期刊
  出版年
  关键词
结果中检索 Open Search
Please wait a minute...
选择: 显示/隐藏图片
1. 四川水稻不同生育期干旱与产量灰色关联分析
邓国卫, 孙俊, 赖江, 张玲
干旱气象    2022, 40 (5): 814-822.   DOI: 10.11755/j.issn.1006-7639(2022)-05-0814
摘要281)   HTML5)    PDF(pc) (11897KB)(923)    收藏

为克服灾情资料收集不足和不同生育期旱情影响分离困难,本文利用1981—2015年四川省气象站逐日气象观测资料、农业气象观测站水稻生育期资料和各县水稻产量资料,以改进的水分盈亏指数为干旱指标,采用灰色关联分析法,探究四川水稻各生育期干旱与产量的关系。结果表明:四川水稻各生育期干旱频率从高到低依次为移栽—分蘖期、分蘖—拔节期、孕穗—抽穗期、抽穗—成熟期、拔节—孕穗期。各生育期水稻干旱频率同水分盈亏指数与产量灰色关联度的空间一致性较低,干旱高频区出现在盆地中部或东北部,而关联度较高区域则位于盆周、攀西等山区。伴随着水稻生长发育进程,干旱对水稻产量的影响逐渐减弱,移栽—分蘖期和分蘖—拔节期干旱对水稻产量影响最明显。不同稻作区各县干旱对水稻产量影响最大的生育期不同,各地区应根据水稻各生育期干旱影响特点加强水稻干旱防御。其中,成都平原、盆中丘陵稻作区应重点关注分蘖—拔节期水稻干旱防御,而其他5个稻作区应重点关注移栽—分蘖期水稻干旱防御。

图表 | 参考文献 | 相关文章 | 多维度评价
2. 基于多种算法优化SVM模型的乌东德水电站降水量预报
孙俊奎, 王将, 康道俊, 闫丽萍, 周稀
干旱气象    2019, 37 (4): 670-675.  
摘要244)      PDF(pc) (723KB)(1413)    收藏
基于粒子群优化(PSO)算法和遗传算法(GA)对支持向量机(SVM)的核函数及主要参数进行训练优化,分别建立PSO算法、GA的支持向量机模型(PSO_SVM、GA_SVM)。选用ECMWF及T639数值预报产品资料和乌东德水电站降水资料,普查最优预报因子,构建包含各种类型降水过程的训练样本和测试样本。比较分析SVM模型RBF和Sigmoid核函数优劣。尝试先分段寻找局部最优,再选择全局最优的参数优化方法。通过增大训练样本集、降低交叉验证准确率、迭代次数截断和控制惩罚系数范围的方法,提高模型的稳定性和泛化能力,防止过拟合和收敛缓慢现象。利用测试样本对SVM、PSO_SVM和GA_SVM三种方案进行对比检验,优化的GA_SVM预报效果较好且稳定。经2018年试报表明,GA_SVM逐3 h累计降水量预报TS评分在50%以上,漏报率在15%以下,与ECMWF和T639比较,该模型TS评分提高1.4%。

相关文章 | 多维度评价