基于IANN的县域农业可持续性预警模型研究 ——以黄河下游沿岸典型县市为例

论文摘要

区域农业系统的生存和发展易受到来自农业经济社会、资源和环境等多种因素的干扰,使农业发展可能偏离正常的运行轨道,产生各种警情。建立灵敏而准确的县域尺度短期预警模型,在科学测度农业可持续性的基础上,通过对警源的寻找和警兆的分析,使决策者能够及时发现和排除警情,从而对农业运行过程进行灵活有效的宏观调控,对确保县域农业可持续发展和国家粮食安全具有重要意义。可持续发展理论和预警理论是全文进行县域农业可持续性预警模型研究的重要理论基石。论文在可持续发展这一基本理论框架下,阐释了不同时空尺度农业可持续性测度的差异与联系,从而更为清晰的界定了县域尺度“农业可持续性”的内涵。研究期内县域农业发展系统为相对稳定和封闭的系统,这是预警模型成立的重要前提。同时也必须假定警情评判系统的3个子系统在研究期内均为线性系统,以便运用加权法获得子系统综合指数。从农业可持续性预警实现的具体要求出发,基于加权主成分分析算法（WPCA）,从优化网络初始权值的视角对BP人工神经网络进行改良,形成快速收敛和高精度的网络模型WPCA-NN。以WPCA-NN为核心,将黄色预警法与传统系统学方法巧妙结合,建立了科学合理、易于操作的县域农业可持续性预警指标体系和模型体系。在黄淮海平原的黄河下游沿岸这一国家重要的粮食主产区中,选取5个典型县为主要案例,完成各县明确警情、寻找警源、分析警兆、预报警度4个关键环节,对5县20年来农业发展的状态、过程以及未来5年的发展变动趋势进行了较为深入的研究。本文的主要研究结论如下:（1）通过人工神经网络、统计预警与模型预警等方法的耦合,在县域这一更小的尺度上构建的农业可持续性预警模型体系具有良好的可操作性。“少而精”的警情指标体系与尽量完备的警兆指标体系更能突出县域尺度农业可持续性测度注重农业生产组织与实施的特点。农业可持续性警情三维空间、基于WPCA-NN的指标敏感性分析、Pearson相关分析和基于WPCA-NN的警度预报是各环节的核心技术。（2）改进的BP算法既能反映决策者对各指标的偏好程度,又能规避经典BP算法学习速度慢和易陷入局部极小的缺陷。采用加权主成分分析法改变BP神经网络初始权向量的取值,基于Oja网络模型形成三层WPCA-NN,分别采用无监督学习的加权主成分分析算法和线性有导师的δ学习规则完成输入层到隐层和隐层到输出层的权值学习,从而有效提高了预警模型的解释力。（3）典型县域选择具有科学性和可行性。主要根据109县域经济实力分类结果,参考经济实力、粮食单产及其投入影响因素的空间分异规律,综合运用加权主成分分析、层次聚类分析、SOFM网络建模以及全局和局域空间异质性分析等方法,选取垦利县、中牟县、高青县、台前县和封丘县5县分别作为经济实力雄厚、较强、一般、较薄弱和薄弱县的代表。采用主成分得分和层次聚类结果辅助确定参数是SOFM网络合理分类的重要保证。（4）县域农业可持续性预警实证分析达到预期并符合实际。1989～2008年农业经济-社会持续指数总体上带动5县农业警情综合持续指数增长,但农业资源持续指数的波动和农业环境持续指数的加速下降为农业可持续发展的愿景埋下隐患。农业生产物资条件及基础设施状况、耕地利用投入水平、农业生产的环境背景等是5县农业发展共同的警源。2009～2013年5县的农业可持续性警情虽多为有警,但均以轻警和中警为主,说明警情下降的态势不甚严重,资源和环境方面警兆的异常波动,尤其是权重较大的那些警兆指标对警情有着更为直接的影响。本文的主要创新之处在于:（1）从经济社会、资源和环境三个方面提出了用于农业可持续性预警的指标体系;（2）将改进的人工神经网络法与传统的黄色预警法相结合,建立了县域农业可持续性预警的模型体系;（3）从明确警情、寻找警源、分析警兆和预报警度4个关键环节,完成了典型县的预警测度计算分析,验证了模型体系和指标体系的可行性。论文深化了区域农业可持续发展研究的理论和方法,预警模型参数的推广应用对指导地方农业生产实践具有重要参考价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 研究内容
• 1.3 研究思路与方法
• 1.3.1 研究思路
• 1.3.2 研究方法
• 1.3.3 数据来源
• 第二章 相关研究综述
• 2.1 区域可持续性预警理论研究进展
• 2.1.1 宏观经济预警
• 2.1.2 自然灾害预警
• 2.1.3 区域综合预警
• 2.1.4 部门专业预警
• 2.2 农业可持续性预警研究的主要领域
• 2.2.1 农业气候/气象灾害预警
• 2.2.2 病虫害防治与农药残留监测
• 2.2.3 水土资源污染预警
• 2.2.4 预警数据获取
• 2.3 农业可持续性预警定量研究方法
• 2.3.1 传统预警法
• 2.3.2 综合评价法
• 2.3.3 非线性方法
• 2.4 小结与简评
• 第三章 县域农业可持续性预警模型框架的构建
• 3.1 农业可持续性的界定
• 3.1.1 农业可持续性测度的不同空间尺度
• 3.1.2 预警模型构建的区域尺度——县域
• 3.1.3 县域尺度农业可持续性的内涵
• 3.2 县域农业可持续性预警的概念模型
• 3.2.1 模型成立的重要前提条件
• 3.2.2 概念框架设计
• 3.2.3 预警流程设计
• 3.3 县域农业可持续性预警的操作模型
• 3.3.1 建立指标体系
• 3.3.2 明确警情
• 3.3.3 寻找警源
• 3.3.4 分析警兆
• 3.3.5 预报警度
• 第四章 BP 神经网络算法改进
• 4.1 人工神经网络建模基础
• 4.1.1 神经元的数学模型
• 4.1.2 误差反传算法
• 4.1.3 Kohonen 学习算法
• 4.2 对BP 网络的已有改进
• 4.2.1 标准BP 算法的缺陷
• 4.2.2 算法本身改进
• 4.2.3 引入全局优化算法
• 4.2.4 模糊BP 神经网络
• 4.2.5 小波BP 神经网络
• 4.3 基于WPCA 的BP 算法改进
• 4.3.1 初始权值对收敛性的影响
• 4.3.2 Oja 网络模型
• 4.3.3 加权主成分分析法
• 4.3.4 基于WPCA 的BP 权值学习
• 4.4 本章小结
• 第五章 基于 SOFM 和 GWR 的典型县域选择
• 5.1 研究区域界定
• 5.2 指标体系建立
• 5.2.1 指标选取
• 5.2.2 指标计算与权重
• 5.3 黄河下游沿岸县域经济实力的空间差异
• 5.3.1 加权主成分分析
• 5.3.2 县域经济空间分异特征
• 5.4 黄河下游沿岸县域经济实力分类
• 5.4.1 层次聚类分析
• 5.4.2 SOFM 网络建模
• 5.4.3 结果分析
• 5.5 黄河下游沿岸县域粮食单产的空间异质性
• 5.5.1 数据与GWR 模型
• 5.5.2 结果与分析
• 5.5.3 结论与建议
• 5.6 典型县域选择与区域分析
• 5.6.1 典型县域选择
• 5.6.2 区域分析
• 5.7 本章小结
• 第六章 黄河下游沿岸典型县域农业可持续性预警
• 6.1 明确警情
• 6.1.1 建立警情指标体系
• 6.1.2 子系统持续指数
• 6.1.3 警情综合持续指数
• 6.2 寻找警源
• 6.2.1 主导因子提取
• 6.2.2 指标敏感性分析
• 6.3 分析警兆
• 6.3.1 警情警限设置
• 6.3.2 警兆警区确定
• 6.4 预报警度
• 6.4.1 单项警兆指标预测
• 6.4.2 警度预报
• 6.5 改进BP 算法用于警度预报的效果
• 6.5.1 与BP 算法对比
• 6.5.2 与回归分析法对比
• 6.6 本章小结
• 第七章 结论与展望
• 7.1 主要研究结论
• 7.2 主要创新点
• 7.3 进一步研究的展望
• 参考文献
• 附录
• 致谢
• 攻读博士学位期间主要科研工作