基于QPSO-LSSVM的边坡变形预测

滑坡变形受外界影响因素作用的机理十分复杂,难以采用简单方法对其进行预测,因此建立快速准确的滑坡预测模型十分重要。采用比一般支持向量机(SVM)预测效果更好且计算速度更快的最小二乘支持向量机(LSSVM)方法,选用RBF核函数对边坡位移时序数据进行训练和预测,并引入量子粒子群算法(QPSO)对LSSVM模型参数γ和σ进行全局寻优,避免了人为选择参数的盲目性,提高了模型的预测精度。将优化模型应用于新滩滑坡和卧龙寺新滑坡的变形预测,并与传统的LSSVM、PSO-LSSVM模型进行预测精度及收敛性对比分析。结果表明,QPSO-LSSVM模型较传统方法在预测精度上有了明显提高,且收敛速度明显加快,说明QPSO-LSSVM模型在边坡位移时序预测中具有良好的应用价值。     

基于遗传支持向量机的城市扩张非线性组合模型

在分析当前城市扩张模拟模型优缺点的基础上,利用支持向量机能有效表达、拟合复杂非线性系统的功能,将多个单项城市扩张模型进行非线性组合,有机融合各单项模型优点,最后构建支持向量机的城市空间扩张非线性组合模拟模型。利用遗传算法优化支持向量机的参数,减小参数设置不合理对支持向量机建模精度引起的影响,有效提高支持向量机模型精度。通过分析组合模型误差和各参与组合的单项模型之间的关系,总结出提高支持向量机的城市扩张非线性组合模型精度的方法是：① 提高参与组合的各单项模型精度;② 增加单项模型之间的差异性。以长沙市为例,分别构建多元回归、GM(1,8)、BP网络和LS-SVM单项城市空间扩张模拟模型,并在此基础上建立线性组合城市扩张模型和遗传支持向量机非线性组合城市扩张模型。通过各模型精度对比分析证明,遗传支持向量机的城市扩张非线性组合模型精度远优于各单项模型,并且优于线性组合模型,是一种有效的城市扩张新模型。     

灰色系统在耕地预测中的应用——以芜湖市为例

提高耕地动态变化预测精度是土地规划工作中的一项重要内容。文章利用灰色系统理论的建模思想。根据芜湖市耕地统计资料历史变化特点，分时段建立灰色系统模型来对比分析和筛选。并结合残差辩识来提高预测模型的精度。同时，与一元线性回归模型相比较，验证GM（1，1）模型在耕地变化预测中的精确性与可靠性，并提出运用对比分析与综合分析选择模型的思想来优化GM（1，1）模型，为科学精确地进行耕地预测提供了理论基础。     

基于RS-SVM模型的滑坡易发性评价因子选择方法研究

为提高滑坡易发性评价的精度和准确性,利用粗糙集理论和支持向量机模型进行滑坡易发性评价因子选择。以三峡库区秭归到巴东段为研究区,首先通过相关分析和主成分变换对初始滑坡评价因子进行筛减与合并,将剩余的评价因子分为控制因素和影响因素,采用粗糙集理论分别对其进行属性约简,生成核因子集。然后,利用核因子集对支持向量机模型进行训练和预测,得到滑坡易发性评价结果,其预测精度和曲线下面积分别为76.9%和0.939。最后,将两种传统的对所有滑坡评价因子一同进行筛选的方法用于该研究区的滑坡易发性评价,并将传统方法与该方法的评价结果进行比较,结果表明,该文所提出的滑坡评价因子选择方法的精度和准确性均优于传统方法。     

我国耕地保有量的指数预测模型

为确保2010年1.2亿hm2的耕地保有量,根据我国近年耕地利用现状,构建我国耕地保有量的指数预测模型,基于我国耕地保有量现状进行分析预测;并从建设占用、耕地补充、生态退耕、农业结构调整和灾害损毁5方面进行单要素分析,在数值模拟的基础上提出高、中、低3种方案,针对如何保障我国“十一五”规划耕地保有量的实现,提出可供政府咨询决策的建议。     

哈萨克斯坦北部小麦遥感估产方法研究

以哈萨克斯坦北部雨养耕作区为研究靶区,基于春小麦产量统计数据和遥感光谱指数,开展了春小麦估产最优预测时期及植被指数分析,采用回归分析、随机森林、支持向量机及双向循环神经网络模型估算春小麦产量,并对比分析了不同模型的模拟精度.结果表明:北哈萨克斯坦州、阿克莫拉州和库斯塔纳州2007—2016年春小麦估产的最佳预测时期为6...     

县域耕地保有量目标约束机制及预测研究——以广西灌阳县为例

区域差异性导致各地耕地保护的目标不同,县域耕地保有量预测目标是否合理关系到区域和全局的耕地保护压力程度,影响着耕地保有量的合理预测,对有效遏止圈地现象至关重要。在耕地外部性特征基础上提出耕地保有量外部性连环效应,并据此效应建立县域耕地保有量预测目标约束机制;通过分析灌阳县在上轮规划耕地保护情况和耕地保有量现状,将灌阳县耕地保有量预测目标定位为耕地均量动态平衡;预测规划目标年灌阳县耕地保有量目标及相关单项指标。     

基于主成分和机器学习的土壤有机质含量空间预测建模

协同环境变量与机器学习回归模型构建土壤有机质空间预测组合模型对养分精准管理具有重要意义,而多维变量间的信息冗余和相关性会导致模型训练时间过长、预测精度降低等问题。以陕西省咸阳市农耕区为例,选取高程、坡向、坡度、剖面曲率、平面曲率、地形起伏度、地形湿度指数、年均降水量、年均气温、归一化植被指数共10个环境变量,在主成分分析(Principal compo-nent analysis,PCA)、核主成分分析(Kernel principal component analysis,KPCA)方法特征提取基础上,组合随机森林(Random forest,RF)、支持向量回归机(Support vector regression,SVR)、K最近邻(K-nearest neighbor,KNN)机器学习模型进行土壤有机质含量空间预测。以单一模型作为对照,通过计算模型决定系数(Coefficient of determination,R~2)、均方根误差(Root mean square error,RMSE)和相对绝对误差(Relative absolute error,RAE),对不同模型的预测结果进行精度评价。结果表明:利用主成分提取方法和机器学习算法构建组合模型能消除变量间相关性,一定程度上提高土壤有机质含量预测模型精度。KPCA-RF模型对SOM含量预测精度高于其他模型,R~2、RMSE、RAE分别为0.791、1.970 g·kg~(-1)、50.100%,该模型良好的预测能力可以为土壤有机质含量的空间预测与制图提供科学依据。     

基于表观电导率与实测光谱的干旱区湿地土壤盐分监测

以新疆艾比湖滨盐渍化土壤为对象,利用磁感应电导仪和光谱仪测得的盐渍土表观电导率和可见光/近红外光谱数据,选取与EM38解译的土壤盐分相关性最好的光谱变换形式和特征波长,分别建立多元逐步回归、偏最小二乘回归和支持向量回归的土壤盐分监测模型。结果表明：（1）表观电导率两种模式相结合建立的盐分含量解译模型的拟合优度达到0.91,即在该区域内电磁感应技术可用于土壤盐分含量的间接监测。（2）一阶微分处理优于二阶微分,经一阶微分变换后的光谱可以较好地预测土壤盐分含量。（3）3种建模方法中,支持向量回归的建模精度最高,偏最小二乘回归和多元逐步回归次之。干旱区湖滨湿地土壤盐分含量的估测模型宜选取基于平滑后的原始一阶微分光谱数据建立的支持向量回归模型。     

基于灰色广义回归神经网络模型的城市耕地面积预测

为提高原始数据呈非线性、随机性变化、样本量较小时城市耕地面积的预测精度,将无偏GM(1,1)模型与广义回归神经网络相结合,建立了基于灰色广义回归神经网络的城市耕地面积预测模型,并将其应用于平顶山市耕地面积预测,结果表明该模型精度高,具有一定的应用价值。     

不完备样本条件下基于支持向量回归模型的滑坡易发性评价

区域滑坡易发性评价对灾害中长期预测预报具有重要意义,在基于统计模型进行评价过程中,样本选取对评价结果有较大影响,构建较稳健的、受样本数量影响小的分析模型非常重要。本文以马来西亚热带雨林地区为例,选择坡度、坡向、地表曲率、地貌类型、岩性、构造、土地覆盖、道路和排水系统等9大要素作为评价因子,结合支持向量回归(SVR)模型计算研究区滑坡易发性指数,并探讨不完备样本条件下易发性评价方法,分析样本数量和评价精度之间的关系。结果显示,基于SVR模型进行该区滑坡易发性分析评价,其成功率验证法的描述精度约为95.9%;同时,样本数量的增减对分析精度影响较小;SVR方法是一种适于热带雨林地区高植被覆盖条件下的分析模型,可为今后同类地区的滑坡灾害管理工作提供支持。     

组合预测模型在女性呼气高峰流量参考值地理分布研究中的应用

随着地理学的发展以及人们对健康问题的日益关注,医学地理学得到迅速发展。鉴于目前医学参考值制定时仍存在忽略地理因素的影响,本文收集中国各地3809 例健康成年女性呼气高峰流量参考值,分析地理因素对其的影响,计算不同地区参考值的数值差异,探究地理因素对医学参考值产生影响的机理,其中,纬度、海拔高度、年平均气温、年平均相对湿度、年降水量、表土砂砾百分率、表土参考容量共7项地理因素存在显著的相关性。利用ArcGIS中的Moran's I指数对数据进行分析,确定数据与空间及地理因素存在关系。并通过岭回归分析,建立回归方程,并进行插值。研究结果表明,中国健康成年女性肺部呼气高峰流量与纬度与海拔、气候、土壤等地理因素之间存在着显著的关系,同时证明,岭回归与支持向量机组合模型的地理分布差异预测结果优于单独预测方法。     

基于机器学习模型的海河北系干旱预测研究

提高干旱预测精度能为流域干旱应对及风险防范提供可靠数据支撑,构建比选合适的干旱模型是当前研究的热点。研究以4个时间尺度（3、6、9、12月）标准化降水指数（SPI）为表征指标,利用小波神经网络（WNN）、支持向量回归（SVR）、随机森林（RF）三种机器学习算法分别构建了海河北系干旱预测模型,利用Kendall、K-S、MAE三种检验方法判定模型表现及其稳定性。研究表明：（1） WNN、SVR模型呈现结果在不同时间尺度SPI存在差异,WNN最适合12个月尺度SPI干旱预测;SVR最适合6个月尺度SPI干旱预测。（2） 对3、12个月尺度SPI,RF预测性能最优（Kendall>0.898,MAE<0.05）;对6、9个月尺度SPI,SVR预测性能最优（Kendall>0.95,MAE<0.04）。（3） 模型预测性能稳定性存在区别,RF预测稳定性最高,其次为SVR。（4） 构建的三种模型表现异同主要是因为SVR转为凸优化问题解决了WNN易陷入局部最优解的不足,从而提高了模型预测性能,RF集成多样化回归树,降低了弱学习器的负面影响,提高了模型预测准确率及稳定性,同时,RF处理包含噪声的降水数据的能力更强。     

基于变权组合预测模型探讨中国煤炭需求(英文)

变权组合预测是对各个单项预测模型在各时点上赋予适当权重进行组合,而权重是随预测时间变化的函数。该方法具有较高的预测精度和预测稳定性,能比较合理地描述系统的客观现实。本文依据1981-2008年的中国煤炭需求历史数据及对煤炭需求的影响因素,分别建立灰色系统、多元回归两个单项预测模型,构建了中国煤炭需求的变权组合预测模型,对中国未来12年煤炭需求进行了预测。     

高速铁路地基黄土湿陷性评价中的ANFIS方法

文章收集郑西高速铁路地基黄土典型湿陷性试验资料(包括现场大型浸水试验及室内试验),以影响黄土湿陷系数主要因素为基础,运用MATLAB建立黄土湿陷系数的自适应神经网络模糊推理系统(ANFIS)预测模型。通过对样本的训练和预测,表明该模型预测结果与实际黄土湿陷系数十分接近。用多元线性回归法对这些非母体样品进行预测检验,经过对比ANFIS法优于多元线性回归法,证明ANFIS法是一种比较理想的预测方法。     

基于客源地的聚类-ARIMA模型的短期旅游需求预测--以天津欢乐谷主题公园为例

大多数旅游需求预测研究是基于目的地游客总数或消费总量开展的,尚未按不同的旅游目的或客源地细分进行预测.以天津欢乐谷主题公园为案例地,选择2014年第40周到2015年第26周为研究时段,利用通信大数据,提出了一种面向客源地的聚类-ARIMA组合预测模型.通过对不同客源地的时序数据进行聚类,选取各类别中的代表性客源地分别构建ARIMA预测模型.结果表明:对欢乐谷主题公园各客源地分别建模与聚类后通过6个代表客源地建模得到的结果一致;后者可以降低80%的预测成本.该方法具有较高的预测精度和较低的计算成本,适合面向客源地的短期旅游需求预测,可为旅游目的地提供更具针对性的旅游需求管理、分析与决策支撑.     

GM（1，1）优化模型在滑坡预测预报中的应用

灰色模型在社会科学、自然科学的许多方面已得到广泛的应用，并取得了一系列重大成果。在斜坡(滑坡)地质灾害研究方面，灰色模型多用于斜坡(滑坡)变形的中长期预测预报，且精度较高；但对滑坡短临预测预报精度较差，甚至不能适用，有待改进。滑坡变形预测预报的实际算例表明，以优化灰色模型背景值为基础的优化GM(1，1)模型。具有对建模结果进行优化的能力，即能用于斜坡变形的中长期预测预报，又能适于滑坡短临预测预报。且都能获得较高的模拟和预测精度。应用传统线性GM(1，1)模型和非线性Verhulst模型进行对比分析，检验了优化GM(1，1)模型的正确性和较广泛的适用性。     

基于多光谱遥感的典型绿洲棉田春季土壤盐分反演及验证

为探索快速提取典型绿洲棉田土壤盐分的有效方法,获取区域尺度的土壤盐渍化特征及空间分布,进而为土壤盐渍化防治提供参考。以新疆兵团农二师31团为研究区域,2019、2021年春季Landsat 8 OLI多光谱影像和野外实测土壤含盐量为数据源,将波段组、光谱指数组和全变量组作为模型输入变量组,采用多元逐步回归（Multiple stepwise regression, MSR）、偏最小二乘回归（Partial least squares regression, PLSR）、极限学习机（Extreme learning machine, ELM）、支持向量机（Support vector machine, SVM）和BP神经网络（Back propagation neural network, BPNN）构建基于3个输入变量组的土壤盐分遥感反演模型,探究输入变量和建模方法对模型精度的影响效果,通过对比确定春季土壤盐分最优反演模型,定量反演地表土壤含盐量。结果表明：（1） 研究区主要为非盐化土和轻度盐化土,总样本变异系数为0.67,呈中等变异性;光谱反射率与土壤盐渍化程度的关系表现为土壤盐渍化越重,光谱反射率越高。（2） 海岸波段（b1）、蓝波段（b2）、绿波段（b3）、红波段（b4）和盐分指数（SI1、SI2、SI3、SI4、S3、S4、S5）均通过显著性检验P<0.01,相关系数均达到0.4以上。（3） 所有模型中,基于全变量组建立的BPNN反演模型精度最高,建模集R²为0.705;验证集R²为0.556。（4） 由反演结果可知,2019、2021年春季耕作区土壤主要为非盐化土,分别占耕作区总面积的55.55%和64.62%,其次为轻度盐化土,分别占44.31%和35.17%;2021年土壤盐渍化程度较2019年有所减轻。     

多种机器学习模型对不同洪水类型特征指标模拟效果评估

洪水过程的特征指标不仅包括洪水量级,还包括时间、形态、动力学等指标。现有模型和方法重点关注洪水量级指标的模拟,对其他指标的模拟仍有待深入。如何实现对洪水过程所有特征指标的模拟已成为目前洪水预报的技术瓶颈。论文采用4种机器学习模型(多元线性回归、多层感知器、随机森林和支持向量机)对淮河上游长台关流域59场降雨—洪水场次7个特征指标(洪水总量、洪峰流量、洪水历时、洪峰时间偏度、高流量历时占比、涨洪和落洪速率)进行模拟,评估不同模型对不同洪水类型和特征指标的模拟效果。结果显示：(1)长台关流域洪水过程可分为3类,第1类洪量中等、历时长且洪峰出现时间偏前(16场);第2类洪量低、形态矮胖且洪峰出现时间靠后(34场);第3类洪量大、涨落水迅速、形态尖瘦(9场)。(2)时间指标模拟效果最优,动力学指标模拟效果最差。多元线性回归和随机森林模拟效果随所有特征指标数值的增加而增强;支持向量机的模拟效果随着洪水历时指标数值的增加而降低,随着其余特征指标数值的增加而增强;多层感知器模拟效果随着洪水总量、洪峰流量、高流量历时占比和涨洪速率等指标值的增加而增强。(3)从各类型洪水特征模拟精度来看,4种模型对第3...