摘要：针对传统BP神经网络易陷入局部极值和连接权值难以确定的问题,提出了一种基于融合PSO(Particle Swarm Optimization)和CS(Cuckoo Search)的混合算法优化设计BP神经网络(PCS-BP)的预测模型.该优化方法主要利用混合算法优秀的全局搜索能力和收敛速度设计优化BP神经网络的连接权值和网络结构,解决了BP神经网络由于参数随机取值引起的网络震荡和过拟合的问题,提高了预测模型的准确性.结合具体实例,分别采用BP神经网络、CS-BP模型和PCS-BP模型对汉中地区的月降水量进行预测,实验结果表明,PCS-BP的平均绝对误差(MAE)为0.3966,均方根误差(RMSE)为2.3793,平均绝对百分比误差(MAPE)为0.46%,均优于其他模型,具有较好的预测能力.

摘要：降水预测对农业生产和水资源利用具有重要意义。由于单一模型难以准确预测降水量,文章建立了基于完全集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的耦合模型,对郑州市月降水量进行预测,并与LSTM模型、EEMD-LSTM模型和CEEMDAN-SVR模型的性能进行了比较。结果表明,CEEMDAN克服了EEMD存在重构误差和模态混叠的问题,提高了LSTM模型的预测性能;CEEMDAN-LSTM模型对郑州市月降水量预测的均方根误差是15.01mm,平均绝对误差是11.31mm,决定系数为0.932,显著优于其他模型。提出的CEEMDAN-LSTM模型简单有效,对郑州市月降水量序列里的峰值和谷值也能准确预测。

摘要：以吉林省白城市为例,将偏自相关系数(PAC)与自适应模糊神经网络模型(ANFIS)相结合预测年降水量,以年降水量序列自身数据作为输入和输出变量,将预测结果与多元线性回归模型(MLR)的预测结果进行对比。结果表明:ANFIS模型和MLR模型在相关资料缺乏的地区对年降水量的预测结果都是可以接受的,但ANFIS模型的预测精度更高,RMSE值更小,NS值更接近于1;运用偏自相关系数确定输入变量相比主观经验判断更好,利用PCF计算得到延迟系数为5,因此,预测年降水量预测应以预测年前5 a的降水量作为输入变量。

摘要：为验证EEMD-GRNN降水量预测模型的准确性,基于南京地区年降水量数据对其进行研究,并与GRNN模型和BPNN模型进行对比。结果显示,EEMD-GRNN模型在年降水量预测上较GRNN模型和BPNN模型具有较高的预测精度,且预测结果可信,为提高降水量预测精度提供了新方法。

摘要：松原地区是吉林省内严重的缺水地区,降水是影响旱灾发生的主要因素,因此了解降水的演变特征及趋势,准确预测降水量,可为松原地区防旱、抗旱提供有力依据,具有重要意义。根据松原地区4个气象站从1956年~2015年共60年的降水资料,对其干旱特征及降水量预测等进行研究,运用Z指数分析松原地区干旱特征,1982年~2007年自然灾害频繁发生,极端干旱年份主要集中在1958年、1982年、2001年、2007年。利用蒙特卡洛法对松原地区年降水量进行预测,结果表明,蒙特卡洛程序结构简单,易于实现,且对降水序列的预测效果较好。

摘要：近年来,由于水稻种植发展迅猛,导致三江平原井灌水稻区地下水位普遍下降。天然降水是地下水的重要补给来源,而年降水序列往往含有噪声。为解决上述问题,以853农场为例,对实测年降水资料进行小波消噪、差分和标准化处理,应用时间序列分析方法,建立了降水时间序列预测模型。精度检验结果表明,模型有效性和可靠性较高。该模型揭示了区域降水量的时间变化规律,为853农场乃至整个三江平原充分利用天然降水,合理制定水稻灌溉制度以及地下水资源的可持续利用提供了科学依据。