灌溉用水量预测方法的研究 ——以铁甲灌区为例

论文摘要

近年来，全世界水资源紧缺问题日趋严重，节约和合理利用水资源已经成为热门话题。而我国又是一个水资源相对贫乏的国家，人均占有量很少，是世界上13个贫水国之一。农业是用水大户，农业用水主要消耗于灌溉。灌溉用水量的准确预测，对于制定合理而有效的水资源调配方案和调度计划，使有限的水资源发挥最大的效益，具有十分重要的意义。同时对指导灌区农业生产也有一定的借鉴作用。本文综述了预测方法的分类，以及国内外对灌溉用水量预测的研究进展。在总结前人经验的基础上，以辽宁省东港市铁甲灌区为研究对象，使用时间序列预测法、神经网络预测法、灰色模型预测法以及灰色系统和神经网络相结合的方法，对铁甲灌区的灌溉用水量进行了较为全面的预测分析，并且提出了几种有效的改进方法。时间序列是同一种现象在不同时间上的相继观察值排列而成的一组数字序列。平稳随机过程是随机过程的一种特殊形式。本文采用平稳时间序列的线性外推法，使用24年的历史资料推求了灌溉用水量的回归预测模型。该模型的预测结果与实测值的相对误差较小，精度较高。本研究以人工神经网络理论为基础，对神经网络预测模型的选择、灌溉用水量预测模型的建模流程和实现方法进行了初步探讨，构建了基于人工神经网络的灌溉用水量的预测模型。本文分别采用三层前馈反向传播神经网络(BP网络)模型、径向基函数神经网络以及广义回归神经网络模型，对灌溉用水量进行了预测。在进行网络训练时，为了保证数据的量级相同，文中对神经网络的输入和输出数据进行了归一化处理(最后对预测结果做反归一处理)。本文利用MATLAB 7的神经网络工具箱进行网络建模与仿真实验，训练和优化网络性能。这为灌溉用水量预测模型的建立提供了新的思路与方法。研究结果表明径向基函数网络存在局部极小的缺点，预测效果不如BP神经网络和广义回归神经网络。因此，实际生产中建议使用BP神经网络和广义回归神经网络模型。灰色系统预测是对系统的时间序列进行数量大小的预测。本文系统介绍了灰色预测体系的内容，重点阐述了GM(1，1)模型的思想和实际操作过程，建立了灌溉用水量的GM(1，1)模型。通过比较发现，直接用GM(1，1)模型进行预测的结果不是很理想。为此，本文首先对所建立的模型进行残差修正，使用三种精度检验方法检验修正后的模型，结果表明都满足要求。本文还尝试了建立灰色等维新息模型预测灌溉用水量，预测精度高，方法有效。针对神经网络和灰色模型各自的优缺点，本文分析了二者的互补性，提出了把神经网络和灰色模型相结合用来预测的方法。文中分别建立了串联型、嵌入型和并联型灰色神经网络模型，结果表明，串联型和并联型灰色神经网络模型的预测精度较高，误差都不超过4％，可以用来预测灌区中长期的灌溉用水量。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本课题研究的目的和意义
• 1.2 国内外研究现状
• 1.2.1 用水量预测的研究进展
• 1.2.2 水资源需求预测方法的分类
• 1.2.3 灌溉用水量预测方法的研究进展
• 1.3 研究目标和主要内容
• 1.3.1 研究目标
• 1.3.2 主要内容
• 第二章 时间序列预测法在灌溉用水量预测中的应用
• 2.1 时间序列预测法
• 2.1.1 时间序列分析法的发展和简介
• 2.1.2 时间序列预测法的分类
• 2.2 平稳时间序列预测法
• 2.2.1 平稳时间序列的定义及性质
• 2.2.2 平稳时间序列预测的步骤
• 2.3 实例分析
• 2.3.1 铁甲灌区概况
• 2.3.2 时间序列的实例应用
• 2.4 本章小结
• 第三章 神经网络方法在灌溉用水量预测中的应用
• 3.1 人工神经网络简介
• 3.2 神经网络的发展
• 3.2.1 初期阶段
• 3.2.2 停滞期
• 3.2.3 黄金时期
• 3.3 BP神经网络模型的结构与算法描述
• 3.4 BP神经网络预测模型的结构设计
• 3.4.1 模型层数
• 3.4.2 网络节点数
• 3.4.3 初始权值选取
• 3.4.4 功能函数
• 3.4.5 学习速率的选择
• 3.4.6 期望误差
• 3.4.7 迭代次数
• 3.5 面向MATLAB的BP神经网络的设计
• 3.5.1 BP神经网络模型的初始化
• 3.5.2 BP神经网络模型的训练
• 3.5.3 BP神经网络的仿真
• 3.5.4 BP神经网络模型的训练结果分析
• 3.6 BP网络模型的实例预测
• 3.6.1 BP神经网络模型的设计
• 3.6.2 应用实例
• 3.7 RBF神经网络的应用
• 3.7.1 RBF神经网络的结构
• 3.7.2 RBF函数神经网络的学习过程
• 3.7.3 RBF网络的设计
• 3.7.4 RBF网络的实例应用
• 3.7.5 广义回归神经网络
• 3.8 本章小结
• 第四章 灰色模型在灌溉用水量预测中的应用
• 4.1 灰色系统简介
• 4.1.1 灰色模型（GM）的建模机理
• 4.1.2 灰色预测法的种类
• 4.2 灰色模型建模方法和步骤
• 4.2.1 数据的预处理
• 4.2.2 灰色模型的建模过程
• 4.3 模型识别检验
• 4.3.1 残差检验
• 4.3.2 后验差检验
• 4.3.3 关联度检验
• 4.4 实例应用
• 4.4.1 建立 GM（1，1）模型
• 4.4.2 检验模型
• 4.5 残差修正模型
• 4.5.1 残差修正模型的建立
• 4.5.2 残差修正模型的检验
• 4.6 灰色等维新息模型
• 4.7 本章小结
• 第五章 灰色神经网络方法在灌溉用水量预测中的应用
• 5.1 人工神经网络和灰色预测方法的互补性
• 5.2 灰色神经网络的分类
• 5.2.1 并联型灰色神经网络（PGNN）
• 5.2.2 串联型灰色神经网络（SGNN）
• 5.2.3 嵌入型灰色神经网络（IGNN）
• 5.3 串联型灰色神经网络（SGNN）的应用
• 5.3.1 SGNN预测模型的步骤
• 5.3.2 SGNN预测模型的实例
• 5.4 嵌入型灰色神经网络（IGNN）的应用
• 5.4.1 IGNN预测模型的步骤
• 5.4.2 IGNN预测模型的实例
• 5.5 并联型灰色神经网络（PGNN）的应用
• 5.5.1 PGNN预测模型的步骤
• 5.5.2 PGNN预测模型的实例
• 5.6 本章小结
• 第六章 结论及展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文