专利名称：基于投影寻踪的设施农业气象灾害风险评价方法
技术领域：
本发明公开了基于投影寻踪的设施农业气象灾害风险评价方法，属于气象灾害评估的技术领域。
背景技术：
20世纪90年代以来，我国以北方日光温室为主的设施农业以超时令、反季节蔬菜栽培为主迅猛发展，设施农业面积从1981年的10. 8万亩发展到2010年的4500多万亩，29年间增长了 440多倍，同时设施农业的发展也为城市反季节蔬菜供应提出供了最基本的坚实保障。我国北方日光温室抵御自然灾害的能力差，单位设施面积所获得的经济效益较国外相距甚远。究其原因主要是我国设施水平较低，设施作物的生产对于气候条件的依赖程度较高，受灾害性天气的影响较大。因此，很有必要从多角度研究设施农业与气象条件的关系，系统地对我国设施农业风险进行评价。气象灾害风险评价是对一定时期风险区遭受不同强度气象灾害的可能性及其可能造成的后果进行的定量分析与评估，气象灾害风险管理是通过风险识别、风险估测、风险评价，并在此基础上优化组合各种风险管理技术，对气象灾害风险实施有效地控制以及妥善处理风险所致损失后果，以期达到以最少成本获得最大安全保障的目标。包括建构灾害风险评价模型，建立气象灾害风险评价系统，绘制气象灾害风险专题图等。灾害风险评估是灾害风险管理中的关键环节，是开展有效的灾害预防、灾害准备、应急救援等活动的科学依据，也是应急能力建设及评估的重要基础。对于全世界面临的日益严峻的灾害形势来说，灾害风险评估的研究具有重要的紧迫性和现实意义。关于设施农业气象灾害的评估和预测研究是处于研究起步阶段，国内外学者已经开展了一些研究。国外设施农业发达国家大多国土面积不大，气候类型单一，因此风险评估研究中，往往侧于社会风险、经济风险、环境风险、潜在风险及综合风险等模型研究，如Piers提出了 AWR模型，Carter提出了 SRI模型及HSE提出了 COMAH模型等，并应用这些模型进行了风险分析，但研究多侧重于经济领域。已有学者将投影寻踪模型(PPE)用于排水管网洪涝风险评价方法中。该方法没有解决投影向量的维全局寻优问题，求得最佳投影方向a*具有精度不高的问题。遗传算法主要包括选择(selection)、交叉(cros sover)和变异(mutation)等操作步骤。步骤I :在各个决策变量的取值变化区间随机生成N组均匀分布的随机变量；步骤
2:计算目标函数值，从大到小排列；步骤3 :计算基于序的评价函数(用eval (V)表示)；步骤4 :进行选择操作产生新的种群；步骤5 :对步骤4产生的新种群进行交叉操作；步骤6 对步骤5产生的新种群进行变异操作；步骤7 :进化迭代；步骤8 :第一次、第二次进化迭代产生的优秀个体的变量变化区间作为变量新的初始变化区间，，算法进入步骤1，重新运行SGA，形成加速运行，直到最优个体的优化准则函数值小于某一设定值或算法运行达到预定 加速次数，结束整个算法运行。此时，将当前群体中最佳个体指定为RAGA的结果。上述8个步骤构成基于实码的加速遗传算法(RAGA)。
目前关于利用基于加速遗传算法投影寻踪的设施农业气象灾害风险评价方法对具体的某一种农业灾害风险分析的研究还不多见。已经有的气象灾害风险评价方法多以大田作物为研究对象，很少有以设施作为为研究对象的气象灾害风险评价方法。常规灾害评价方法主要有专家咨询法、群体决策法、风险评估矩阵等方法，但这些方法都具有很强的主观能动性；已有的温室气候资源分析和区划工作中，分区指标及方法以传统方法和经验为主。可见，现有的气象灾害风险评价方法中，人为影响较强，在一定程度上缺少理论依据。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于投影寻踪的设施农业气象灾害风险评价方法。本发明为实现上述发明目的采用如下技术方案基于投影寻踪的设施农业气象灾害风险评价方法，包括如下步骤步骤1，数据整理对收集的历史气象数据进行齐性检验，并对缺测数据进行内插，形成完整的数据集合，对所述完整的数据集合进行拟合；步骤2，建立设施农业气象灾害分级标准处理步骤I中拟合得到的数据，统计各等级气象灾害的年发生频次，计算每种气象灾害的综合指数，利用聚类分析法得出评价指标的灾害综合指数分级标准；步骤3，构建投影寻踪评价模型构建投影函数，计算出各气象灾害等级评价指标在投影向量上的投影值，在根据投影值与评价指标的灾害综合指数等级建立相关模型；步骤4，评价结果分析将待评价区域的气象数据作为投影寻踪评价模型的输入数据，再根据投影寻踪评价模型生成的待评价区域风险评价等级数据，结合地理信息、，按风险评价等级生成区划色斑图。所述基于投影寻踪的设施农业气象灾害风险评价方法中，步骤I采用BP神经网络对所述完整的数据集合拟合得出室内日最低气温。所述基于投影寻踪的设施农业气象灾害风险评价方法的步骤3中根据加速遗传算法局部优化投影向量得到最佳投影向量。本发明采用上述技术方案，具有以下有益效果I.将投影寻踪方法运用到设施农业气象灾害风险评价领域，同时结合加速遗传算法优化投影向量，将实际气象数据作为本发明所述评价模型的输入数据，得到风险评价结果精度高，为气象灾害风险评价研究提供了新的思路和方法2.综合了气温、降水、日照、风速等对设施农业影响较大的因子，构建了设施农业的气象灾害风险评价模型，改变以往依赖对单一因子的评价，综合考虑了多种因子影响。
图I为风险评价流程示意图。图2至图6为实施例中I月至5月的风险等级图。图7至图10为实施例中9月至12月的风险等级图。图11为加速遗传算法局部优化投影向量的过程图。
具体实施例方式下面结合附图对发明的技术方案进行详细说明以北方日光温室的气象灾害风险区划为例，基于加速遗传算法投影寻踪的设施农业气象灾害风险评价方法如图I所示，具体包括如下步骤步骤1，首先收集该地区气象资料，本处共收集利用我国北方地区16个省市自治区243个台站1980-2009年的气象数据，收集的气象数据包括气温、日照、降水、风速等基本评价指标数据的气象数据，特定大棚承载力数据。对气象数据的进行齐性检验，将缺测的气象数据进行插值得到完整的数据集合；收集评价区域内常见的有代表性的温室的对强降水、大风等的承灾能力，取得各级灾害的指标；根据温室内气象要素与外界气象条件的相关关系，基于BP神经网络建立室内极低气温的模拟模型,模型输入参数为前一日的最高气温、最低气温、辐射、风速；查阅相关文献，找出常见设施作物番茄、黄瓜的低温、寡照致灾指标；利用Matlab对1980-2009年观测气象数据进行编程处理，采用BP神经网络法拟合完整
的数据集合得到温室内日最低温，拟合得到的温室内日最低温通过O. 01的显著性检验。BP神经网络选用单隐层的BP网络进行春季和冬季的温室内最低气温的模拟。其中输入层神经元个数为4个，隐含层神经元为9个，输出神经元为I个。第一层输入室外的太阳总福射(Rout)、最高气温(Tomax)、最低气温(Tomin)和风速(Wout)样本,第二层为隐含层，第三层输出室外的最低气温(Timin)数据，隐含层传递函数采用S型正切函数tansig,输出层传递函数采用S型对数函数logsig。模型选定相关的参数值为初始学习速率η =0.1，惯量因子α =0.9，最大迭代次数=10000次，目标误差=0.0001。步骤2，根据拟合得到的室内日最低气温，统计各等级气象灾害的年发生频次，计算每种气象灾害的综合指数(RI)，综合考虑气温、降水、日照、风速等主要致灾指标的影响修正综合指数(RI)，再利用聚类分析法得出评价指标的灾害综合指数的分级标准，其中RI= α XDF1+ β XDF2+ Y XDF3+ Θ XDF4 (I)其中α、β、Υ、θ为系数，分别取 O. 2、0· 3、0· 3、0· SiDFpDF2JFyDF4*别为各等级灾害发生频次。聚类分析法将综合指数(RI)分为四类，得出相应四个等级的指数范围，即I级0-0. 25，II级0. 26-0. 5，III级0. 51-0. 75，IV级0. 76-1. 0，可确定相应的各评价指标灾害综合指数的分级标准，构建气象灾害等级评价指标数据库，形成评价指标体系。步骤3，构建基于加速遗传算法的投影寻踪评价模型根据评价指标的灾害综合指数分级标准，利用投影寻踪模型计算出各气象灾害等级评价指标的投影值，根据投影值与灾害等级值建立基于投影寻踪法的设施农业气象灾害风险评价模型；将每个气象灾害等级评价指标的每个等级灾害综合指数作为一个评价单元，构建指标样本集{xYi，j) I i=l"n, j=l"p}, n为灾害等级,p为评价指标的数目，n、p均为大于等于I的自然数，x*(i, j)表示第i个等级第j个评价指标，具体实施如下( I)归一化处理指标样本集对于X*(i，j)取值越大表示的灾害风险等级越高时利用如下表达式归一化处理x(i, j) = (x*(i, j)-Xmin(j))/(xmax(j)-Xmin(J)) (2)；对于x*(i，j)取值越小表示的灾害风险等级越低时利用如下表达式归一化处理x(i, j) = (xmax(j)-x*(i, j))/(xmax(j)-Xmin(j)) (3)；
其中，Xmax (j)，xmin(j)分别为第j个指标的最大值和最小值，x(i，j)为归一化后的评价指标；(2)构造投影指标函数步骤a,把 P 维数据{x (i, j) j = I, 2···，p}综合成以 a = {a ⑴，a (2)...，a (p)}
为投影方向的一位投影值z (i)
权利要求
1.基于投影寻踪的设施农业气象灾害风险评价方法，其特征在于包括如下步骤 步骤1，数据整理对收集的历史气象数据进行齐性检验，并对缺测数据进行内插，形成完整的数据集合，对所述完整的数据集合进行拟合； 步骤2，建立设施农业气象灾害分级标准处理步骤I中拟合得到的数据，统计各等级气象灾害的年发生频次，计算每种气象灾害的综合指数，利用聚类分析法得出评价指标的灾害综合指数分级标准； 步骤3，构建投影寻踪评价模型构建投影函数，计算出各气象灾害等级评价指标在投影向量上的投影值，在根据投影值与评价指标的灾害综合指数等级建立相关模型； 步骤4，评价结果分析将待评价区域的气象数据作为投影寻踪评价模型的输入数据，再根据投影寻踪评价模型生成的待评价区域风险评价等级数据，结合地理信息，按风险评价等级生成区划色斑图。
2.根据权利要求I所述的基于投影寻踪的设施农业气象灾害风险评价方法，其特征在于所述步骤I采用BP神经网络对所述完整的数据集合拟合得出室内日最低气温。
3.根据权利要求I所述的基于投影寻踪的设施农业气象灾害风险评价方法，其特征在于所述步骤3中根据加速遗传算法局部优化投影向量得到最佳投影向量。
全文摘要
本发明公开了基于投影寻踪的设施农业气象灾害风险评价方法，属于气象灾害评估的技术领域。本发明通过利用神经网络对历史气象数据进行拟合得到；统计各等级气象灾害的年发生频次，并计算得到评价指标的灾害综合指数，建立了评价指标的灾害综合指数分级标准；构建历史气象数据的投影函数，利用加速遗传算法得到最佳投影向量；根据气象数据在最佳投影向量上的投影值与评价指标的灾害综合指数等级建立风险评价模型。本发明将投影寻踪方法运用到设施农业气象灾害风险评价领域，同时结合加速遗传算法优化投影向量，将实际气象数据作为本发明所述评价模型的输入数据，得到风险评价结果精度高，为气象灾害风险评价研究提供了新的思路和方法。
文档编号G06Q50/02GK102867217SQ201210310689
公开日2013年1月9日 申请日期2012年8月28日 优先权日2012年8月28日
发明者杨再强, 李永秀, 江晓东, 黄海静, 朱永生 申请人:南京信息工程大学