专利名称：基于贝叶斯动态模型的滩涂面积预测方法
技术领域：
本发明属于计算机自动化领域，涉及沿海滩涂面积的预测方法。
背景技术：
我国地处西太平洋沿岸，是海洋灾害多发地区。海洋灾害为我国带来了巨大的经济损失，因此，其防灾减灾工作历来为我国政府所重视。近年来，沿海滩涂面积呈日益变化趋势，例如频频出现的“怪潮”现象，为正在作业的渔民造成了巨大的经济损失以及人身损失。因此对沿海滩涂的面积变化进行预测，减少沿海地区的损失，为了国家海洋防灾减灾工作的重中之重。常用的水文时间序列的预测方法是Box-Jenkins方法，它是一种精确度相当高的短期预测方法。然而，该方法存在着一定的局限性，它只适用于平稳的时间序列，对于非平稳的时间序列，不能直接用ARMA模型去描述，必须利用差分法转化平稳序列才能进行研究。而进行差分转化需要大量足够的数据，在实际中，这个要求往往是困难的。滩涂面积变化受到海洋动力、入海河流、气候和气温等一系列的自然因素以及人为因素的影响，往往表现为非平稳的时间序列。本发明采用贝叶斯动态模型方法，该方法不仅依赖于已有的动态数据，而且还依赖于测试人员的经验、专家的建议和相关的资料、历史的数据等，即由客观信息和主观信息的综合得到后验信息，并由此推断得到后验分布。根据后验分布所建立的动态模型对未来时刻的数据进行预测。其特点在于模型的适应性好，适合描述复杂的变化规律，能处理异常情况的发生；在对数据方面的要求大大减少的同时，又得到了同样精度的预测。
发明内容
本发明公开了一种滩涂面积的预测方法。该方法包括以下步骤通过RS、GPS和GIS结合，得到近十年来上海滩涂面积；根据上述数据选定贝叶斯动态模型的初始训练集；调用该模型进行预测，并与实际值进行对比，直到预测结果在实际值的置信区间内为止。本发明提出的预测方法，其预测结构精细，在节省数据开销的同时也提高的预测精度，为沿海渔民作业躲避海洋灾害提供工具，同时也为国家防灾减灾做出贡献。
图1为本发明的预测过程流程图。图2为本发明的数据处理过程流程图。图3为本发明采用的贝叶斯预测方法的递推过程。
具体实施例方式本发明公开了一种滩涂面积的预测方法，下面结合附图对实施方式进行说明。1.请参考图1。图1为本发明的预测过程流程图。通过数据处理，得到近十年来上海滩涂面积；根据上述数据选定贝叶斯动态模型的初始训练集；调用该模型进行预測， 并与实际值进行对比，直到预测结果在实际值的置信区间内为止。2.请參考图2。图2为本发明的数据处理流程图。选择多时相RS影像图，用GIS 处理软件结合海图对影像图进行配图，校准；选择训练样区；利用GPS得到野外实地考察记 录，再加上历史数据资料，在RS处理软件中对训练样区中的水体、滩涂、人工提坝、植物群 落等执行监督分类；将分类后的图像进行GIS数据合成，得到所要的训练样区面积值。3.请參考图3。图3为贝叶斯动态模型预测方法的递推过程。贝叶斯动态线性模 型(DynamicLinear Models，简记为DLM)是由两个方程确定的系统，这个系统描述为(I).过程的观测如何随机地依赖于当前的状态參数；(II).状态參数如何随时间变化，表示了系统内部的动态变化和随机扰动。定义DLM由 4 个元素所決定，{F，G，V,ff}t = {Ft，Gt, Vt, Wj，具体表示为观测方程yt = Ft' 9t+vt vt N
状态方程e t = Gt e H+ t t N[o，wt]初始先验条件(eQID0) N [m0，C0]观测方程和状态误差序列是独立的，并且是相互独立的，且与(ejD0)独立。其中yt为rX 1维观测向量，0 t为nX 1维状态參数向量，Ft为nXr维矩阵，Gt 为nXn维矩阵，Vt和《t分别为r維和n维的正态零均值误差项，方差分别是Vt和Wt。Dt 表示t时刻及其以前时刻所有有效信息的集合，Dtl为t = 0时初始信息的集合，在没有外部 信息的条件下，Dt可记为Dt = {yt，yt_i，. . . , Y1, D0I该模型预测的原理及过程如下1) t-1时刻的后验分布对于均值IV1和方差矩阵Cw有H) NQv1, Ct_J2) t 时刻的先验分布(e 11 Dt_i) N [at，RJ，其中 EIt = GtIv1Rt = GtCt^1Gt ‘ +Wt3) 一步预测分布(yt|DH) N[ft，QJ，其中 ft = Ft' at Qt = Ft' Rt Ft+Vt4) t 时刻的后验分布(0 11 Dt) N[mt，Cj，mt = at+Atet Ct = Rt-AtAt' Qt其中，At = RtFtQ^1, et = yt_ft。At叫做修正系数向量，et叫做一歩预测误差。
权利要求
1.利用RS，GPS和GIS技术获得近十年来滩涂面积；从获得的面积数据中提取贝叶斯动态模型的初始训练集；调用该模型进行预测；对预测值进行仿真，并与实际值进行对比；判断预测值是否在实际值的95%置信区间内。本方法的预测过程流程图如图1所示。
2.根据权利要求书1所述，利用3S技术获得近十年来的滩涂面积值。选择多时相RS影像图，用GIS处理软件进行配图，校准；选择训练样区；利用GPS得到野外实地考察记录，再加上历史数据资料，在RS处理软件中对训练样区中的水体、滩涂、人工提坝、植物群落等执行监督分类；将分类后的图像进行GIS数据合成，得到所要的训练样区面积值。数据处理流程图如图2所示。
3.根据权利要求书1所述，提取模型的初始训练集。根据权利要求书2所述，由进行GIS数据合成后的训练样区的面积值以及专家经验，设定模型的初始参数值。
4.根据权利要求书1所述，调用该模型进行预测。将模型的预测公式通过MATLAB编程，在计算机中对其建模。贝叶斯动态线性模型(Dynamic Linear Models，简记为DLM)是由两个方程确定的系统，这个系统描述为(I).过程的观测如何随机地依赖于当前的状态参数；(II).状态参数如何随时间变化，表示了系统内部的动态变化和随机扰动。定义=DLM 由 4 个元素所决定，{F，G，V, ff}t = {Ft，Gt, Vt, Wj，具体表示为观测方程 yt = Ft' et+vt vt N
状态方程 Qt = Gtet-^cot cot N
初始先验条件(θ 01D0) N[m0, C0]观测方程和状态误差序列是独立的，并且是相互独立的，且与(QcJDci)独立。其中yt为rXl维观测向量，维状态参数向量，Ft为nXr维矩阵，Gt为nXn维矩阵，vt和cot分别为r维和η维的正态零均值误差项，方差分别是Vt和Wt。Dt表示t时刻及其以前时刻所有有效信息的集合，Dtl为t = O时初始信息的集合，在没有外部信息的条件下，Dt 可记为 Dt = {yt, yt_i，…，D0I该模型预测的原理及过程如下1)t-Ι时刻的后验分布对于均值IV1和方差矩阵C^1有(H) NDv1, Ct-J2)t 时刻的先验分布(θ 11 DtJ N[at，RJ，其中 Eit = GtHv1 Rt = GtCt^1 Gt ‘ +Wt3)—步预测分布 JytIDtJ N[ft，Qt]，其中 ft = Ft' at Qt = Ft' Rt Ft+Vt4)t 时刻的后验分布(θ 11 Dt) N[mt，CJ，mt = at+Atet Ct = Rt-AtAt ‘ Qt其中，At = Rt FtQtIet = yt_ft。At叫做修正系数向量，et叫做一步预测误差。贝叶斯动态模型预测方法的递推过程如图3所示。
5.根据权利要求书1所述，对预测值进行仿真，并与实际值进行对比；计算出实际值的95%置信区间，判断预测值是否在该置信区间内。若不在则返回权利要求书3，根据专家经验重设模型的初始参数值。
全文摘要
本发明公开了一种滩涂面积的预测方法。该方法包括以下步骤通过RS、GPS和GIS结合，得到近十年来上海滩涂面积；根据上述数据选定贝叶斯动态模型的初始训练集；调用该模型进行预测，并与实际值进行对比，直到预测结果在实际值的置信区间内为止。本发明提出的预测方法，其预测结构精细，在节省数据开销的同时也提高的预测精度，为沿海渔民作业躲避海洋灾害提供工具，同时也为国家防灾减灾做出贡献。
文档编号G06F19/00GK102375923SQ20101060770
公开日2012年3月14日 申请日期2010年12月23日 优先权日2010年12月23日
发明者何世钧, 张建新, 张明华, 王建, 王芬, 苏诚, 袁小华, 郭伟其, 黄冬梅 申请人:上海海洋大学