,等.支持向量机导论.电子工业出版社.2004.
[30]付岩,王耀威,王伟强,等.SVM用于基于内容的白然图像分类和检索,计算机学报,2003,26(10)：1261-1265.
[31]张宪,李晓娟.支持向量机在显微图像分类中的应用研究.计算机应用.2008,28(3)：790-794.
[32]王新明,梁维泰,周方,等.基于支持向量机和Getis因子的高分辨率遥感图像分类.地理与地理信息科学.2008,24(4)：16-24.
[33]居红云,张俊本,李朝峰,等.基于K-means与SVM结合的遥感图像全自动分类方法.计算机应用研究.2007,24(11)：318-320.
[34]李涛.基于SVM和PSO的非线性模型预测控制及应用研究.上海交通大学硕士学位论文.2008.
[35]王鲜芳,潘丰.基于IGA-SVM的发酵过程建模及优化控制.计算机工程与应用.2008,44(28)：187-192.
[36]冯汉中,陈永义.处理非线性分类和回归问题的一种新方法一支持向量机方法在天气预报中的应用.应用气象学报.2004,15(3)：345-365.
[37]车怀敏,冯汉中.支持向量机方法在德阳降水分类预报中的应用试验.四川气象.2004,24(2)：13-15.29.
[38]马婕,樊玮,袁红玉,基于数据场的SVM技术在雷暴预报中的应用.计算机工程.2009,35(19)：263-265.
[39]徐元顺,刘志勇,李晓兰,等.支持向量机在水文气象中的应用.湖北水力发电.2008,5：44-54.
[40]黄奕铭.支持向量机技术在雷雨大气预报中的应用.广东气象.2006,28(1)：22-24.
[41]熊秋芬,曾晓青.SVM方法在降水预报中的应用及改进.气象.2008,34(12)：90-95.
[42]罗泽举,宋丽红,薛宇峰,等.一类基于SVM/RBF的气象模型预测系统.计算机工程.2006,32(21)：31-32,93.
[43]王小萍,谭季青,吴书成,等.基于支持向量机的预报技巧的预报模型研究.科技通报.2006,32(6)：747-752.
[44]杨淑群,丙景析,冯汉中.支持向量机(SVM)方法在降水分类预测中的应用.西南农业大学学报(自然科学版).2006,28(2)：252-257.
[45]范德新,成励民,仲炳凤,等.南通市夏季旱情预报服务.中国农业气象.1998,19(1)：53-55.
[46]赵家良,钞群,毕韬书.农田土壤墒情监测预报抗旱减灾效益好.地下水.1999,21(3)：118-120.
[47]王振龙,赵传奇,周其君,等.土壤墒情监测预报在农业抗旱减灾中的作用.治淮.2000,(3)：43-44.
[48]熊见红.长沙市农业干旱规律分析及旱情预报模型探讨.湖南水利水电.2003,(4)：29-31.
[49]陈木兵.湘中地区干旱预报模型及应用——以双峰县为例.湖南水利水电.2003,(3)：25-26.
[50]庞转棠,王正旺.盛夏农业干旱事件的分析与预报.中国农业气象.2007,6(6)：85-87.
[51]VAPNIK V N. The nature of statistical learning theory. Springer Verlag. New York.2000.
[52]尹华,吴虹.最小二乘支持向量机在混沌时间序列中的应用.计算机仿真.2011,28(2)：225-227.
[53]王定成.支持向量机建模预测与控制.北京：气象出版社.2009.
[54]史峰,王小川MATLAB神经网络30个案例分析.北京：北京航空大学出版社.2010.
[55]周明,孙树栋.遗传算法原理及应用. 国防工业出版.1999.
[56]周春光,梁艳春.计算智能.吉林大学出版社.2001.
[57]陈治明.改进的粒子群算法及其SVM参数优化应用.计算机工程与应用.2011,47(10)：38-40.
[58]穆进超.多要素SVM时间序列预测研究及其并行化实现.兰州大学硕士学位论文.2009.
[59]左爱文,郭宏武,王保保.气象时间序列规则发现及其应用,陕西气象.2006(6)：8-11.
[60]唐红玉,王志伟,史津梅,等.PDSI和Z指数在西北干旱监测应用中差异性分析.干旱地区农业研究.2009,27(5)：6-11.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |