基于GA-CNN的农业旱灾恢复力及影响因素

为提高区域农业旱灾恢复力测度精度,构建基于遗传算法优化的卷积神经网络(convolutional neural networks optimized by genetic algorithm,GA-CNN)模型。以讷河市为研究区域,根据当地农业经济发展规律与水资源空间分布状况,选取11个农业旱灾恢复力表征指标,基于构建的GA-CNN模型精确测度研究区2010-2021年的旱灾恢复力,并采用熵值法对恢复力时间演变的关键驱动力进行解析。结果表明:研究时段内,讷河市农业旱灾恢复力在时间尺度上呈现先上升后下降再波动起伏的演变态势;森林覆盖率、单位面积粮食产量、人均水资源量等是影响研究区农业旱灾恢复力时程变化的主要驱动因子;研究构建的GA-CNN模型与传统CNN模型及SVM模型相比,平均绝对误差EMA分别降低了23.51%和32.36%,均方根误差ERMS分别降低了14.42%和25.32%,拟合优度R2分别增长了0.08%和1.08%,说明GA-CNN模型在拟合性、适配性、稳定性、可靠性以及评估精度等方面更具优势。研究成果可为区域农业旱灾恢复力测度提供一种更为可靠的新模型,也可为区域农业防旱减灾、应急管理等提供科学指导。