農田有效灌溉面積的預測方法及應用？
1 預測方案的確定與預測方法的選擇
1.1 預測方案的確定
農田有效灌溉面積的變化受多方面因素的影響，比如政策、中央財政資金投入、地方財政資金投入、農民收入狀況等。這些因素並不是孤立地對農田有效灌溉面積產生影響，而是耦合在壹起以非線性的方式影響農田有效灌溉面積的變化。
農田有效灌溉面積的預測有兩大類方案：壹種為結構式的預測方法，就是通過壹定的方式建立起各主要影響因素與農田有效灌溉面積之間的關系，然後根據未來各影響因素的變化去預測相對應的農田有效灌溉面積；另壹種為數據序列預測法，就是將各年度的農田有效灌溉面積數值作為連續的時間序列看待，可以認為農田有效灌溉面積的變化規律已經蘊含在數據序列之中，再采用合適的方法對該序列在未來的取值進行預測。
在第壹種方案中，首先需要確定具體影響農田有效灌溉面積變化的因素種類及其影響規律，另外還需要對各因素的未來變化進行預測。準確地確定影響農田有效灌溉面積變化的各種因素本身就很有難度，各因素對有效灌溉面積影響規律的辨識也同樣是壹個比較復雜的問題，而預測各因素未來的變化更是壹個幾乎和預測農田有效灌溉面積難度相當的問題。在第二種方案中，首先需要建立起能夠充分反映農田有效灌溉面積變化規律的預測模型，然後通過求取該預測模型在未來的輸出值即可實現預測。兩種方案相比，顯然第二種方案更容易實現。因此，在以下研究中采用數據序列預測方案。
1.2 預測方法的選擇
在數據序列的預測中，目前廣泛采用的方法有移動平均法、指數平滑法、線性回歸法、灰色預測法、神經網絡法和支持向量機方法等。這些方法中神經網絡法和支持向量機方法從本質上來說更為適合應用於非線性預測問題。而農田有效灌溉面積所構成的數據序列是壹個典型的非線性序列。顯然在該研究中采用神經網絡法和支持向量機方法較為合適。為了充分研究這兩種方法的適用性，以下對這兩種方法進行對比分析。
2 兩種預測方法的理論基礎及特性分析
2.1 BP神經網絡預測的理論基礎及特性分析
在各類神經網絡中，BP神經網絡堪稱最經典、使用最為廣泛的壹種神經網絡[2，3]。
BP神經網絡是誤差反向傳播（Back error propagation，簡稱BP）神經網絡的簡稱。BP神經網絡通常由1個輸入層、若幹隱含層和1個輸出層組成，在每層中可以包括若幹個神經元。各相鄰層神經元之間多為全連接方式，而同層神經元之間則無連接[4]。各神經元間的連接傳遞相應的權值，隱含層及輸出層各神經元都有自己的閾值。BP神經網絡作為壹種前饋網絡，具有前饋網絡的***性。研究表明，三層前饋網絡就能夠以任意精度逼近任意連續函數及其各階導數[5]。對序列進行建模，從本質上來說就是獲得序列的變化泛函，BP神經網絡的函數逼近功能正好可以實現此過程。
但BP神經網絡也存在若幹缺陷，其中比較突出的是網絡結構的不易確定、易限於局部收斂和收斂速度慢。其中網絡結構的不易確定是指在確定網絡結構參數的過程中沒有準確的依據可以遵循。而局部收斂則對BP神經網絡的函數逼近功能影響較大。
2.2 支持向量機預測的理論基礎及特性分析
3 預測模型的建立
3.1 樣本數據的準備
從河南統計年鑒中收集了1986-2010年河南省農田有效灌溉面積的統計數據[10]。為了降低預測模型的復雜程度，采用峰值法對這些數據進行了歸壹化處理。將歸壹化後的1986-2009年數據作為訓練樣本，2010年數據作為檢驗樣本。
確定預測模型每次的輸入樣本中包含6個數據，即用連續6年的數據預測第七年的數據。據此可建立訓練時的輸入樣本矩陣（6×18）和輸出樣本向量（1×18）。
3.2 預測模型基本參數的確定與訓練
1）BP神經網絡基本參數的確定與訓練。確定BP神經網絡的隱含層數為1，輸入層神經元數為6，輸出層神經元數為1，隱含層神經元數為11。隱含層和輸出層的激勵函數分別采用正切型Sigmoid函數和對數型Sigmoid函數。為了提高收斂速度，訓練時采用了Levenberg-Marquardt數值優化算法。
2）支持向量機基本參數的確定與訓練。采用Epsilon型支持向量機回歸算法，經過多次試驗，確定拉格朗日乘子上界為5，不敏感函數取值為0.000 01，核函數采用高斯型，高斯核函數的寬度取0.15。
4 預測與分析
4.1 兩種模型預測能力對比
利用訓練完畢的兩種預測模型仿真預測1992-2009年的河南省農田有效灌溉面積並進行反歸壹化處理。反歸壹化後的各預測值、預測誤差的絕對值和預測相對誤差的絕對值見表1。從表1可以看出，支持向量機的各預測值與實際值更為接近，其預測誤差的絕對平均值、預測相對誤差的絕對平均值都遠小於BP神經網絡預測結果的對應參數。圖1中的各預測數據也全部經過了歸壹化處理，從圖1中1992-2009部分也可以看出，支持向量機的預測值基本和實際值重合在壹起，而BP神經網絡的預測值在壹些地方則與實際值相差較大，說明基於支持向量機的預測模型泛化能力更強。 利用這兩種預測模型分別預測作為檢驗樣本的2010年河南省農田有效灌溉面積，反歸壹化後的預測結果如表2和圖1所示。從表2和圖1可以看出，基於支持向量機的預測模型在檢驗樣本處的實際預測精度也遠高於BP神經網絡，其預測誤差僅為BP神經網絡預測誤差的11.8%。
4.2 河南省“十二五”期間農田有效灌溉面積的預測與分析
實際上，預測結果是在現有條件的基礎上從數據序列的角度進行的預測，如果在“十二五”期間，政府大幅增加水利行業的資金投入，最終的發展情況將會比該預測結果更好。
5 小結
在對農田有效灌溉面積進行預測時，數據序列預測法比結構式預測法更為簡單易行。在各種數據序列預測方法中，神經網絡預測方法和基於支持向量機的預測方法更為適合農田有效灌溉面積的非線性變化規律。
研究針對BP神經網絡和支持向量機兩種預測方法進行了對比分析。理論研究表明，基於支持向量機的預測方法可以克服BP神經網絡的諸多缺陷，具有優越性。
以河南省1986-2010年的農田有效灌溉面積統計數據為基礎，詳細闡述了利用兩種預測方法建立預測模型的過程，並進行了應用驗證。驗證結果表明，基於支持向量機的預測方法具有更好的泛化能力，預測精度更高。最後獲得了河南省“十二五”期間農田有效灌溉面積的預測數據並指出了其發展趨勢。
更多關於工程/服務/采購類的標書代寫制作，提升中標率，您可以點擊底部官網客服免費咨詢：/#/?source=bdzd