基于BPNN的中国北方草原地区NDVI的预测方法

本发明涉及降雨量、NDVI预测建模领域，更具体的说，是涉及一种基于BPNN的中国北方草原地区NDVI的预测方法。

近30年来，中国北方草原地区植被退化严重，一方面归因于草原地区畜牧业的快速发展，即过度放牧现象持续增加，导致草产量和牲畜数量出现比较明显的失衡，最终导致草原地区出现不同程度的退化、沙化现象。另一方面，由于该地区降雨量年度变化异常，极个别年份出现严重的旱灾(如2016年)或涝灾(如2013年)，严重威胁了该地区草原生态环境的恢复与保护，以及草原畜牧业的可持续发展。所以，研究一种基于气象数据及遥感数据的新型草产量预测方法是科学发展草原畜牧业的必由之路。

目前，针对类似中国北方干旱半干旱草原地区的草产量估算与预测，主要还是基于人工经验方法。随着遥感图像技术的发展，基于normalized difference vegetationindex(NDVI)评估草产量的技术已被广泛利用。然而，目前针对NDVI的预测研究主要应用传统的线性统计模型，该模型无法精确表征NDVI的非线性变化特性。

Backpropagation neural network(BPNN)作为最流行的一种人工神经网络模型已经被应用于诸多领域，被公认为适合处理具有非线性关系的数据。针对降雨量数据与NDVI数据及其之间关系的非线性特点，本发明基于BPNN分别建立了降雨量自预测模型、降雨量-NDVI映射模型，最终间接实现NDVI的准确预测。NDVI的准确预测，将有利于实现草畜的平衡发展及草原生态与环境的恢复与保护。

本发明的目的是为了克服现有针对中国北方草原地区NDVI预测技术中的不足，基于以往降雨量和NDVI的观测数据，提出一种基于BPNN的中国北方草原地区NDVI的预测方法，可以准确预测生长季(6-8月)NDVI平均值，从而实现根据NDVI的预测值评估未来年份可放牧的牲畜数量(载畜量)，该方法有利于基于可预测的气候条件实现动态的放牧策略，以避免灾害年份出现过度放牧。

本发明的目的是通过以下技术方案实现的。

本发明的基于BPNN的中国北方草原地区NDVI的预测方法，包括以下步骤：

第一步：建立未来年度生长季月平均降雨量BPNN预测模型

①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量BPNN预测模型的输入变量P(t-1)、P(t-2)、P(t-3)和输出变量P(t)，其中，P(t)、P(t-1)、P(t-2)、P(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值；

②通过数据训练、仿真，获得降雨量BPNN预测模型的训练数据和测试数据；

③将训练数据导入降雨量BPNN预测模型中，对降雨量BPNN预测模型进行训练；

④将测试数据中输入变量导入已经训练好的降雨量BPNN预测模型中，比较降雨量BPNN预测模型输出结果和降雨量实际观测值(测试数据中输出变量)，并计算测试误差MAE、RMSE；

⑤比较每次降雨量BPNN预测模型的训练精度MAE、RMSE大小，如果MAE、RMSE小于精度期望值，则完成降雨量BPNN预测模型训练；如果MAE、RMSE大于精度期望值，则调整模型参数重新训练，直到MAE、RMSE小于精度期望值，结束训练，完成降雨量BPNN预测模型建模；

第二步：建立未来年度生长季月平均降雨量-NDVI映射模型

①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量-NDVI映射模型的输入变量P(t)、P(t-1)和输出变量N(t)，其中，P(t)、P(t-1)分别是t、t-1年度生长季降雨量月平均值，N(t)是t年度生长季NDVI月平均值；

②通过数据训练、仿真，获得降雨量-NDVI映射模型的训练数据和测试数据；

③将训练数据导入降雨量-NDVI映射模型中，对降雨量-NDVI映射模型进行训练；

④将测试数据中输入变量导入已经训练好的降雨量-NDVI映射模型中，比较降雨量-NDVI映射模型输出结果和NDVI实际观测值(测试数据中输出变量)，并计算测试误差MAE、RMSE；

⑤比较每次降雨量-NDVI映射模型的训练精度MAE、RMSE大小，如果MAE、RMSE小于精度期望值，则完成降雨量-NDVI映射模型训练；如果MAE、RMSE大于精度期望值，则调整模型参数重新训练，直到MAE、RMSE小于精度期望值，结束训练，完成降雨量-NDVI映射模型建模；

第三步：将降雨量BPNN预测模型产生的未来年度生长季降雨量月平均预测值，代入到降雨量-NDVI映射模型中，获得未来年度生长季NDVI月平均预测值。

第一步④中得测试误差MAE、RMSE按以下公式计算：

其中，(Y)表示降雨量实际观测值，即测试数据中输出变量，也就是BPNN预测模型的理想输出结果，(Y)表示BPNN预测模型的输出结果，n表示样本数量。

第二步④中得测试误差MAE、RMSE按以下公式计算：

其中，(Y)表示NDVI实际观测值，即测试数据中输出变量，也就是降雨量-NDVI映射模型的理想输出结果，(Y)表示降雨量-NDVI映射模型的输出结果，n表示样本数量。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明首次提出一种基于BPNN实现NDVI预测的方法，并以中国北方草甸草原地区生长季NDVI为例进行预测，首次将BPNN模型应用该地区的NDVI预测建模，可避免因旱灾或涝灾年份的出现而造成重大的生态破坏与经济损失，具有重大的环境与经济战略价值及学术意义，新型的NDVI预测方法将填补NDVI预测不精确的技术空白。相比传统的NDVI的预测方法，基于BPNN建立的预测模型具有快速、准确的优势。

图1是基于BPNN的降雨量预测模型建模流程示意图；

图2是基于BPNN的降雨量预测模型结构示意图；

图3是基于BPNN的降雨量预测结果示意图；

图4是基于BPNN的降雨量-NDVI映射模型示意图；

图5是基于BPNN的降雨量-NDVI映射模型结构图；

图6是基于BPNN的降雨量-NDVI映射模型结果示意图。

下面结合附图对本发明作进一步的描述。

本发明的基于BPNN的中国北方草原地区NDVI的预测方法，包括以下步骤：

(一)基于1965-2015年的生长季月平均降雨量数据进行建模，获得未来年度生长季月平均降雨量BPNN预测模型，该模型满足预测要求，达到了建模的精度，不仅能够预测出未来年份降雨量的变化趋势，也能对降雨量序列的突变点进行预测。具体实现过程如下：

①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量BPNN预测模型的输入变量P(t-1)、P(t-2)、P(t-3)和输出变量P(t)，其中，P(t)、P(t-1)、P(t-2)、P(t-3)分别是t、t-1、t-2、t-3年度生长季降雨量月平均值。

②通过数据训练、仿真，获得降雨量BPNN预测模型的训练数据和测试数据。

③将训练数据导入降雨量BPNN预测模型中，对降雨量BPNN预测模型进行训练。

④将测试数据中输入变量导入已经训练好的降雨量BPNN预测模型中，比较降雨量BPNN预测模型输出结果和降雨量实际观测值(测试数据中输出变量)，并计算测试误差MAE、RMSE，按以下公式计算：

其中，(Y)表示降雨量实际观测值，即测试数据中输出变量，也就是BPNN预测模型的理想输出结果，(Y)表示BPNN预测模型的输出结果，n表示样本数量。

⑤比较每次降雨量BPNN预测模型的训练精度MAE、RMSE大小，如果MAE、RMSE小于精度期望值，则完成降雨量BPNN预测模型训练；如果MAE、RMSE大于精度期望值，则需要调整模型参数(激励函数G和隐藏神经元个数N)重新训练，直到MAE、RMSE小于精度期望值，结束训练，完成降雨量BPNN预测模型建模。

(二)基于2000-2015年生长季降雨量、NDVI数据建立未来年度生长季月平均降雨量-NDVI映射模型，实现基于降雨量数据关联预测NDVI。具体实现过程如下：

①基于SPSS统计软件进行相关性分析，确定北方草原地区年度生长季月平均降雨量-NDVI映射模型的输入变量P(t)、P(t-1)和输出变量N(t)，其中，P(t)、P(t-1)分别是t、t-1年度生长季降雨量月平均值，N(t)是t年度生长季NDVI月平均值。

②通过数据训练、仿真，获得降雨量-NDVI映射模型的训练数据和测试数据。

③将训练数据导入降雨量-NDVI映射模型中，对降雨量-NDVI映射模型进行训练。

④将测试数据中输入变量导入已经训练好的降雨量-NDVI映射模型中，比较降雨量-NDVI映射模型输出结果和NDVI实际观测值(测试数据中输出变量)，并计算测试误差MAE、RMSE，按以下公式计算：

其中，(Y)表示NDVI实际观测值，即测试数据中输出变量，也就是降雨量-NDVI映射模型的理想输出结果，(Y)表示降雨量-NDVI映射模型的输出结果，n表示样本数量。

⑤比较每次降雨量-NDVI映射模型的训练精度MAE、RMSE大小，如果MAE、RMSE小于精度期望值，则完成降雨量-NDVI映射模型训练；如果MAE、RMSE大于精度期望值，则需要调整模型参数(激励函数G和隐藏神经元个数N)重新训练，直到MAE、RMSE小于精度期望值，结束训练，完成降雨量-NDVI映射模型建模。

第三步：将降雨量BPNN预测模型产生的未来年度生长季降雨量月平均预测值，代入到降雨量-NDVI映射模型中，获得未来年度生长季NDVI月平均预测值。

实施例：

现基于呼伦贝尔鄂温克地区1961-2015年生长季降雨量月平均值、2000-2015年生长季NDVI月平均值，结合NDVI预测模型的建立方法对本发明提出的基于BPNN的中国北方草原地区NDVI的预测方法进行详细的说明。

1、选择预测模型的输入变量，基于SPSS统计软件进行相关性分析，最终确定与P(t)对应的输入序列P(t-1)、P(t-2)、P(t-3)；

2、获得降雨量BPNN预测模型的训练数据和测试数据，按照图1的流程，将训练数据导入降雨量BPNN预测模型，对降雨量BPNN预测模型进行训练；

3、确定最优模型的结构，图2所示，确定输入变量为P(t-1)、P(t-2)、P(t-3)，即利用前三年的降雨量作为输入变量预测当年的降雨量，在本实施例中，激励函数选取sigmoid，隐藏层为2层，神经元个数依次为50/20。

4、比较降雨量BPNN预测模型的测试误差MAE、RMSE，最后获得最佳训练结果为MAE＝6.294mm(占对应降雨量序列平均值的8.18％)、RMSE＝6.846(占对应降雨量序列平均值的8.89％)；

5、预测效果分析，如图3所示为降雨量预测结果与实际降雨量的比较。可见，该模型能够预测出未来降雨量的变化趋势，对突变的降雨量极值年份也能进行预测。

6、同理步骤1-5，确定降雨量-NDVI映射模型的输入为P(t)、P(t-1)，输出为N(t)，如图4、图5所示，隐藏神经元个数为4，激励函数选取sigmoid；

7、比较降雨量-NDVI映射模型的测试误差MAE、RMSE，最后获得最佳训练结果为MAE＝0.017(占对应NDVI序列平均值的2.18％)、RMSE＝0.019(占对应NDVI序列平均值的2.43％)，并通过将NDVI实际值与预测值进行相关性分析得(图6为NDVI预测结果图)，相关系数为0.764。可见，该模型预测的NDVI与其实际值具有很高的相关性，该模型能够预测出未来NDVI的变化趋势，并通过结合降雨量BPNN预测模型，可获得未来年份NDVI的预测值，这对于极端干旱或洪涝灾害年度的放牧系统管理，具有极其重要的研究意义。

综上所述，应用BPNN模型，建立中国北方草甸草原地区生长季NDVI的预测模型，这对该地区的植被恢复、环境保护及畜牧业的发展都具有重要的意义。

尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。