修正的BP神经网络森林火灾成灾面积预测研究

以1997—2012年《中国林业统计年鉴》的全国森林火灾成灾面积为依据,应用BP神经网络模型对成灾面积进行了预测,对预测方法进行了检验。在此基础上,利用残差提出了修正的BP神经网络模型,并对预测方法进行了改进。研究结果表明,修正的BP神经网络预测精度高于BP神经网络,预测相对误差平均为7.2%,可应用于森林火灾成灾面积的预测。

基于EEMD-LSTM的森林火灾成灾面积预测模型

森林火灾作为一种常见的自然灾害,影响因素众多,一旦发生将会造成严重损失。基于“分解-重构”的研究思路,采用集合经验模态分解EEMD对森林火灾成灾面积时间序列进行特征分解,将提取出的特征分量分别代入长短期记忆网络LSTM模型进行预测,由各分量的预测值叠加重构得到最终的森林火灾成灾面积预测值。选取我国1992—2017年的全国森林火灾成灾面积作为样本数据进行应用验证,结果表明,与单一BP和LSTM神经网络模型相比,本文所建EEMD-LSTM预测模型平均绝对误差MAE的预测性能分别提高了33.7%和41.8%,均方根误差RMSE的预测性能提高了28.8%和39.1%,预测精度明显优于另外2种模型,在森林火灾预报研究领域具有一定的应用价值。