農(nóng)田有效灌溉面積的預(yù)測(cè)方法及應(yīng)用

Word版本，下載可自由編輯農(nóng)田有效灌溉面積的預(yù)測(cè)方法及應(yīng)用農(nóng)田有效澆灌面積指有固定水源、澆灌工程設(shè)施配套、土地平整、在普通年景下能夠舉行正常澆灌的耕地面積，包括機(jī)灌面積、電灌面積、自流澆灌面積和噴灌面積[1]。它是反映農(nóng)田水利建設(shè)和水利化的重要指標(biāo)，也是我國各地區(qū)制定水利進(jìn)展規(guī)劃的重要指標(biāo)之一。對(duì)農(nóng)田有效澆灌面積舉行預(yù)測(cè)可以為了解將來農(nóng)村水利基礎(chǔ)設(shè)施的建設(shè)情況提供有價(jià)值的參考信息，同時(shí)也可為相關(guān)部門合理制定行業(yè)進(jìn)展規(guī)劃提供理論支持。

1預(yù)測(cè)計(jì)劃確實(shí)定與預(yù)測(cè)辦法的挑選

1.1預(yù)測(cè)計(jì)劃確實(shí)定

農(nóng)田有效澆灌面積的變化受多方面因素的影響，比如政策、中央財(cái)政資金投入、地方財(cái)政資金投入、農(nóng)夫收入情況等。這些因素并不是孤立地對(duì)農(nóng)田有效澆灌面積產(chǎn)生影響，而是耦合在一起以非線性的方式影響農(nóng)田有效澆灌面積的變化。

農(nóng)田有效澆灌面積的預(yù)測(cè)有兩大類計(jì)劃：一種為結(jié)構(gòu)式的預(yù)測(cè)辦法，就是利用一定的方式建立起各主要影響因素與農(nóng)田有效澆灌面積之間的關(guān)系，然后按照將來各影響因素的變化去預(yù)測(cè)相對(duì)應(yīng)的農(nóng)田有效澆灌面積；另一種為數(shù)據(jù)序列預(yù)測(cè)法，就是將各年度的農(nóng)田有效澆灌面積數(shù)值作為延續(xù)的時(shí)光序列看待，可以認(rèn)為農(nóng)田有效澆灌面積的變化邏輯已經(jīng)蘊(yùn)含在數(shù)據(jù)序列之中，再采納合適的辦法對(duì)該序列在將來的取值舉行預(yù)測(cè)。

在第一種計(jì)劃中，首先需要確定詳細(xì)影響農(nóng)田有效澆灌面積變化的因素種類及其影響邏輯，另外還需要對(duì)各因素的將來變化舉行預(yù)測(cè)。精確?????地確定影響農(nóng)田有效澆灌面積變化的各種因素本身就很有難度，各因素對(duì)有效澆灌面積影響邏輯的辨識(shí)也同樣是一個(gè)比較復(fù)雜的問題，而預(yù)測(cè)各因素將來的變化更是一個(gè)幾乎和預(yù)測(cè)農(nóng)田有效澆灌面積難度相當(dāng)?shù)膯栴}。在其次種計(jì)劃中，首先需要建立起能夠充分反映農(nóng)田有效澆灌面積變化邏輯的預(yù)測(cè)模型，然后利用求取該預(yù)測(cè)模型在將來的輸出值即可實(shí)現(xiàn)預(yù)測(cè)。兩種計(jì)劃相比，明顯其次種計(jì)劃更簡單實(shí)現(xiàn)。因此，在以下討論中采納數(shù)據(jù)序列預(yù)測(cè)計(jì)劃。

1.2預(yù)測(cè)辦法的挑選

在數(shù)據(jù)序列的預(yù)測(cè)中，目前廣泛采納的辦法有移動(dòng)平均法、指數(shù)平滑法、線性回歸法、灰色預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)辦法等。這些辦法中神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)辦法從本質(zhì)上來說更為適合應(yīng)用于非線性預(yù)測(cè)問題。而農(nóng)田有效澆灌面積所構(gòu)成的數(shù)據(jù)序列是一個(gè)典型的非線性序列。明顯在該討論中采納神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)辦法較為合適。為了充分討論這兩種辦法的適用性，以下對(duì)這兩種辦法舉行對(duì)照分析。

2兩種預(yù)測(cè)辦法的理論基礎(chǔ)及特性分析

2.1BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的理論基礎(chǔ)及特性分析

在各類神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)堪稱最經(jīng)典、使用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)[2，3]。

BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳揚(yáng)神經(jīng)網(wǎng)絡(luò)的簡稱。BP神經(jīng)網(wǎng)絡(luò)通常由1個(gè)輸入層、若干隱含層和1個(gè)輸出層組成，在每層中可以包括若干個(gè)神經(jīng)元。各相鄰層神經(jīng)元之間多為全銜接方式，而同層神經(jīng)元之間則無銜接[4]。各神經(jīng)元間的銜接傳遞相應(yīng)的權(quán)值，隱含層及輸出層各神經(jīng)元都有自己的閾值。BP神經(jīng)網(wǎng)絡(luò)作為一種前饋網(wǎng)絡(luò)，具有前饋網(wǎng)絡(luò)的個(gè)性。討論表明，三層前饋網(wǎng)絡(luò)就能夠以隨意精度靠近隨意延續(xù)函數(shù)及其各階導(dǎo)數(shù)[5]。對(duì)序列舉行建模，從本質(zhì)上來說就是獲得序列的變化泛函，BP神經(jīng)網(wǎng)絡(luò)的函數(shù)靠近功能正巧可以實(shí)現(xiàn)此過程。

但BP神經(jīng)網(wǎng)絡(luò)也存在若干缺陷，其中比較突出的是網(wǎng)絡(luò)結(jié)構(gòu)的不易確定、易限于局部收斂和收斂速度慢。其中網(wǎng)絡(luò)結(jié)構(gòu)的不易確定是指在確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的過程中沒有精確?????的依據(jù)可以遵從。而局部收斂則對(duì)BP神經(jīng)網(wǎng)絡(luò)的函數(shù)靠近功能影響較大。

2.2支持向量機(jī)預(yù)測(cè)的理論基礎(chǔ)及特性分析

3預(yù)測(cè)模型的建立

3.1樣本數(shù)據(jù)的預(yù)備

從河南統(tǒng)計(jì)年鑒中收集了1986-2023年河南省農(nóng)田有效澆灌面積的統(tǒng)計(jì)數(shù)據(jù)[10]。為了降低預(yù)測(cè)模型的復(fù)雜程度，采納峰值法對(duì)這些數(shù)據(jù)舉行了歸一化處理。將歸一化后的1986-2023年數(shù)據(jù)作為訓(xùn)練樣本，2023年數(shù)據(jù)作為檢驗(yàn)樣本。

確定預(yù)測(cè)模型每次的輸入樣本中包含6個(gè)數(shù)據(jù)，即用延續(xù)6年的數(shù)據(jù)預(yù)測(cè)第七年的數(shù)據(jù)。據(jù)此可建立訓(xùn)練時(shí)的輸入樣本矩陣和輸出樣本向量。

3.2預(yù)測(cè)模型基本參數(shù)確實(shí)定與訓(xùn)練

1）BP神經(jīng)網(wǎng)絡(luò)基本參數(shù)確實(shí)定與訓(xùn)練。確定BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)為1，輸入層神經(jīng)元數(shù)為6，輸出層神經(jīng)元數(shù)為1，隱含層神經(jīng)元數(shù)為11。隱含層和輸出層的激勵(lì)函數(shù)分離采納正切型Sigmoid函數(shù)和對(duì)數(shù)型Sigmoid函數(shù)。為了提升收斂速度，訓(xùn)練時(shí)采納了Levenberg-Marquardt數(shù)值優(yōu)化算法。

2）支持向量機(jī)基本參數(shù)確實(shí)定與訓(xùn)練。采納Epsilon型支持向量機(jī)回歸算法，經(jīng)過多次實(shí)驗(yàn)，確定拉格朗日乘子上界為5，不敏感函數(shù)取值為0.00001，核函數(shù)采納高斯型，高斯核函數(shù)的寬度取0.15。

4預(yù)測(cè)與分析

4.1兩種模型預(yù)測(cè)能力對(duì)照

通過訓(xùn)練完畢的兩種預(yù)測(cè)模型仿真預(yù)測(cè)1992-2023年的河南省農(nóng)田有效澆灌面積并舉行反歸一化處理。反歸一化后的各預(yù)測(cè)值、預(yù)測(cè)誤差的肯定值和預(yù)測(cè)相對(duì)誤差的肯定值見表1。從表1可以看出，支持向量機(jī)的各預(yù)測(cè)值與實(shí)際值更為臨近，其預(yù)測(cè)誤差的肯定平均值、預(yù)測(cè)相對(duì)誤差的肯定平均值都遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的對(duì)應(yīng)參數(shù)。圖1中的各預(yù)測(cè)數(shù)據(jù)也所有經(jīng)過了歸一化處理，從圖1中1992-2023部分也可以看出，支持向量機(jī)的預(yù)測(cè)值基本和實(shí)際值重合在一起，而BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值在一些地方則與實(shí)際值相差較大，說明基于支持向量機(jī)的預(yù)測(cè)模型泛化能力更強(qiáng)。通過這兩種預(yù)測(cè)模型分離預(yù)測(cè)作為檢驗(yàn)樣本的2023年河南省農(nóng)田有效澆灌面積，反歸一化后的預(yù)測(cè)結(jié)果如表2和圖1所示。從表2和圖1可以看出，基于支持向量機(jī)的預(yù)測(cè)模型在檢驗(yàn)樣本處的實(shí)際預(yù)測(cè)精度也遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)誤差僅為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差的11.8%。

4.2河南省“十二五”期間農(nóng)田有效澆灌面積的預(yù)測(cè)與分析

實(shí)際上，預(yù)測(cè)結(jié)果是在現(xiàn)有條件的基礎(chǔ)上從數(shù)據(jù)序列的角度舉行的預(yù)測(cè)，假如在“十二五”期間，政府大幅增強(qiáng)水利行業(yè)的資金投入，終于的進(jìn)展?fàn)顩r將會(huì)比該預(yù)測(cè)結(jié)果更好。

5小結(jié)

在對(duì)農(nóng)田有效澆灌面積舉行預(yù)測(cè)時(shí)，數(shù)據(jù)序列預(yù)測(cè)法比結(jié)構(gòu)式預(yù)測(cè)法更為容易易行。在各種數(shù)據(jù)序列預(yù)測(cè)辦法中，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)辦法和基于支持向量機(jī)的預(yù)測(cè)辦法更為適合農(nóng)田有效澆灌面積的非線性變化邏輯。

討論針對(duì)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種預(yù)測(cè)辦法舉行了對(duì)照分析。理論討論表明，基于支持向量機(jī)的預(yù)測(cè)辦法可以克服BP神經(jīng)網(wǎng)絡(luò)的諸多缺陷，具有優(yōu)越性。