基于APO-RBF神经网络的林区能见度预测方法

摘要

对林区资源准确、实时的监测是林区保护的基础，使用视觉传感器对林区资源进行检测是目前最高效、最具前景的方式。能见度作为视觉检测中的重要影响因素，直接影响林区生态监测、灾害预警与环境质量评估。传统的林区能见度测量方法主要有设备检测法和遥感测量法。设备检测法中采用的能见度检测仪造价高、不便携。其检测原理为通过测量光的衰减程度来推算能见度，但林区内树木植被遮挡严重、环境复杂，设备可用性和可靠性大受影响；遥感测量法成本较高，受大气与云层等因素影响大，且因为卫星轨道有限，难以对特定地区提供实时监测，数据的时效性差。由于气象数据易获得、实时性高等特点，近年来通过神经网络与深度学习的方法构建基于气象数据的能见度预测模型已经成为研究趋势。本研究提出的APO（arctic puffin optimization,北极海雀优化算法）-RBF（radial basis function,径向基函数）神经网络能见度预测模型是一种结合APO和RBF神经网络的优化模型，旨在通过动态调整并选择最优RBF网络结构参数来提升其预测性能。首先选取北京市西北部多林区地带气象站与空气质量监测数据，通过对原始数据清洗、剔除、挑选得到气象数据集，划分其中70%为训练集；再通过灰色关联法筛选出对能见度影响较大的气象因素(湿度、风速、PM_2.5、大气压、温度),作为APO-RBF预测模型输入参数；并将预测结果与XGBoost（extreme gradient boosting,极端梯度上升）、决策树、BP（back propagation,反向传播）神经网络等能见度预测模型结果进行对比。结果表明，本研究所提出的APO-RBF神经网络能见度预测模型在测试集上的RMSE（均方根误差）为0.319,R²（拟合程度）为0.902,与传统方法相比具有更好的鲁棒性和预测精度。本研究所提出的基于APO-RBF神经网络能见度预测模型为提升林区资源精确监测与灾害预警能力等方面提供了有力支持，为今后能见度的预测工作提供了理论依据。

关键词

林区资源 / 能见度预测 / 气象数据 / APO优化算法 / RBF神经网络