-
题名基于改进支持向量机的气象干旱预测方法
被引量：4
- 1
-
-
作者
王雪妮
郝舒哲
常建波
邓显羽
-
机构
山西省地质调查院
太原理工大学水利科学与工程学院
中水东北勘测设计研究有限责任公司
-
出处
《沈阳农业大学学报》
CAS
CSCD
北大核心
2023年第5期599-606,共8页
-
基金
山西省科技厅基础研究计划项目(202203021222112)。
-
文摘
气象干旱制约着区域农业生产活动,通过监测预报、提前部署可有效降低其带来的危害。基于“先分解,后重构”思想,将自适应噪声完备经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、灰狼优化算法(grey wolf optimization,GWO)和支持向量机(support vector machine,SVM)相结合,构建CEEMDAN-GWO-SVM组合机器学习模型。以山西省1956−2007年逐月自适应帕默尔干旱指数(self-calibrated palmer drought severity index,scPDSI)为训练集,以2008−2020年逐月scPDSI值为测试集。采用scPDSI预测值与实际值之间的均方误差、平均绝对误差及决定系数作为评价指标,对该模型的预测效果进行了评价,并比较了该模型与常用的GWO-SVM和随机森林模型预测结果。结果表明:相较于两种常用机器学习模型,基于CEEMDAN-GWO-SVM模型预测得到的均方根误差可分别降低7.6%和19.5%,平均绝对误差分别降低19.9%和27.4%,决定系数则分别提高5.6%和20.3%,预测的干旱等级和实际情况接近。CEEMDAN-GWO-SVM模型预测精度优于GWO-SVM模型和随机森林模型,在气象干旱预测中具有较好的适用性。
-
关键词
自适应帕默尔干旱指数
自适应噪声
完备经验模态分解法
灰狼优化算法
支持向量机
干旱预测
山西省
-
Keywords
scPDSI
adaptive noise
CEEMDAN
GWO
SVM
drought prediction
Shanxi Province
-
分类号
S27
[农业科学—农业水土工程]
P338
[天文地球—水文科学]
-
