基于KPCA-SSA-BP的農(nóng)業(yè)氣象災(zāi)害預(yù)測(cè)

李思宇, 李 玥

(1.甘肅農(nóng)業(yè)大學(xué)理學(xué)院,甘肅 蘭州 730070;2.甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院,甘肅 蘭州 730070)

中國(guó)是世界農(nóng)業(yè)大國(guó),但近幾十年來(lái)農(nóng)業(yè)氣象災(zāi)害頻繁發(fā)生,嚴(yán)重影響農(nóng)業(yè)發(fā)展[1]。不利的氣象條件引起的農(nóng)作物減產(chǎn)被稱為農(nóng)業(yè)氣象災(zāi)害[2]。據(jù)統(tǒng)計(jì)分析,中國(guó)農(nóng)業(yè)受各種氣象災(zāi)害影響的面積約為601.8 hm2,受災(zāi)人口約6×108[3],其中受災(zāi)面積較大的省份為山東省、河南省和黑龍江省[4]。農(nóng)業(yè)氣象災(zāi)害的準(zhǔn)確預(yù)測(cè)可以為及時(shí)采取抗災(zāi)減災(zāi)措施提供科學(xué)依據(jù),保證農(nóng)業(yè)生產(chǎn)穩(wěn)定發(fā)展,所以對(duì)農(nóng)業(yè)氣象災(zāi)害進(jìn)行預(yù)測(cè)意義重大。

近年來(lái)神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于各個(gè)領(lǐng)域,一些學(xué)者也提出了利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)農(nóng)業(yè)氣象災(zāi)害的方法。黃慧等[5]基于反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型,根據(jù)氣象資料與自然災(zāi)害統(tǒng)計(jì)數(shù)據(jù),對(duì)湖南省洪災(zāi)、旱災(zāi)受災(zāi)率進(jìn)行了預(yù)測(cè),結(jié)果表明多元回歸模型的預(yù)測(cè)精度低于BP神經(jīng)網(wǎng)絡(luò)模型。Li等[6]運(yùn)用灰色關(guān)聯(lián)分析方法,分析河南省主要農(nóng)業(yè)氣象災(zāi)害因子與糧食作物產(chǎn)量的關(guān)聯(lián)度,基于灰色BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)各種自然災(zāi)害覆蓋率和影響率進(jìn)行了模擬和預(yù)測(cè),模擬預(yù)測(cè)結(jié)果較好。史風(fēng)梅等[7]利用累加預(yù)測(cè)模型對(duì)黑龍江省的農(nóng)業(yè)氣象災(zāi)害進(jìn)行了預(yù)測(cè),模型是根據(jù)黑龍江省的農(nóng)業(yè)洪澇、干旱資料建立的,其預(yù)測(cè)結(jié)果較好。李博等[8]以廣東省臺(tái)風(fēng)災(zāi)害為例,在氣象災(zāi)害發(fā)生后,利用GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)廣東省受災(zāi)引起的經(jīng)濟(jì)損失進(jìn)行了預(yù)測(cè),預(yù)測(cè)效果較好。楊雪雪等[9]采用核主成分分析(KPCA)對(duì)數(shù)據(jù)進(jìn)行降維優(yōu)化,通過(guò)RBF模型對(duì)優(yōu)化后的數(shù)據(jù)進(jìn)行訓(xùn)練,結(jié)果表明,KPCA-RBF預(yù)測(cè)模型的學(xué)習(xí)收斂速度較快,預(yù)測(cè)精度較高。Luan[10]采用基于主成分分析構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法和基于MM5數(shù)值模型的地質(zhì)災(zāi)害預(yù)測(cè)方法,建立地質(zhì)災(zāi)害分類短期客觀預(yù)測(cè)模型,結(jié)果表明,這2種預(yù)測(cè)方法的擬合效果較好。

現(xiàn)有研究大多集中在農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估模型方面[11-13],分析農(nóng)業(yè)氣象災(zāi)害帶來(lái)的影響。預(yù)測(cè)農(nóng)業(yè)氣象災(zāi)害的模型比較少,雖然前人研究結(jié)果為農(nóng)業(yè)氣象災(zāi)害預(yù)測(cè)提供了理論指導(dǎo),但由于各地區(qū)地勢(shì)的不同以及天氣的波動(dòng)性變化,所以不同地區(qū)的農(nóng)業(yè)氣象災(zāi)害預(yù)測(cè)模型存在差異性和不穩(wěn)定性。已有的灰色預(yù)測(cè)模型對(duì)數(shù)據(jù)的光滑度要求很高,在數(shù)據(jù)光滑度較差的情況下灰色預(yù)測(cè)模型的精度不高,甚至通不過(guò)檢驗(yàn)。農(nóng)業(yè)氣象災(zāi)害數(shù)據(jù)較為復(fù)雜,數(shù)據(jù)光滑度很差,不適合用灰色預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)適合數(shù)據(jù)較為復(fù)雜的預(yù)測(cè)模型,但BP神經(jīng)網(wǎng)絡(luò)收斂速度緩慢,容易陷于局部極小值,需要進(jìn)一步優(yōu)化。為了科學(xué)有效地提高山東省農(nóng)業(yè)氣象災(zāi)害的預(yù)測(cè)精度,本研究擬在前人研究的基礎(chǔ)上,分析農(nóng)業(yè)氣象災(zāi)害致災(zāi)因子,提出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,考慮到BP神經(jīng)網(wǎng)絡(luò)的不足,采用麻雀搜索算法(SSA)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,并與粒子群算法(PSO)和遺傳算法(GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行比較,以期為優(yōu)化農(nóng)業(yè)氣象災(zāi)害預(yù)測(cè)模型提供理論依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

山東省地處中國(guó)東部沿海,黃河下游,是中國(guó)重要的農(nóng)業(yè)大省。但農(nóng)作物產(chǎn)量受氣候條件的影響較大,惡劣天氣是制約農(nóng)業(yè)發(fā)展的一個(gè)重要因素[14]。旱災(zāi)和澇災(zāi)是最主要的農(nóng)業(yè)氣象災(zāi)害。本研究選取山東省1978-2018年受災(zāi)(洪澇、干旱)的農(nóng)作物種植面積以及山東省內(nèi)17個(gè)氣象站點(diǎn)1978-2018年的逐年氣象數(shù)據(jù)。本研究所用的數(shù)據(jù)資料主要來(lái)自《新中國(guó)60年農(nóng)業(yè)統(tǒng)計(jì)資料》[15]、山東省統(tǒng)計(jì)年鑒官網(wǎng)、NOAA官網(wǎng),其中部分缺失值采用插值法進(jìn)行補(bǔ)充。

1.2 指標(biāo)的選取

農(nóng)作物產(chǎn)量比正常年份減少10%以上的播種面積被稱為受災(zāi)面積,減少30%以上的播種面積為成災(zāi)面積,農(nóng)作物受災(zāi)面積和成災(zāi)面積與總播種面積之比被定義為受災(zāi)率和成災(zāi)率[16]。受災(zāi)率可避免受往年播種面積變化的影響,客觀地反映出洪澇和干旱災(zāi)情的輕重[17]。選取山東省1978-2018年受災(zāi)總面積、旱災(zāi)受災(zāi)面積和洪災(zāi)受災(zāi)面積作為本研究的樣本因子。對(duì)樣本因子進(jìn)行處理,把旱災(zāi)受災(zāi)率、洪災(zāi)受災(zāi)率作為評(píng)價(jià)因子。

氣象要素偏離平均氣象,就會(huì)形成氣象異常,影響農(nóng)業(yè)生產(chǎn),成為氣象災(zāi)害的致災(zāi)因子[18]。農(nóng)業(yè)氣象災(zāi)害按致災(zāi)因子可分為單因子和綜合因子2大類。根據(jù)農(nóng)業(yè)氣象災(zāi)害致災(zāi)因子和年氣象站含有的數(shù)據(jù),本研究選取最低氣溫(℃)、最高氣溫(℃)、平均最低氣溫(℃)、平均最高氣溫(℃)、平均氣溫(℃)、最大日降水量(mm)、日降水量≥0.1 mm日數(shù)、20-20時(shí)降水量(mm)、年累計(jì)降水量(mm)、平均相對(duì)濕度(%)、平均水氣壓(hPa)、日照時(shí)數(shù)共12個(gè)影響因子。

1.3 試驗(yàn)平臺(tái)

本研究的試驗(yàn)環(huán)境為Window 64位系統(tǒng),使用Matlab2018b軟件對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,建立BP、SSA-BP、PSO-BP、GA-BP神經(jīng)網(wǎng)絡(luò)模型。

1.4 預(yù)測(cè)模型的方法

1.4.1 核主成分分析法 核主成分分析(KPCA)是Sch?lkopf等[19]提出的將核函數(shù)引入主成分分析(PCA)的方法,是對(duì)PCA的擴(kuò)展。KPCA主要使用核函數(shù),即對(duì)于當(dāng)前非線性不可分的數(shù)據(jù),將其映射到更高維的空間進(jìn)行線性可分,然后進(jìn)行降維,提高了原始數(shù)據(jù)的質(zhì)量,降低了計(jì)算成本。本研究首先利用KPCA對(duì)原始數(shù)據(jù)進(jìn)行降維。

核主成分分析的具體步驟如下:

步驟一:用核函數(shù)表示特征空間中重構(gòu)變量的內(nèi)積。

(1)

式中:Xi是第i個(gè)樣本的所有列;Xj是第j個(gè)樣本的所有列;n表示矩陣的維度;α是核函數(shù)的寬度函數(shù)。

步驟二:對(duì)核矩陣K中心化,得到中心化的核矩陣K′:

K′=K-Ln×K-K×Ln+Ln×K×Ln

(2)

式中:Ln是N×N的矩陣。

步驟三:計(jì)算核矩陣的特征值,將特征向量和特征值從大到小排序。

步驟四:計(jì)算各特征值的累計(jì)貢獻(xiàn)率r,給定貢獻(xiàn)率閾值p,若r大于p,則選取前t個(gè)分量作為降維后的數(shù)據(jù)。

1.4.2 麻雀搜索算法優(yōu)化BP(SSA-BP)神經(jīng)網(wǎng)絡(luò)模型 麻雀搜索算法是由Xue等[20]在2020年提出的一種新型優(yōu)化算法,該算法具有更高的搜索能力。在覓食時(shí),麻雀被分為2部分:發(fā)現(xiàn)者和接受者,分別負(fù)責(zé)提供方向和跟隨它們尋找食物。當(dāng)麻雀感覺(jué)到危險(xiǎn)時(shí),就會(huì)產(chǎn)生反撲食的行為,并更新它們的種群狀態(tài)。

麻雀搜索算法實(shí)現(xiàn)步驟如下:

第一步:初始化參數(shù)值。

第二步:開(kāi)始循環(huán)

第三步:對(duì)種群進(jìn)行排序,得到最佳適應(yīng)度值和最優(yōu)麻雀?jìng)€(gè)體位置。

第四步:食物搜索,根據(jù)公式3更新發(fā)現(xiàn)者位置。

(3)

第五步:按公式4更新加入者位置。

(4)

第六步:反捕食行為,重新定位麻雀種群。

(5)

第七步:更新歷史最優(yōu)適應(yīng)度。

第八步:執(zhí)行第二步到第七步,到達(dá)最大迭代次數(shù)時(shí),結(jié)束循環(huán)。得到最優(yōu)個(gè)體的位置和適應(yīng)度值。

1.4.3 神經(jīng)網(wǎng)絡(luò)模型的參數(shù)選擇 根據(jù)隱含層節(jié)點(diǎn)數(shù)k=m+n+a的經(jīng)驗(yàn)公式,其中a∈[1,10],m表示輸入層個(gè)數(shù),n表示輸出層個(gè)數(shù),利用遍歷選優(yōu)的原則,選出適應(yīng)度值最小時(shí)對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)值[21]。所以本研究的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6-10-2,即輸入層、隱含層、輸出層分別輸入6、10、2。為了證明SSA-BP算法的優(yōu)越性,利用粒子群算法、遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型,將結(jié)果進(jìn)行對(duì)比,為保證公平,同一參數(shù)設(shè)置相同,關(guān)鍵參數(shù)如表1所示。設(shè)置好參數(shù),把數(shù)據(jù)分別帶入傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型、SSA-BP模型、GA-BP模型和PSO-BP模型中進(jìn)行分析。

表1 參數(shù)選擇

1.4.4 模型訓(xùn)練與精度驗(yàn)證 基于山東省1978-2018年17個(gè)氣象站點(diǎn)的逐年氣象數(shù)據(jù),各影響因子數(shù)據(jù)求平均值作為山東省的逐年氣象數(shù)據(jù),利用KPCA降維后的影響因子作為模型輸入數(shù)據(jù),旱災(zāi)受災(zāi)率和洪災(zāi)受災(zāi)率為輸出數(shù)據(jù)。將研究時(shí)段分為1978-2012年和2013-2018年2個(gè)時(shí)段,第一時(shí)段數(shù)據(jù)用于模型訓(xùn)練,第二時(shí)段數(shù)據(jù)用于模型驗(yàn)證。以平均絕對(duì)誤差(MAE)、均方誤差(MSE)和均方根誤差(RMSE)3個(gè)指標(biāo)形成評(píng)價(jià)指標(biāo)體系,用于評(píng)判不同模型的精度[22]。MAE用來(lái)衡量預(yù)測(cè)值與真實(shí)值之間的平均絕對(duì)誤差,MAE越小表示模型越好;MSE的值越小說(shuō)明預(yù)測(cè)模型有更好的精確度;RMSE可以反映數(shù)據(jù)的離散程度,做非線性擬合時(shí),RMSE越小越好。計(jì)算式分別為:

(6)

(7)

(8)

式中,i表示逐年數(shù)據(jù)個(gè)數(shù);m表示年數(shù);Xi和Yi分別表示預(yù)測(cè)值、實(shí)測(cè)值。

2 結(jié)果與分析

2.1 核主成分分析

首先對(duì)農(nóng)業(yè)氣象災(zāi)害數(shù)據(jù)進(jìn)行核主成分降維處理,降低訓(xùn)練時(shí)間,保留原始變量的大部分信息,從而可以提高模型性能。主成分累計(jì)方差貢獻(xiàn)率見(jiàn)表2。將主成分累計(jì)方差貢獻(xiàn)率設(shè)定為90.00%。表2顯示,前6個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到92.09%,即前6個(gè)主成分包含了所有指標(biāo)的大部分信息。

表2 主成分累計(jì)方差貢獻(xiàn)率

2.2 神經(jīng)網(wǎng)絡(luò)

利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。圖1顯示,SSA-BP神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)度值最小且最快趨于平穩(wěn),說(shuō)明SSA-BP神經(jīng)網(wǎng)絡(luò)模型的迭代精度和趨于平穩(wěn)的速度要大于PSO-BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型。

BP、PSO-BP、GA-BP、SSA-BP見(jiàn)表1注。

表3是不同模型對(duì)旱災(zāi)受災(zāi)率的預(yù)測(cè)值及其實(shí)測(cè)值,表4是不同模型對(duì)洪災(zāi)受災(zāi)率的預(yù)測(cè)值及其實(shí)測(cè)值。我們發(fā)現(xiàn),與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型相比,總體上SSA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)旱災(zāi)受災(zāi)率的預(yù)測(cè)值更接近實(shí)測(cè)值,說(shuō)明將SSA與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合產(chǎn)生了更好的預(yù)測(cè)效果。此外,我們還比較了不同優(yōu)化算法的性能。為了進(jìn)一步提高預(yù)測(cè)結(jié)果的可靠性,將SSA-BP模型、GA-BP模型、PSO-BP模型、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的MAE、MSE、RMSE進(jìn)行比較,具體數(shù)值見(jiàn)表5和表6。

表3 不同模型對(duì)旱災(zāi)受災(zāi)率的預(yù)測(cè)結(jié)果

表4 不同模型對(duì)洪災(zāi)受災(zāi)率的預(yù)測(cè)結(jié)果

表5 旱災(zāi)受災(zāi)率的模型評(píng)價(jià)指標(biāo)對(duì)比

表6 洪災(zāi)受災(zāi)率的模型評(píng)價(jià)指標(biāo)對(duì)比

表5顯示,對(duì)旱災(zāi)受災(zāi)率的預(yù)測(cè)中,SSA-BP神經(jīng)網(wǎng)絡(luò)模型的MAE最小,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型相比,SSA-BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP神經(jīng)網(wǎng)絡(luò)模型的MAE分別下降40.91%、18.96%和25.92%。同樣,SSA-BP神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生的MSE最小,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型相比,SSA-BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP神經(jīng)網(wǎng)絡(luò)模型的MSE分別降低了41.47%、23.06%和32.36%;與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型相比,SSA-BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP神經(jīng)網(wǎng)絡(luò)模型的RMSE分別下降23.55%、12.28%和17.74%。

表6顯示,對(duì)洪災(zāi)受災(zāi)率的預(yù)測(cè)中,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型相比,SSA-BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP神經(jīng)網(wǎng)絡(luò)模型的MAE分別下降了29.48%、24.45%和23.03%,MSE分別下降了50.87%、17.96%和25.69%;RMSE分別下降了29.96%、9.49%和13.88%。

從模型的RMSE數(shù)值中可以看出,SSA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果比較好。結(jié)果表明,與GA相比,SSA更好地提高了BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。雖然個(gè)別預(yù)測(cè)值出現(xiàn)偏離,但農(nóng)業(yè)氣象災(zāi)害本身就具有突發(fā)性和隨機(jī)性,所以不會(huì)影響模型的有效性。通過(guò)RMSE的比較可以看出,SSA-BP模型的預(yù)測(cè)精度得到了提高,預(yù)測(cè)值整體更接近實(shí)測(cè)值。

3 討論

對(duì)于農(nóng)業(yè)氣象災(zāi)害的預(yù)測(cè),現(xiàn)有研究大多集中在農(nóng)業(yè)氣象災(zāi)害影響因子的灰色關(guān)聯(lián),分析其主要影響因子,再進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模擬。可是BP神經(jīng)網(wǎng)絡(luò)初始的閾值和權(quán)值是隨機(jī)的,不同初始值對(duì)預(yù)測(cè)結(jié)果影響較大。PSO、GA、SSA都可以對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。GA中染色體之間的信息相互共享,種群是相對(duì)均勻地移動(dòng)到最佳區(qū)域;PSO中的粒子是對(duì)當(dāng)前搜索的最佳點(diǎn)進(jìn)行共享,是遵循當(dāng)前最優(yōu)解的一個(gè)搜索迭代過(guò)程。SSA將種群中的所有因素考慮在內(nèi),使麻雀移動(dòng)到整體最優(yōu)值,并在最優(yōu)值附近快速收斂[23]。單曉英等[24]將SSA與PSO的性能進(jìn)行了比較,結(jié)果表明,SSA具有很好的探索全局最優(yōu)潛在區(qū)域的能力,從而有效避免了局部最優(yōu)問(wèn)題。胡建華等[25]、Wang等[26]采用SSA-BP模型進(jìn)行學(xué)習(xí)與訓(xùn)練,將得到的結(jié)果與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,結(jié)果表明,SSA-BP神經(jīng)網(wǎng)絡(luò)模型具有較高的準(zhǔn)確性與穩(wěn)定性。本研究為了提高傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度,采用SSA、PSO、GA優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型,SSA優(yōu)化的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型在搜索精度、收斂速度方面優(yōu)于PSO、GA優(yōu)化的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型。

4 結(jié)論

本研究根據(jù)農(nóng)業(yè)氣象災(zāi)害的成災(zāi)特點(diǎn)建立了旱災(zāi)預(yù)測(cè)模型和洪災(zāi)預(yù)測(cè)模型,通過(guò)核主成分分析,保留原始數(shù)據(jù)的絕大部分信息,從而提高數(shù)據(jù)質(zhì)量,減少網(wǎng)絡(luò)訓(xùn)練時(shí)間,提高模型性能。用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè),BP神經(jīng)網(wǎng)絡(luò)收斂速度緩慢,且易陷于局部極小值,利用SSA優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型,提高預(yù)測(cè)精度,同時(shí)使用PSO、GA優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型,并對(duì)模型精度進(jìn)行對(duì)比。結(jié)果表明,SSA優(yōu)化的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型具有較好的效果。