农田有效灌溉面积的预测方法及应用

Word版本，下载可自由编辑农田有效灌溉面积的预测方法及应用农田有效浇灌面积指有固定水源、浇灌工程设施配套、土地平整、在普通年景下能够举行正常浇灌的耕地面积，包括机灌面积、电灌面积、自流浇灌面积和喷灌面积[1]。它是反映农田水利建设和水利化的重要指标，也是我国各地区制定水利进展规划的重要指标之一。对农田有效浇灌面积举行预测可以为了解将来农村水利基础设施的建设情况提供有价值的参考信息，同时也可为相关部门合理制定行业进展规划提供理论支持。

1预测计划确实定与预测办法的挑选

1.1预测计划确实定

农田有效浇灌面积的变化受多方面因素的影响，比如政策、中央财政资金投入、地方财政资金投入、农夫收入情况等。这些因素并不是孤立地对农田有效浇灌面积产生影响，而是耦合在一起以非线性的方式影响农田有效浇灌面积的变化。

农田有效浇灌面积的预测有两大类计划：一种为结构式的预测办法，就是利用一定的方式建立起各主要影响因素与农田有效浇灌面积之间的关系，然后按照将来各影响因素的变化去预测相对应的农田有效浇灌面积；另一种为数据序列预测法，就是将各年度的农田有效浇灌面积数值作为延续的时光序列看待，可以认为农田有效浇灌面积的变化逻辑已经蕴含在数据序列之中，再采纳合适的办法对该序列在将来的取值举行预测。

在第一种计划中，首先需要确定详细影响农田有效浇灌面积变化的因素种类及其影响逻辑，另外还需要对各因素的将来变化举行预测。精确     地确定影响农田有效浇灌面积变化的各种因素本身就很有难度，各因素对有效浇灌面积影响逻辑的辨识也同样是一个比较复杂的问题，而预测各因素将来的变化更是一个几乎和预测农田有效浇灌面积难度相当的问题。在其次种计划中，首先需要建立起能够充分反映农田有效浇灌面积变化逻辑的预测模型，然后利用求取该预测模型在将来的输出值即可实现预测。两种计划相比，明显其次种计划更简单实现。因此，在以下讨论中采纳数据序列预测计划。

1.2预测办法的挑选

在数据序列的预测中，目前广泛采纳的办法有移动平均法、指数平滑法、线性回归法、灰色预测法、神经网络法和支持向量机办法等。这些办法中神经网络法和支持向量机办法从本质上来说更为适合应用于非线性预测问题。而农田有效浇灌面积所构成的数据序列是一个典型的非线性序列。明显在该讨论中采纳神经网络法和支持向量机办法较为合适。为了充分讨论这两种办法的适用性，以下对这两种办法举行对照分析。

2两种预测办法的理论基础及特性分析

2.1BP神经网络预测的理论基础及特性分析

在各类神经网络中，BP神经网络堪称最经典、使用最为广泛的一种神经网络[2，3]。

BP神经网络是误差反向传扬神经网络的简称。BP神经网络通常由1个输入层、若干隐含层和1个输出层组成，在每层中可以包括若干个神经元。各相邻层神经元之间多为全衔接方式，而同层神经元之间则无衔接[4]。各神经元间的衔接传递相应的权值，隐含层及输出层各神经元都有自己的阈值。BP神经网络作为一种前馈网络，具有前馈网络的个性。讨论表明，三层前馈网络就能够以随意精度靠近随意延续函数及其各阶导数[5]。对序列举行建模，从本质上来说就是获得序列的变化泛函，BP神经网络的函数靠近功能正巧可以实现此过程。

但BP神经网络也存在若干缺陷，其中比较突出的是网络结构的不易确定、易限于局部收敛和收敛速度慢。其中网络结构的不易确定是指在确定网络结构参数的过程中没有精确     的依据可以遵从。而局部收敛则对BP神经网络的函数靠近功能影响较大。

2.2支持向量机预测的理论基础及特性分析

3预测模型的建立

3.1样本数据的预备

从河南统计年鉴中收集了1986-2023年河南省农田有效浇灌面积的统计数据[10]。为了降低预测模型的复杂程度，采纳峰值法对这些数据举行了归一化处理。将归一化后的1986-2023年数据作为训练样本，2023年数据作为检验样本。

确定预测模型每次的输入样本中包含6个数据，即用延续6年的数据预测第七年的数据。据此可建立训练时的输入样本矩阵和输出样本向量。

3.2预测模型基本参数确实定与训练

1）BP神经网络基本参数确实定与训练。确定BP神经网络的隐含层数为1，输入层神经元数为6，输出层神经元数为1，隐含层神经元数为11。隐含层和输出层的激励函数分离采纳正切型Sigmoid函数和对数型Sigmoid函数。为了提升收敛速度，训练时采纳了Levenberg-Marquardt数值优化算法。

2）支持向量机基本参数确实定与训练。采纳Epsilon型支持向量机回归算法，经过多次实验，确定拉格朗日乘子上界为5，不敏感函数取值为0.00001，核函数采纳高斯型，高斯核函数的宽度取0.15。

4预测与分析

4.1两种模型预测能力对照

通过训练完毕的两种预测模型仿真预测1992-2023年的河南省农田有效浇灌面积并举行反归一化处理。反归一化后的各预测值、预测误差的肯定值和预测相对误差的肯定值见表1。从表1可以看出，支持向量机的各预测值与实际值更为临近，其预测误差的肯定平均值、预测相对误差的肯定平均值都远小于BP神经网络预测结果的对应参数。图1中的各预测数据也所有经过了归一化处理，从图1中1992-2023部分也可以看出，支持向量机的预测值基本和实际值重合在一起，而BP神经网络的预测值在一些地方则与实际值相差较大，说明基于支持向量机的预测模型泛化能力更强。通过这两种预测模型分离预测作为检验样本的2023年河南省农田有效浇灌面积，反归一化后的预测结果如表2和图1所示。从表2和图1可以看出，基于支持向量机的预测模型在检验样本处的实际预测精度也远高于BP神经网络，其预测误差仅为BP神经网络预测误差的11.8%。

4.2河南省“十二五”期间农田有效浇灌面积的预测与分析

实际上，预测结果是在现有条件的基础上从数据序列的角度举行的预测，假如在“十二五”期间，政府大幅增强水利行业的资金投入，终于的进展状况将会比该预测结果更好。

5小结

在对农田有效浇灌面积举行预测时，数据序列预测法比结构式预测法更为容易易行。在各种数据序列预测办法中，神经网络预测办法和基于支持向量机的预测办法更为适合农田有效浇灌面积的非线性变化逻辑。

讨论针对BP神经网络和支持向量机两种预测办法举行了对照分析。理论讨论表明，基于支持向量机的预测办法可以克服BP神经网络的诸多缺陷，具有优越性。