基于支持向量机优化粒子群算法的活立木材积测算

材积模型是编制立木材积表的关键,通常用经验材积方程来预测材积量。由于树木生长具有不确定性,传统的材积方程很难有效地对模型的复杂性和多样性做出测算,导致目前活立木材积测算的准确率较低。为了提高活立木材积的测算准确率,将粒子群(particle swarm optimization,PSO)算法引入到活立木材积模型中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将活立木胸径和树高数据输入到SVM中学习,将SVM参数作为PSO中的粒子,把活立木实测材积值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对活立木测算材积值进行模型测算并采用实测材积值验证。论文应用电子经纬仪与人工量测立木地径、胸径相结合的方法,通过软件计算求得400组树高、树干材积值;然后对300组数据集以活立木胸径和树高作为输入数据,材积为输出数据,采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用100组数据进行预测;最后引用经典Spurr材积模型算法、BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率最高,预测值与实测值间复相关系数达0.91,平均误差率为0.58%。

PSO嵌入SVM算法的活立木材积预报研究

为了建立立木材积模型,每年有数十万棵优质活立木被伐倒,这是一种破坏性较大的实验。应用光电经纬仪自动量测与手工量测活立木地径、胸径相结合,通过活立木材积计算软件批量计算,获得中林系107杨(Zhonglin aspens No.107)的胸径、树高、树干材积值400组数据集。采用粒子群算法嵌入支持向量机(PSO-SVM)建立了非线性智能活立木材积预报模型,并以400组实验数据集作为研究资料,随机抽选300组数据的胸径和树高作为输入值,材积为输出值,用MATLAB软件运行PSO-SVM工具箱,训练得到PSOSVM模型,用100组数据进行检验预测。研究表明,PSO-SVM算法模型预测值与实测值间复相关系数r为0.91,r值比Spurr二元材积模型计算值高出2%,平均绝对误差率提高0.44%。引用经典Spurr二元材积模型计算值和PSO-SVM模型预报值进行对比,认为将PSO算法引入到SVM参数优化中,使活立木材积预报具有自学习能力和自适应能力,PSO-SVM模型对样本数量要求较小、预报准确率高、学习速度快,具有很好的推广价值与应用前景。

全国参考作物腾发量及其主要影响因素演变趋势

基于地统计学普通克立格插值法,对全国631个基准、基本和一般地面气象观测站的ET0、气温、风速、相对湿度、太阳辐射、降雨量等影响要素,采用气候倾向率、分形、重标极差分析法、线性回归等方法对其进行分析。结果表明:在全国范围内ET0呈普遍下降趋势,宁夏、陕西、山西、东北等地区以0.01~28.61 mm/(10 a)速率升高,但增加趋势不显著;ET0的变化复杂性较小,在我国西部太阳辐射的变化复杂性大于降水量,我国东部反之;ET0与太阳辐射的Hurst指数均大于0.5,小于1.0,在未来时间内均保持与过去一致的变化趋势,黑龙江西部、内蒙古中部降雨量的Hurst指数均在0.5以下,降水量在未来一段时间内变化趋势与过去相反。

基于HHT变换的PSO-LSSVM耦合模型估算气象资料短缺地区ET0

为准确估算气象资料短缺地区参考作物腾发量,构建了一种基于HHT变换的PSO-LSSVM耦合模型,并利用新疆和田气象站2000—2009年单日数据做训练、双日数据做验证。结果表明,该模型估算ET0方法明显优于常规的PSO-LSSVM和GRNN,预测精度较二者分别提高了15.7%~85.6%和15.8%~93.7%;该方法预测ET0的气象要素重要性为Rs〉Tmax〉Tmin〉RH〉Wn,利用该方法对气象要素组合为Tmax/Tmin/RH/Wn、Tmax/RH/Wn、Tmin/Wn、Wn条件下的ET0预测,MSE分别为0.407、0.185、0.149、0.135,说明该方法可以很好地估算资料缺失地区ET0。