一种农业旱灾风险预测方法及预测装置

1.本技术属于农业预警技术领域，尤其涉及一种农业旱灾风险预测方法及预测装置。


背景技术：

2.农业旱灾是指在气象干旱发展到一定程度时，土壤水分不能支持作物正常生长过程的现象。农业旱灾风险管理是加强我国综合灾害风险管理系统的重要内容和关键环节，开展农业旱灾风险管理对提高区域综合抗旱减灾能力、有效降低旱灾损失、充分保障社会稳定、稳固脱贫攻坚成果具有重要意义，农业是受旱灾影响最为直接、也是灾损最为明显的承灾体类型。
3.旱灾对农作物的产量影响十分明显，而现有技术中，农业旱灾风险大多通过采集农作物田地中的土壤，带回实验室进行土壤含水量检测，然而土壤的含水量在运输的过程中发生变化影响测量数值，且无法实时进行测量，导致现有技术不能及时预防干旱灾害，并且容易受到外界干扰因素的影响导致预测结果不准确。
4.综上所述，现有的农业旱灾风险预测方法存在不能准确预测原油产出率，不能对油田的经济效益进行准确评估的问题。


技术实现要素：

5.有鉴于此，本技术实施例提供了一种农业旱灾风险预测方法及预测装置，能够解决现有的农业旱灾风险预测方法无法及时预防干旱灾害，容易受到外界干扰因素的影响导致预测结果不准确的问题。
6.本技术实施例的第一方面提供了一种农业旱灾风险预测方法，所述农业旱灾风险预测方法包括：
7.获取农业旱灾指标的原始数据其中，i表示指标的序号，i＝1,2,3,
…
,i,
…
n，i为正整数，k表示指标的时间序列，k＝1,2,3,
…
,k,
…
m，k为正整数；表示第i个农业旱灾指标的第k个时间序列的原始数据；
8.对所述原始数据逐一进行平稳处理，生成一一对应的原始平稳数据其中，生成一一对应的原始平稳数据的方法为：
[0009][0010]
其中，λ为平稳系数；
[0011]
对所述原始平稳数据进行累加运算处理，生成一一对应的累加数据其中，u表示第u个指标，u＝1,2,3,
…
,n，u为正整数，f表示第u个指标的第f个时间序列，f＝1,2,3,
…
,m，f为正整数；表示第u个指标的第f个时间序列的累加数据；
[0012]
将作为改进的gm(1，1)模型的初始值输入，得到原始累加数据的预测累加数据为：
[0013][0014]
其中，β原始累加数据的干扰系数，a为灰关联系数，b为发展系数；
[0015]
根据所述预测累加数据求得原始数据的预测数据表示为：
[0016][0017]
根据预测数据计算原始数据的有效预测数据表示为：
[0018][0019]
根据有效预测数据建立预警地区农业旱灾的预警模型q(k)，当农业旱灾的预警值超过预设的预警临界值v时，有发生旱灾的危险，则进行报警。
[0020]
在一个实施例中，所述根据有效预测数据建立预警地区农业旱灾的预警模型q(k)的方法为：
[0021][0022]
其中，δi为第i个指标对农业旱灾的预警的权重系数，μi为第i个指标的自相关系数，ω为粘性土质对预警地区发生旱灾的影响纠正系数，ψ为预警地区上一时间序列发生旱灾的影响纠正系数，ξ1为ω在预警模型q(k)中占的比例系数，ξ2为ψ在预警模型q(k)中占的比例系数；
[0023]
进一步的，建立粘性土质对预警地区发生旱灾的影响纠正系数ω的数学模型为：
[0024][0025]
其中，r为预警地区粘性土质所占平均百分比，为稳定系数，为指数分量系数；
[0026]
进一步的，建立预警地区上一时间序列发生旱灾的影响纠正系数ψ的数学模型为：
[0027][0028]
其中，u为预警地区上一时间序列的预警值，为正弦分量系数，为预警地区上一时间序列的预警值u的系数，为正弦纠正系数。
[0029]
在一个实施例中，所述第i个指标对农业旱灾的预警的权重系数δi的计算方法为：
[0030]
[0031]
其中，为的平均值；
[0032]
所述第i个指标的自相关系数μi的计算方法为：
[0033][0034]
其中，表示与的最小值的绝对值，表示与的最大值的绝对值，τ为联动系数。
[0035]
在一个实施例中，所述农业旱灾指标包括预警地区的人口总数、农业总产值、人均收入、粮食种植面积、造林面积、粮食产量、水产品产量、人均供水量、节水灌溉面积、农林水事务年总支出、水库蓄水量、年总降水量。
[0036]
在一个实施例中，所述预测方法还包括：
[0037]
确定所述原始累加数据的干扰系数β的方法为：
[0038]
建立有效预测数据和原始数据的数学模型g(β)为：
[0039][0040]
g(β)存在最小值，则
[0041]
则计算β的值为：
[0042][0043]
在一个实施例中，所述灰关联系数a和所述发展系数b的计算方法为：
[0044]
[a,b]
t
＝[c
t
c]-1ct
d；
[0045]
其中，矩阵c表示为：
[0046]
其中，u为正整数，f表示第u个指标的第f个时间序列，f＝1,2,3,
…
,m，f为正整数；
[0047]
矩阵d表示为：经计算求得所述灰关联系数a和所述发展系数b。
[0048]
在一个实施例中，所述的农业旱灾风险预测方法还包括：
[0049]
计算农业旱灾指标的有效预测数据的后验差比值l。
[0050]
在一个实施例中，所述计算农业旱灾指标的有效预测数据的后验差比值l的方法包括：
[0051]
计算农业旱灾指标的原始数据的方差s1和残差的方差s2，通过建立模型：计算后验差比值，检验有效预测数据的精度。
[0052]
在一个实施例中，所述累加运算处理方法为：
[0053][0054]
本技术实施例的第二方面提供了一种预测装置，所述预测装置用于执行如上述任一项所述的农业旱灾风险预测方法。
[0055]
本技术实施例提供了一种农业旱灾风险预测方法及预测装置，其中，农业旱灾风险预测方法包括：获取农业旱灾指标的原始数据；对原始数据逐一进行平稳处理，生成一一对应的原始平稳数据；运用一次累加运算，对一一对应的原始平稳数据进行二次处理，生成一一对应的累加数据；计算原始累加数据的预测累加数据；根据预测累加数据求得原始数据的预测数据；根据预测数据计算原始数据的有效预测数据；最后根据有效预测数据建立农业旱灾的预警模型，当农业旱灾的预警值超过预设的预警临界值v时，有发生旱灾的危险，则进行报警。能够解决现有的农业旱灾风险预测方法无法及时预防干旱灾害，且容易受到外界干扰因素的影响导致预测结果不准确的问题。
附图说明
[0056]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1是本技术一个实施例提供的一种农业旱灾风险预测方法的步骤示意图；
[0058]
图2是本技术一个实施例提供的一种农业旱灾风险预测指标数与时间序列的示意图；
[0059]
图3是本技术一个实施例提供的采用bp神经网络的模型图；
[0060]
图4是本技术一个实施例提供的一种农业旱灾风险预测方法的误差率示意图；
[0061]
图5是本技术一个实施例提供的一种农业旱灾风险预测情况示意图。
具体实施方式
[0062]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0063]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0064]
旱灾对农作物的产量影响十分明显，而现有技术中，农业旱灾风险大多通过采集农作物田地中的土壤，带回实验室进行土壤含水量检测，然而土壤的含水量在运输的过程中发生变化影响测量数值，且无法实时进行测量，导致现有技术不能及时预防干旱灾害，并且容易受到外界干扰因素的影响导致预测结果不准确。
[0065]
为了解决上述技术问题，本技术实施例提供了一种农业旱灾风险预测方法，参考图1、图2所示，农业旱灾风险预测方法包括步骤s100-s700。
[0066]
步骤s100：获取与农业旱灾相关的n个指标的原始数据其中，i表示指标的个数，i＝1,2,3,
…
,i,
…
n，i为正整数，k表示指标的时间序列，k＝1,2,3,
…
,k,
…
m，k为正整数；表示与农业旱灾相关的第i个农业旱灾指标的第k个时间序列的原始数据。
[0067]
步骤s200：对原始数据逐一进行平稳处理，生成一一对应的原始平稳数据其中，生成一一对应的原始平稳数据的方法为：
[0068][0069]
其中，λ为平稳系数；ln是以e为底的对数。
[0070]
步骤s300：运用一次累加运算，对一一对应的原始平稳数据进行二次处理，生成一一对应的累加数据其中，u表示第u个指标，u＝1,2,3,
…
,n，u为正整数，f表示第u个指标的第f个时间序列，f＝1,2,3,
…
,m，f为正整数；表示与农业旱灾相关的第i个指标的第k个时间序列的累加数据。
[0071]
步骤s400：将作为改进的gm(1，1)模型的初始值输入，得到原始累加数据的预测累加数据为：
[0072][0073]
其中，β原始累加数据的干扰系数，a为灰关联系数，b为发展系数。
[0074]
步骤s500：根据预测累加数据求得原始数据的预测数据表示为：
[0075][0076]
步骤s600：根据预测数据计算原始数据的有效预测数据表示为：
[0077][0078]
步骤s700：根据有效预测数据建立预警地区农业旱灾的预警模型q(k)，当农业旱灾的预警值超过预设的预警临界值v时，有发生旱灾的危险，则进行报警。
[0079]
在本实施例中，在步骤s100中，获取与农业旱灾相关的n个指标的原始数据用矩阵表示为；
[0080][0081]
其中，i表示第i个指标，i＝1,2,3,
…
,i,
…
n，i为正整数，k表示第i个指标的第k个时间序列，k＝1,2,3,
…
,k,
…
m，k为正整数；表示与农业旱灾相关的第i个指标的第k个时间序列的原始数据；
[0082]
在本实施例中，获取农业旱灾预警地区的n个指标的原始数据，依次获取每个指标数据不同序列的原始数据，例如，获取第一个指标的十个不同时间序列的原始数据依次表示为：然后依次获取第二个指标的十个不同时间序列的原始数据，一直到获取完n个指标的十个不同时间序列的原始数据。
[0083]
在本实施例中，在步骤s200中，对与农业旱灾相关的n个指标的原始数据逐一进行平稳处理，生成一一对应的原始平稳数据通过依次对每个指标数据不同序列的原始数据进行平稳处理，可以增强原始数据的光滑性，减小原始数据的误差，增强数据的稳定性，使得预测结果更加稳定可靠，使得预测的数据更加接近真实值，将原始数据进行平稳处理之后得到的预测数据还需要进行平稳处理的逆运算，得到有效预测数据，在一个实施例中，有效预测数据的逆运算通过步骤s600的到。
[0084]
在本实施例中，在步骤s300中，运用一次累加运算，对一一对应的原始平稳数据进行二次处理，生成一一对应的累加数据用矩阵表示为：
[0085][0086]
在本实施例中，依次对一一对应的原始平稳数据运用一次累加运算进行二次处理，例如，首先对第一个指标的十个不同时间序列的原始平稳数据运用一次累加运算进行二次处理，依次表示为：然后依次对第二个指标的十个不同时间序列的原始平稳数据运用一次累加运算进行二次处理，一直到对n个指标的十个不同时间序列的原始平稳数据运用一次累加运算进行二次处理。
[0087]
在一个实施例中，累加运算的方法为：
[0088]
在本实施例中，第一个指标的第一个时间序列的原始平稳数据运用一次累加运算进行二次处理后就是其本身，第一个指标的第二个时间序列的原始平稳数据运用一次累加运算进行二次处理后就是第一个指标的第一个时间序列的原始平稳数据与第一个指标的第二个时间序列的原始平稳数据相加之后的数据，即第一个指标的第三个时间序列的原始平稳数据运用一次累加运算进行二次处理后就是第一个指标的第一个时间序列的原始平稳数据与第一个指标的第二个时间序列的原始平稳数据以及第一个指标的第三个时间序列的原始平稳数据这三个数据相加之后的数据即
[0089]
在本实施例中，设置原始累加数据的干扰系数β；因为原始累加数据是经过平稳处理之后进行累加得到的，设置原始累加数据的干扰系数β可以使得有效预测值更加准确，计算结果更加准确，使得农业旱灾风险预测更加准确。
[0090]
在本实施例中，根据有效预测数据建立与农业旱灾相关的n个指标的第k个时间序列的农业旱灾的预警模型q(k)，当农业旱灾的预警值超过预设的预警临界值v后，该地区就有发生旱灾的危险，则进行报警。
[0091]
在一个实施例中，根据有效预测数据建立与农业旱灾相关的n个指标的农业旱灾的预警模型q(k)的方法为：
[0092][0093]
其中，δi为第i个指标对农业旱灾的预警的权重系数，μi为第i个指标的自相关系数，ω为粘性土质对预警地区发生旱灾的影响纠正系数，ψ为预警地区上一时间序列对预警地区发生旱灾的影响纠正系数，ξ1为ω在预警模型q(k)中占的比例系数，ξ2为ψ在预警模型q(k)中占的比例系数；
[0094]
进一步的，建立粘性土质对预警地区发生旱灾的影响纠正系数ω的数学模型为：
[0095][0096]
其中，r为预警地区粘性土质所占平均百分比，为稳定系数，为指数分量系数；
[0097]
进一步的，建立预警地区上一时间序列预警值对预警地区发生旱灾的影响纠正系数ψ的数学模型为：其中，q为预警地区上一时间序列的预警值，为正弦分量系数，为预警地区上一时间序列的预警值q的系数，为正弦纠正系数。
[0098]
在本实施例中，因为影响农业旱灾的指标有很多，并且不同的指标对农业旱灾的影响也是不同的，通过设置第i个指标对农业旱灾的预警的权重系数δi以及第i个指标的自相关系数μi将不同指标对农业旱灾的影响进行量化，准确表达不同指标对农业旱灾影响的权重大小，使得预警模型更加准确。
[0099]
在一个实施例中，第i个指标对农业旱灾的预警的权重系数δi的计算方法为：
[0100][0101]
第i个指标的自相关系数μi的计算方法为：
[0102][0103]
其中，表示与的最小值的绝对值，表示与的最大值的绝对值，τ为自相关系数。
[0104]
在本实施例中，通过计算第i个指标对农业旱灾的预警的权重系数δi和第i个指标的自相关系数μi，准确表达不同指标对农业旱灾影响的权重大小，使得预警模型更加准确，增强了对农业旱灾风险的监测能力。
[0105]
在一个实施例中，计算粘性土质分别为82％、75％、61％、53％的不同预警地区对旱灾的影响纠正系数ω分别为0.326、0.373、0.404、0.432带入数学模型中计算得：的值为0.5936，的值为0.9823，通过计算出具体的可以使得预警结果更加准确。
[0106]
在一个实施例中，计算预警地区上一时间序列预警值分别为：92％、87％、78％、
66％，对应的预警地区上一时间序列预警值对预警地区发生旱灾的影响纠正系数ψ分别为0.851、0.823、0.716、0.608带入到数学模型中计算得：为0.8946，为2.554，为11.54，通过计算出具体的可以使得预警结果更加准确。
[0107]
在一个实施例中，ξ1、ξ2为预先设定的值，均为0.5。
[0108]
在一个实施例中，获取与农业旱灾相关的n个指标的原始数据的方法包括：获取与农业旱灾相关的n个指标至少包括获取旱灾预警地区的：该地区的人口总数、农业总产值、该地区人均收入、粮食种植面积、造林面积、粮食产量、水产品产量、人均供水量、节水灌溉面积、农林水事务年总支出、水库蓄水量，年总降水量。
[0109]
在本实施例中，i分别为预警地区的人口总数、农业总产值、人均收入、粮食种植面积、造林面积、粮食产量、水产品产量、人均供水量、节水灌溉面积、农林水事务年总支出、水库蓄水量、年总降水量，i＝12。分别求出12个农业旱灾指标，然后带入预警模型q(k)中，进行预警值的计算。
[0110]
在一个实施例中，生成一一对应的原始平稳数据的方法包括：
[0111]
确定原始累加数据的干扰系数β的方法为，通过建立有效预测数据和原始数据的数学模型g(β)为：g(β)存在最小值，则则计算β的值为：
[0112][0113]
在一个实施例中，灰关联系数a和发展系数b的计算方法为：
[0114]
[a,b]
t
＝[c
t
c]-1ct
d；
[0115]
其中，矩阵c表示为：
[0116]
其中，u＝1,2,3,
…
,n，u为正整数，f表示第u个指标的第f个时间序列，f＝1,2,3,
…
,m，f为正整数；
[0117]
矩阵d表示为：经计算求得灰关联系数a和发展系数b。
[0118]
在一个实施例中，的农业旱灾风险预测方法还包括：计算与农业旱灾相关的n个指标的有效预测数据的后验差比值l。
[0119]
在一个实施例中，计算与农业旱灾相关的n个指标的有效预测数据的后验差比值l的方法包括：计算与农业旱灾相关的n个指标的原始数据的方差s1和残差的方差s2，通过建立模型：计算后验差比值，检验有效预测数据的精度。
[0120]
在一个实施例中，计算与农业旱灾相关的n个指标的原始数据的方差s1的方法为：
[0121]
其中，
[0122]
残差的方差s2的计算方法为：其中，
[0123][0124]
进而计算后验差比值，将计算得到的后验差比值与预设的后验差比值进行比较，当计算得到的后验差比值小于预设的后验差比值时，说明有效预测数据良好。
[0125]
在一个实施例中，参考图3所示，采用bp神经网络的方法确定预警临界值v，具体的，将指标个数v1、农业总产值v2、预警地区人均收入v3、粮食种植面积v4、造林面积v5、粮食产量v6、水产品产量v7、人均供水量v8、节水灌溉面积v9、农林水事务年总支出v10、水库蓄水量v11，年总降水量v12、预警地区人口总数v13，作为bp神经网络输入层的参数；bp神经网络的中间层为隐层，并采用14个神经元；将预警临界值v作为bp神经网络输出层的输出参数，建立样本集合t＝(t1,t2,t3,
…
,tn)；其中，tk＝(v
1k
,v
2k
,v
3k
,
…
,v
13k
,vk)；其中，k＝1,2,3,
…
,k,
…
m；采用样本集合t进行训练，获得输入层到隐层权矩阵w1
kj
和隐层到输出层权矩阵w2
kj
，其中w1
kj
中k＝14，为隐层神经元数目，j＝13，为输入层参数的个数，w2
kj
中其中k＝1为输出层神经元数目，j＝14，为输入层参数的个数，并学习记忆，获得预警临界值。
[0126]
在一个实施例中，参考图4所示，将本发明应用到不同农业区域中进行预警，采用本专利方法预测不同农业区域的误差率以及现有方法预警误差率，现有技术预测结果与本方案预测结果分别如图3。由图3可知，现有技术预测旱灾风险最大误差为18％，平均误差为14％；本方案测量持水率最大误差为3.6％，平均误差为2.9％，故本方案测量精度高于现有技术测量精度。
[0127]
在一个实施例中，如图5所示，采用本专利方法在不同农业区域进行了20次旱灾预测实验，图中1表示实际旱灾发生，-1表示旱灾未发生，在20次实验中，发现只有两次使用本专利方法预测的发生了偏差，其余预测旱灾发生与实际旱灾发生情况吻合，故本方案的方法稳定，满足工业需求。
[0128]
本技术实施例还提供了一种预测装置，预测装置用于执行如上述任一项的农业旱灾风险预测方法。
[0129]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0130]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。