基于RBF神经网络的城市建成区面积预测研究——兼与BP神经网络和线性回归对比分析

城市建成区面积预测是城市研究的一个核心问题,其与城市经济社会之间表现为一种复杂的非线性关系,传统的方法模型难以精确预测。作为一种较新的人工神经网络模型,RBF神经网络能以任意精度全局逼近任意非线性关系,表现出了极强的处理复杂非线性系统的能力。以合肥市建成区面积预测为例,构建了基于RBF网络的预测模型,作为对比,同时用BP神经网络、一元线性回归和多元线性回归模型进行了预测。预测结果的综合分析表明,在预测精度上,RBF网络＞BP网络＞多元线性回归模型＞一元线性回归模型。研究显示,RBF网络能为城市建成区面积预测提供一种新思路和新方法,进而可为城市土地利用及其规划制定提供科学的决策依据     

BP神经网络在城市建成区面积预测中的应用——以江苏省为例

城市建成区规模的迅速扩张是目前江苏省土地利用变化中的一个显著特点，其面积从1985年的426 km2扩大到2003年的2 200 km2，平均年增加98.56 km2。城市建成区规模的扩张受到社会、经济、人口等多种因素的影响，用传统方法对其进行预测比较困难。鉴于BP神经网络在非线性领域预测中的广泛应用，以江苏省为研究对象，构建一个11-3-1结构的BP神经网络预测模型，以1985~2001年和2002年的相关数据作为模型的训练和测试样本，以2003年的社会、经济数据作为网络的预测输入，对该年的建成区面积进行预测。结果表明，BP神经网络预测结果与实际面积的相对误差为3.96%，其预测精度与多元回归预测模型相比有较大改善。     

基于神经网络的土壤重金属预测及生态风险评价

采用单隐层RBF神经网络模型预测土壤重金属Cr、As、Ni、Pb、Zn 5种元素的含量,实测35组数据做为训练数据,另用6组做验证数据,该模型是以利用采样的10组数据预测其后的连续5组数据,输入层的神经元个数是10,输出层是5,隐含层的传递函数为径向基函数radbas,输出层的传递函数为线性函数Purelin,其结果表明:采用RBF神经网络模型预测有较高的精度。通过多元统计分析采样样品与预测样品,研究区域As、Ni、Zn的均值超过了上海市土壤环境背景值,As元素达到高度变异,Pb、Zn、Ni 3种元素达到中度变异。通过因子分析,前2个因子基本包含了全部元素变量的主要信息,第1因子中载荷最高是元素Ni(0.946),第2因子中则为元素As(0.930)。通过潜在生态风险指数评价,研究区域整体呈轻度生态风险水平。采用RBF神经网络模型可以降低采样分析成本,更好的评价区域土壤重金属的生态风险。     

城市脆弱性动态演变的模拟预测研究

对城市脆弱性的动态演变进行模拟预测可以得到城市脆弱性的未来发展趋势和水平,由此为调控城市脆弱性、为制定城市可持续发展政策提供科学的决策依据。遵循"测度、降维、预测"的总体技术路线,首先从城市经济、社会和环境3个方面定量测度城市脆弱性指数(UVI),其次利用相关系数分析法提取影响UVI的主导指标因素,最后构建预测模型并优选出精度最高的模型用于预测。以合肥市为实证,对其城市脆弱性动态演变进行了模拟预测,研究表明:1998-2012年,合肥UVI总体上呈下降趋势,但在2011年发生突变反弹,从2010年的0.276 8增加到2011年的0.506 6,增加了83.02%;影响合肥UVI的主要有6个指标因素;以这6个主导指标为基础,分别构建SLR、MLR和RBF神经网络预测模型,SLR、MLR和RBF神经网络模型的预测相对误差分别为6.61%、4.64%和1.89%,综合对比分析表明RBF神经网络模型的预测精度最高;利用RBF预测模型得到合肥2013-2017年的UVI,结果显示合肥2015年的UVI为0.284 3,和2010年的UVI(0.276 8)基本持平,由此表明,只要6个主导指标能保持目前的发展趋势,合肥UVI将重新回到2011年发生突变反弹前的水平和状态。研究显示,RBF神经网络能为城市脆弱性动态演变的模拟预测提供一种新思路和新方法,进而为完善城市脆弱性研究体系和类似城市的相关研究提供参考借鉴。     

基于组合模型的能源需求预测

能源是人类生存和发展的重要物质基础,也是当今国际政治、经济、军事、外交关注的焦点。能源需求预测是合理制定能源规划的基础。能源需求预测的模型很多,总的来说,可以分为单一模型预测和组合模型预测。本文在分析几种常用单一模型的优缺点和适用范围的基础上,建立BP神经网络与灰色GM的优化组合模型,对江苏省未来十五年煤炭和石油的需求量进行预测。结果表明:①随着经济的发展,未来江苏省对煤炭和石油的需求量逐渐增加,其中煤炭从2008年的19 601.39万t标准煤增加到2020年的25 615.26万t标准煤,年均增长率为1.81%;石油从2008年的2 628.64万t标准煤增加到2020年的3 532.60万t标准煤,年均增长率为1.36%;②基于BP网络与GM(1,1)的组合模型克服了单一模型的缺点,实现了优化组合模型"过去一段时间内组合预测误差最小"的原则,且预测结果误差较小,不仅适用于能源的中长期预测,还可以推广到其他领域。     

基于循环神经网络的洞庭湖水位预测研究

洞庭湖流域分布了3个重要的自然保护区,是我国大型淡水湖泊湿地系统之一,生态资源丰富.水位是维持其生态系统结构、功能和完整性的基础.为预测长江和流域"四水"来水组合影响下的洞庭湖水位变化,该文采用两种循环神经网络方法——长短期记忆(LSTM)和门控循环单元(GRU),构建了洞庭湖水位变化的预测模型.LSTM和GRU的优势在于能够学习网络的输入和输出之间的长期依赖关系,这对于模拟受上游来水影响的水位累积变化至关重要.模型以湘江、资水、沅江、澧水入湖流量和长江干流宜昌站前期流量作为输入条件,预测洞庭湖不同湖区的水位变化过程.利用1980～2002年水位流量时间序列数据对模型进行测试,2003～2014年数据进行验证,并对两种模型的预测结果进行了比较.结果表明:(1)循环神经网络LSTM和GRU方法均可合理预测洞庭湖水位的变化过程,NSE和R2均为0.91～0.95,各站水位预测的RMSE值为0.41～0.86 m,NSE和R2均为0.91～0.95;(2)LSTM的预测精度稍高于GRU,但GRU计算更高效,是LSTM一个很好的替代方案;(3)模型能够较准确的模拟一次洪水事件,洪水位的预测值与真实值的最大相对误差低于5％;且模型具有较好的多步长时间序列预测能力,有在水文模型应用方面的潜力.     

土地整治区典型林地土壤贮水量预测方法比较

在长期田间试验基础上，分别利用数值模拟方法（Numerical Simulation，NS）和人工神经网络（Artificial Neural Network，ANN）模型构建江南平原土地整治区典型林地的土壤水分运动模型，并对土壤贮水量进行预测。[JP2]NS模型校正结果表明，该模型虽能较好地预测林地土壤含水量动态变化，但是NS模型对训练期和验证期0~60 cm[JP]土层贮水量预测的均方根误差（Root Mean Square Error，RMSE）分别为1109和829 mm，而ANN预测的RMSE分别为417和408 mm，说明ANN的预测效果好于NS模型。最后，敏感性分析结果表明ANN预测精度对输入参数的敏感程度由高到低依次为：前期土壤贮水量>降水量>最高气温>最低气温     

土地利用规划中建设用地预测方法比较

为探索提高建设用地预测精度和预测方法比较,该文运用多元线性回归模型、GM(1,1)模型和BP神经网络模型对晋城市建设用地进行预测,预测结果说明三种模型的平均相对误差和预测精度均存在一定差异。研究表明:建设用地预测中应结合数据本身的特点和数据收集的难易程度选择不同模型;多角度多方法进行预测比较,可得到预测精度较高的预测结果;对于建设用地预测方法比较,可以从模型本质特性、数据采用形式和数据获取难易程度等7个方面进行综合比较。该研究为科学选择建设用地预测方法、探索预测方法比较提供一种思路,为土地利用规划修编和土地资源可持续利用提供科学依据。     

基于GF-1号遥感影像的武汉市及周边湖泊综合营养状态指数反演

湖泊水体富营养化的监测评价是湖泊水资源管理和水环境保护的基础性工作。基于GF-1号WFV遥感影像和综合营养状态指数法,通过82个站点实测数据建立多元线性回归和RBF神经网络模型,对武汉市及其周边地区主要湖泊综合营养状态指数进行了反演。反演的结果显示,武汉市及周边大部分湖泊水域处于轻度富营养和中营养状态,局部湖区为中度富营养状态。验证结果表明:GF-1号WFV多光谱数据用于监测大面积湖群水质变化是可行的;两种模型都可以建立实测数据与遥感信息的函数关系,根据函数可以反演湖泊水质综合营养状态指数,进而实现大面积湖泊水质动态监测;而RBF神经网络模型预测的R2为0.742 3,均方根误差为3.72,其反演精度更高,更适合于监测内陆湖泊水质变化。     

基于高斯过程回归模型的洪涝灾害损失预测研究——以重庆市为例

快速准确的预测洪涝灾害各项损失是开展洪涝灾害应急管理工作的基础，而预测技术和方法则是洪涝灾害损失预测的核心与关键。从灾害风险构成因素和数据易获取性2方面构建了洪涝灾害损失评估指标体系，分别从致灾因子、孕灾环境、承灾体和应急能力4个方面选取了13项损失评估输入指标，提出基于高斯过程回归模型的洪涝灾害损失预测方法，并应用于重庆市洪灾受灾人数、农作物受灾面积和直接经济损失的预测。实例表明，高斯过程回归方法对上文提到的3种损失情况预测结果的残差平方和分别为0.99、0.1、12.67，拟合精度分别达到99.85%、99.97%、96.1%，相较于多层感知器神经网络和支持向量机等方法更具优越性。     

三峡库区草堂河流域土壤pH空间分布预测制图

以三峡库区草堂河流域为研究区,利用网格布点,共采集102个土壤样点,分析测定土壤的pH值,结合成土母质和地形等10个环境因子,以样点总数的85%作为训练集进行预测模型构建,15%作为验证集检验模型精度,利用随机森林(Random Forest, RF)模型对研究区土壤pH进行空间分布预测并制图。结果表明:土壤pH与谷深、坡长呈显著正相关,与海拔、距河网垂直距离、坡高呈显著负相关。三叠系大冶组灰岩发育的土壤pH值高于三叠系须家河组石英砂岩发育的土壤pH值。基于环境因子的RF预测模型,平均绝对误差(MAE)为0.47、均方根误差(RMSE)为0.59、决定系数(R~2)为0.85,能解释研究区土壤pH值85%的空间变异。对土壤pH值产生主要影响的环境因子为成土母质和海拔。可见,基于环境因子的RF预测模型,预测精度高,可以作为土壤pH空间分布预测的有效方法,能为流域尺度下其他土壤属性的空间分布预测提供依据和借鉴。     

改进的最优组合人口预测模型及其应用

人口预测是编制土地利用总体规划的基础性研究工作,区域人口发展规模和数量是土地利用总体规划中确定各类用地控制指标和调整土地利用结构的重要依据。因此,科学准确地预测人口发展,是制定区域土地利用总体规划的基础。在分析各种人口预测模型的基础上,提出了一种改进的最优组合模型。并以湖南省张家界市永定区人口预测为例,利用改进的最优组合模型进行了人口模型预测,并与现有的线性回归模型、灰色系统GM(1,1)模型、logistic 模型、最优组合模型的预测结果进行了对比分析。结果表明,提出的改进的最优组合模型预测结果准确可靠,有利于土地管理的科学决策,是适宜于区域土地利用规划中总人口预测的一种较好的方法。     

中国工业化、城市化进程中的能源需求预测与分析

为了取得可靠的能源需求预测,本文引入工业化、城市化等重要因素,利用支持向量回归机在时间序列预测中的优势,确定了输入向量集合和输出向量集合,建立基于支持向量回归机能源需求预测模型.将我国1985-2009年能源需求相关数据进行模拟与仿真,并对中国2010-2020年能源需求量进行预测,并模拟解释变量不同增长率下能源需求的演变并给出政策选择.研究结果表明,中国高速的经济增长以及工业化和城市化的发展对能源需求影响很大,到2020年能源需求将达到45.3亿t标准煤,而且经济增长速度越快对能源需求就越大.变量模拟得出的结论是产业结构也是能源需求重要影响因素之一,工业结构的调整,即便是微调,也会对能源需求有很大的抑制作用;中国城市化进程以及城市化发展阶段所表现出的工业化特征,推动了能源需求快速增长,城市化率越高对能源需求越大,且对能源需求是刚性的,城市化也是能源需求重要影响因素之一.     

基于粗糙集和BP神经网络的流域水资源脆弱性预测研究——以淮河流域为例

水资源是一种重要的自然资源和经济资源,对其未来的脆弱性进行预测可以预估研究区未来的水安全状况,对其脆弱性问题做出预警,从而及时采取治理措施。因此,合理科学的水资源脆弱性预测研究是缓解水资源脆弱性的有效手段。目前,水资源脆弱性研究主要是针对水资源现状进行评价,对其未来状况的预测较少。集成了粗糙集和BP神经网络两种方法,首先采用改进了的盲目删除法对构建的流域水资源脆弱性评价指标体系进行约简,其次通过BP神经网络拟合约简后的指标数据与脆弱度之间的映射关系,构建流域水资源脆弱性评价预测模型。基于之前研究的样本数据和脆弱性结果,探讨淮河流域未来的水资源脆弱性状况。结果表明:淮河流域2015年、2020年和2025年的水资源脆弱度分别为0.305、0.359和0.390,处于轻度脆弱和中度脆弱的状况,除2015年脆弱性状况有所好转以外,2020年和2025年的水资源脆弱性程度与近几年相比有所加剧,根据指标数据可知该现象主要是受年降水量、人均用水量、万元GDP废水排放量、垦殖指数、有效灌溉面积比和干旱面积受灾比6个指标的影响,为避免水资源脆弱性的加剧,应当有针对性的加强这几个方面的管理和控制。     

基于BP神经网络的鄱阳湖水位模拟

考虑到鄱阳湖水位受流域五河与长江来水等多因素的共同作用而表现出高度非线性响应,采用典型的三层BPNN神经网络模型来模拟鄱阳湖水位与其主控因子之间的响应关系。分别将湖口、星子、都昌、棠荫和康山水位作为目标变量进行BPNN模型构建和适用性评估。结果显示：综合考虑流域五河及长江来水（汉口或九江）的BPNN水位模型,空间站点水位模拟精度（R2和Ens）可达090以上,各站点的均方根误差（RMSE）变化范围约050～10 m,若忽略长江来水的影响作用,仅将流域五河来水作为湖泊水位的主控影响因子,模型训练期与测试期的纳希效率系数（Ens）和确定性系数（R2）显著降低,且低于050,均方根误差（RMSE）也明显增大（124～288 m）,意味着综合考虑流域五河与长江来水是获取结构合理、精度保证的鄱阳湖水位模型的重要前提。同时建议针对鄱阳湖湖盆变化对水位的影响,尽可能选择一致性较好的长序列数据集来训练和测试BPNN模型。所构建的BPNN神经网络模型可进一步结合流域水文模型,用来预测气候变化与人类活动下流域径流变化对湖泊水位的潜在影响,也可作为一种有效的模型工具来回答当前鄱阳湖一些备受关注的热点问题,如定量区分流域五河与长江来水对湖泊洪枯水位的贡献分量,为湖泊洪涝灾害的防治和对策制定提供科学依据     

基于高光谱遥感和HJ 1卫星的冬小麦SPAD反演研究

冬小麦SPAD（Soil and Plant Analyzer Development）是评价其健康状况的重要农学参数,传统监测方法效率较低,旨在将田间监测和遥感技术相结合,探讨我国江汉平原地区冬小麦SPAD的遥感监测方法。研究选取湖北省潜江市后湖管理区为研究区域,利用ASD Fieldspec 3地物光谱仪和SPAD 502叶绿素仪在田间采集冬小麦冠层光谱和叶片SPAD,选取4种植被指数与叶片SPAD进行回归分析并构建预测模型。经模型精度检验,NDVI较适合对该地区冬小麦SPAD反演。然后将NDVI SPAD反演模型与HJ 1卫星影像相结合,进行研究区域的冬小麦SPAD反演,通过比较HJ 1卫星影像反演SPAD与田间实测值,经分析均方根误差（RMSE）为632。结果表明,利用NDVI植被指数模型能够较好进行研究区内冬小麦SPAD反演。实现了从地面监测到卫星遥感不同尺度的冬小麦SPAD反演,为大面积冬小麦SPAD监测提供技术和方法     

长江上游月降水人工神经网络预测模型

长江上游月降水量预测对于三峡库区及整个长江流域水资源管理具有重要意义。根据长江上游不同气候区降水差异，选取玉树、九龙和宜宾3个代表性气象站点近60 a的月降水量数据，运用反向传播神经网络、径向基函数神经网络、广义回归神经网络和多元线性回归法，确定降水时滞和降水月份，建立月降水预测模型，来预测未来一个月的降水量，并采用均方误差和判定系数来验证和对比各种模型的模拟效果。结果显示：人工神经网络模型总体上优于多元线性回归，特别是反向传播神经网络的模拟结果各站表现较好，在确定合理的输入变量和网络结构后，可以尝试作为长江上游各站月降水预测模型。〖     

基于辅助变量和神经网络模型的土壤有机质空间分布模拟

为快速准确获取省域尺度下土壤有机质的空间分布状况。以江西省2012年测土配方施肥项目采集的16 582个耕地表层(0~20 cm)土壤样点数据,借助四方位搜索法、地统计学和遥感影像分析技术提取环境因子和邻近信息作为辅助变量,构建基于地理坐标与辅助变量的BP神经网络模型和普通克里金法结合的方法(BPNN_OK)、基于地理坐标与辅助变量的RBF神经网络模型和普通克里金法结合的方法(RBFNN_OK)和普通克里金法(OK法)3种方法,模拟省域尺度下耕地表层(0~20 cm)土壤有机质的空间分布。对2 416个验证样点进行独立验证的研究结果显示:基于辅助变量的神经网络模型较普通克里金法有较大提升。BPNN_OK法对土壤有机质预测结果的均方根误差、平均绝对误差、平均相对误差较OK法分别降低了2.76 g/kg、2.34 g/kg、9.83%,RBFNN_OK法较OK法分别降低了2.70 g/kg、2.29 g/kg、9.61%。研究显示,基于辅助变量的神经网络模型与OK法结合的方法明显地提高了土壤有机质空间分布模拟精度,并且存在改进和提高的空间。     

基于EMD-PSO-SVM误差校正模型的国际碳金融市场价格预测

国际碳金融市场价格预测是制定碳金融市场政策和提高风险管理能力的基础。近年来国际碳市场价格呈现出非平稳、非线性等不规律特性,传统应用于社会经济时间序列的统计模型已经越来越难以满足日渐复杂的社会经济系统的需要。基于此本文建立了基于经验模态分解(EMD)-粒子群算法(PSO)-支持向量机(SVM)的国际碳金融市场价格误差校正预测模型。数据选取2008年3月-2013年9月ICE碳排放期货交易所的CER期货(DEC12)和EUA期货(DEC12)的日交易结算价格作为考察样本进行仿真验证。结果显示:①引入EMD方法可以有效解决误差序列随机性强、相邻频带的干扰可能造成误差序列无法体现反映全部系统动力信息的缺陷;②校正后的预测值与误差预测值的趋势具有较高的一致性,预测结果滞后性和拐点误差大的问题得到了很好的解决;③预测结果较其他常用的国际碳金融价格预测模型进行了比较分析,预测精度有了明显提高。本研究提出的预测模型可以为我国针对目前国际碳价格市场所呈现的波动特征下的碳金融市场价格预测提供新的方法和借鉴。     

基于ARIMA和BP神经网络组合模型的我国碳排放强度预测

预测我国碳排放强度的长期变动趋势, 对国家进行宏观经济管理和节能减排工作具有重要的参考价值。运用深入分析自回归移动平均模型和神经网络的特性，并在此基础上建立ARIMA模型和BP神经网络组合模型，将碳排放强度的时间序列的数据结构分解为线性和非线性残差部分，对我国碳排放强度的变化趋势进行了综合分析与预测。结果显示:今后10 a我国碳排放强度总体是逐步下降的，但到2020年我国碳排放强度仅比2005年下降34%，比我国政府提出碳排放强度下降40%~45%的目标还有一定的差距。因此，要在2020年实现我国碳排放强度目标，必须要调整宏观经济政策，采取各种政策措施以实现目标