【摘要】：干旱是對我國農業(yè)生產影響最大、最常見且分布范圍最廣的一種氣候災害。農業(yè)干旱預測不但是決策者做出減災決策的重要依據,也是干旱防御的非工程措施之一。提前了解干旱趨勢,調整農作物種植品種,制定有效抗旱減災措施,對降低農業(yè)損失具有重要意義。河南是我國糧食主產區(qū),準確的干旱預測對提升河南抵御干旱的綜合防范能力有著重要意義。本文根據河南農業(yè)干旱情況,選取商丘,許昌,駐馬店,安陽,孟津作為5個典型研究區(qū),對河南省農業(yè)干旱情況進行研究。主要研究成果如下:(1)對現(xiàn)如今學術界最權威的三個干旱指數(shù)PDSI,SPI,SPEI進行綜合分析,最終選取SPI,SPEI作為研究河南省農業(yè)干旱的干旱指數(shù)。(2)對典型代表區(qū),運用MK檢驗法與滑動T檢驗法相結合的方法對降水與溫度進行趨勢性與突變性檢驗。研究發(fā)現(xiàn),河南省豫東地區(qū)年降水量呈上升趨勢,趨勢性不顯著;河南省豫西,豫北,豫中,豫南地區(qū)年降水量呈下降趨勢,趨勢性不顯著。河南全省年平均溫度有顯著上升趨勢,豫東地區(qū)年平均溫度于1993年左右發(fā)生突變,豫南地區(qū)年平均溫度于1996年左右發(fā)生突變,豫西地區(qū)年平均溫度于2006年左右發(fā)生突變。(3)運用SPI指數(shù),SPEI指數(shù)對河南省干旱規(guī)律進行分析,研究發(fā)現(xiàn),相對于SPI指數(shù),SPEI指數(shù)更適用于河南省農業(yè)干旱�，F(xiàn)如今,SPEI指數(shù)的干旱劃分標準在全國范圍內仍使用統(tǒng)一標準。本文對此進行了改良,根據河南省農業(yè)干旱情況制定了更適用于河南省農業(yè)干旱的劃分標準,創(chuàng)新性地提出針對河南不同地區(qū),不同月份采用不同時間尺度,不同閾值的SPEI指數(shù)對農業(yè)干旱進行識別,正確率可以達到90%以上。(4)運用在水文時間序列上,較少被人使用的時間序列神經網絡——NAR神經網絡,在時間序列預測中,NAR神經網絡作比傳統(tǒng)的BP神經網絡,REB神經網絡預測性能更強。對5個研究區(qū)降水量與溫度進行預測,根據預測出的降水與溫度數(shù)據計算出SPEI指數(shù)對農業(yè)干旱進行預測。結果表明,NAR神經網絡對預測期為三年內的河南省農業(yè)干旱預測準確率較高,NAR神經網絡可以對河南農業(yè)干旱起到較好的預測作用。
【學位授予單位】：華北水利水電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：S423
【圖文】：

技術路線

2 干旱定義與預測方法2 NAR 動態(tài)神經網絡結構基于是否有反饋功能，可以將人工神經網絡分為動態(tài)神經網絡與靜態(tài)神經網絡，功能為動態(tài)神經網絡，無反饋功能的為靜態(tài)神經網絡。反饋功能指通過神經網絡設計使網絡的輸出值作為網絡的輸入值再次進入神經網絡訓練學習。即網絡的輸僅跟輸入值有關，也跟之前的輸出值有關。NAR 動態(tài)神經網絡擁有這種對之前的記憶能力，因此對處理復雜的動態(tài)映射尤其是時間序列處理上有很大優(yōu)勢[61]。NAR 神經網絡表達式為：y（ t ）= f(y(t - 1), y(t - 2), y(t - 3)...y(t - n))(2-其結構如圖 2-1。

圖 3-1 商丘 1954—2018 年降水量Figure 3-1 Precipitation in Shangqiu from 1954 to 2018對商丘1954—2018 年年平均降水量做突變性檢驗，對于長度為60多年的時間序列，選取 5 年為子序列的長度較為合理，即 n1=n2=5。MK 檢驗與滑動 T 檢驗如圖 3-2,圖 3-3所示。MK 檢驗中，突變點為 2018 年�；瑒� T 檢驗中，當 n1=n2=5 時，統(tǒng)計量 t 只能算到 2013 年，所以 2018 年是可疑突變點，不能確定是否為真實突變點。

【參考文獻】

相關期刊論文 前10條

1 孫鵬;張強;涂新軍;江濤;;基于馬爾科夫鏈模型的鄱陽湖流域水文氣象干旱研究[J];湖泊科學;2015年06期

2 林潔;夏軍;佘敦先;張利平;;基于馬爾科夫鏈模型的湖北省干旱短期預測[J];水電能源科學;2015年04期

3 于鑫;金建平;蒯志敏;包云軒;;氣象水文模型耦合研究及在西苕溪流域的模擬試驗[J];熱帶氣象學報;2014年06期

4 金菊良;酈建強;周玉良;費振宇;蔣尚明;袁瀟晨;何君;;旱災風險評估的初步理論框架[J];災害學;2014年03期

5 李艷梅;李廣;;基于模糊聚類和神經網絡的干旱等級預測模型[J];自動化與儀器儀表;2014年04期

6 李曉輝;楊勇;楊洪偉;;基于BP神經網絡與灰色模型的干旱預測方法研究[J];沈陽農業(yè)大學學報;2014年02期

7 白冬妹;郭滿才;郭忠升;陳亞楠;;時間序列自回歸模型在土壤水分預測中的應用研究[J];中國水土保持;2014年02期

8 張穎超;劉玉珠;;基于相空間重構的神經網絡月降水量預測方法[J];計算機仿真;2014年01期

9 遲道才;張?zhí)m芬;李雪;王X;吳秀明;張?zhí)啬?;基于遺傳算法優(yōu)化的支持向量機干旱預測模型[J];沈陽農業(yè)大學學報;2013年02期

10 郝春灃;賈仰文;王浩;;氣象水文模型耦合研究及其在渭河流域的應用[J];水利學報;2012年09期

本文編號：2780927