專利名稱：基于貝葉斯動態(tài)模型的灘涂面積預測方法
技術領域：
本發(fā)明屬于計算機自動化領域，涉及沿海灘涂面積的預測方法。
背景技術：
我國地處西太平洋沿岸，是海洋災害多發(fā)地區(qū)。海洋災害為我國帶來了巨大的經濟損失，因此，其防災減災工作歷來為我國政府所重視。近年來，沿海灘涂面積呈日益變化趨勢，例如頻頻出現的“怪潮”現象，為正在作業(yè)的漁民造成了巨大的經濟損失以及人身損失。因此對沿海灘涂的面積變化進行預測，減少沿海地區(qū)的損失，為了國家海洋防災減災工作的重中之重。常用的水文時間序列的預測方法是Box-Jenkins方法，它是一種精確度相當高的短期預測方法。然而，該方法存在著一定的局限性，它只適用于平穩(wěn)的時間序列，對于非平穩(wěn)的時間序列，不能直接用ARMA模型去描述，必須利用差分法轉化平穩(wěn)序列才能進行研究。而進行差分轉化需要大量足夠的數據，在實際中，這個要求往往是困難的。灘涂面積變化受到海洋動力、入海河流、氣候和氣溫等一系列的自然因素以及人為因素的影響，往往表現為非平穩(wěn)的時間序列。本發(fā)明采用貝葉斯動態(tài)模型方法，該方法不僅依賴于已有的動態(tài)數據，而且還依賴于測試人員的經驗、專家的建議和相關的資料、歷史的數據等，即由客觀信息和主觀信息的綜合得到后驗信息，并由此推斷得到后驗分布。根據后驗分布所建立的動態(tài)模型對未來時刻的數據進行預測。其特點在于模型的適應性好，適合描述復雜的變化規(guī)律，能處理異常情況的發(fā)生；在對數據方面的要求大大減少的同時，又得到了同樣精度的預測。

發(fā)明內容
本發(fā)明公開了一種灘涂面積的預測方法。該方法包括以下步驟通過RS、GPS和GIS結合，得到近十年來上海灘涂面積；根據上述數據選定貝葉斯動態(tài)模型的初始訓練集；調用該模型進行預測，并與實際值進行對比，直到預測結果在實際值的置信區(qū)間內為止。本發(fā)明提出的預測方法，其預測結構精細，在節(jié)省數據開銷的同時也提高的預測精度，為沿海漁民作業(yè)躲避海洋災害提供工具，同時也為國家防災減災做出貢獻。


圖1為本發(fā)明的預測過程流程圖。圖2為本發(fā)明的數據處理過程流程圖。圖3為本發(fā)明采用的貝葉斯預測方法的遞推過程。
具體實施例方式本發(fā)明公開了一種灘涂面積的預測方法，下面結合附圖對實施方式進行說明。1.請參考圖1。圖1為本發(fā)明的預測過程流程圖。通過數據處理，得到近十年來上海灘涂面積；根據上述數據選定貝葉斯動態(tài)模型的初始訓練集；調用該模型進行預測， 并與實際值進行對比，直到預測結果在實際值的置信區(qū)間內為止。2.請參考圖2。圖2為本發(fā)明的數據處理流程圖。選擇多時相RS影像圖，用GIS 處理軟件結合海圖對影像圖進行配圖，校準；選擇訓練樣區(qū)；利用GPS得到野外實地考察記 錄，再加上歷史數據資料，在RS處理軟件中對訓練樣區(qū)中的水體、灘涂、人工提壩、植物群 落等執(zhí)行監(jiān)督分類；將分類后的圖像進行GIS數據合成，得到所要的訓練樣區(qū)面積值。3.請參考圖3。圖3為貝葉斯動態(tài)模型預測方法的遞推過程。貝葉斯動態(tài)線性模 型(DynamicLinear Models，簡記為DLM)是由兩個方程確定的系統，這個系統描述為(I).過程的觀測如何隨機地依賴于當前的狀態(tài)參數；(II).狀態(tài)參數如何隨時間變化，表示了系統內部的動態(tài)變化和隨機擾動。定義DLM由 4 個元素所決定，{F，G，V,ff}t = {Ft，Gt, Vt, Wj，具體表示為觀測方程yt = Ft' 9t+vt vt N
狀態(tài)方程e t = Gt e H+ t t N[o，wt]初始先驗條件(eQID0) N [m0，C0]觀測方程和狀態(tài)誤差序列是獨立的，并且是相互獨立的，且與(ejD0)獨立。其中yt為rX 1維觀測向量，0 t為nX 1維狀態(tài)參數向量，Ft為nXr維矩陣，Gt 為nXn維矩陣，Vt和《t分別為r維和n維的正態(tài)零均值誤差項，方差分別是Vt和Wt。Dt 表示t時刻及其以前時刻所有有效信息的集合，Dtl為t = 0時初始信息的集合，在沒有外部 信息的條件下，Dt可記為Dt = {yt，yt_i，. . . , Y1, D0I該模型預測的原理及過程如下1) t-1時刻的后驗分布對于均值IV1和方差矩陣Cw有H) NQv1, Ct_J2) t 時刻的先驗分布(e 11 Dt_i) N [at，RJ，其中 EIt = GtIv1Rt = GtCt^1Gt ‘ +Wt3) 一步預測分布(yt|DH) N[ft，QJ，其中 ft = Ft' at Qt = Ft' Rt Ft+Vt4) t 時刻的后驗分布(0 11 Dt) N[mt，Cj，mt = at+Atet Ct = Rt-AtAt' Qt其中，At = RtFtQ^1, et = yt_ft。At叫做修正系數向量，et叫做一歩預測誤差。
權利要求
1.利用RS，GPS和GIS技術獲得近十年來灘涂面積；從獲得的面積數據中提取貝葉斯動態(tài)模型的初始訓練集；調用該模型進行預測；對預測值進行仿真，并與實際值進行對比；判斷預測值是否在實際值的95%置信區(qū)間內。本方法的預測過程流程圖如圖1所示。
2.根據權利要求書1所述，利用3S技術獲得近十年來的灘涂面積值。選擇多時相RS影像圖，用GIS處理軟件進行配圖，校準；選擇訓練樣區(qū)；利用GPS得到野外實地考察記錄，再加上歷史數據資料，在RS處理軟件中對訓練樣區(qū)中的水體、灘涂、人工提壩、植物群落等執(zhí)行監(jiān)督分類；將分類后的圖像進行GIS數據合成，得到所要的訓練樣區(qū)面積值。數據處理流程圖如圖2所示。
3.根據權利要求書1所述，提取模型的初始訓練集。根據權利要求書2所述，由進行GIS數據合成后的訓練樣區(qū)的面積值以及專家經驗，設定模型的初始參數值。
4.根據權利要求書1所述，調用該模型進行預測。將模型的預測公式通過MATLAB編程，在計算機中對其建模。貝葉斯動態(tài)線性模型(Dynamic Linear Models，簡記為DLM)是由兩個方程確定的系統，這個系統描述為(I).過程的觀測如何隨機地依賴于當前的狀態(tài)參數；(II).狀態(tài)參數如何隨時間變化，表示了系統內部的動態(tài)變化和隨機擾動。定義=DLM 由 4 個元素所決定，{F，G，V, ff}t = {Ft，Gt, Vt, Wj，具體表示為觀測方程 yt = Ft' et+vt vt N
狀態(tài)方程 Qt = Gtet-^cot cot N
初始先驗條件(θ 01D0) N[m0, C0]觀測方程和狀態(tài)誤差序列是獨立的，并且是相互獨立的，且與(QcJDci)獨立。其中yt為rXl維觀測向量，維狀態(tài)參數向量，Ft為nXr維矩陣，Gt為nXn維矩陣，vt和cot分別為r維和η維的正態(tài)零均值誤差項，方差分別是Vt和Wt。Dt表示t時刻及其以前時刻所有有效信息的集合，Dtl為t = O時初始信息的集合，在沒有外部信息的條件下，Dt 可記為 Dt = {yt, yt_i，…，D0I該模型預測的原理及過程如下1)t-Ι時刻的后驗分布對于均值IV1和方差矩陣C^1有(H) NDv1, Ct-J2)t 時刻的先驗分布(θ 11 DtJ N[at，RJ，其中 Eit = GtHv1 Rt = GtCt^1 Gt ‘ +Wt3)—步預測分布 JytIDtJ N[ft，Qt]，其中 ft = Ft' at Qt = Ft' Rt Ft+Vt4)t 時刻的后驗分布(θ 11 Dt) N[mt，CJ，mt = at+Atet Ct = Rt-AtAt ‘ Qt其中，At = Rt FtQtIet = yt_ft。At叫做修正系數向量，et叫做一步預測誤差。貝葉斯動態(tài)模型預測方法的遞推過程如圖3所示。
5.根據權利要求書1所述，對預測值進行仿真，并與實際值進行對比；計算出實際值的95%置信區(qū)間，判斷預測值是否在該置信區(qū)間內。若不在則返回權利要求書3，根據專家經驗重設模型的初始參數值。
全文摘要
本發(fā)明公開了一種灘涂面積的預測方法。該方法包括以下步驟通過RS、GPS和GIS結合，得到近十年來上海灘涂面積；根據上述數據選定貝葉斯動態(tài)模型的初始訓練集；調用該模型進行預測，并與實際值進行對比，直到預測結果在實際值的置信區(qū)間內為止。本發(fā)明提出的預測方法，其預測結構精細，在節(jié)省數據開銷的同時也提高的預測精度，為沿海漁民作業(yè)躲避海洋災害提供工具，同時也為國家防災減災做出貢獻。
文檔編號G06F19/00GK102375923SQ20101060770
公開日2012年3月14日 申請日期2010年12月23日 優(yōu)先權日2010年12月23日
發(fā)明者何世鈞, 張建新, 張明華, 王建, 王芬, 蘇誠, 袁小華, 郭偉其, 黃冬梅 申請人:上海海洋大學