通过多个夜间光指数和神经网络预测中国省级农业产值

科学领域:

• 农业经济学 农业经济学
• 遥感 遥感 遥感 遥感
• 数据科学数据科学数据科学

背景情况:

• 准确预测农业,林业,畜牧业和渔业 (TOVAFAF) 的总产值对于农业经济发展和政策改进至关重要.
• 夜间光 (NTL) 遥感数据为TOVAFAF预测提供了一个有希望的途径,但在模拟有限样本的复杂非线性关系方面面临挑战.
• 现有的方法难以完全捕捉NTL指数与农业产值之间的复杂联系.

研究的目的:

• 利用多个NTL指数,为中国的省级TOVAFAF开发一个更准确,更有效的预测模型.
• 为了应对有限样本大小的NTL数据和TOVAFAF之间的复杂非线性关系的挑战.
• 通过数据转换技术,增强NTL数据和TOVAFAF之间的相关性.

主要方法:

• 作为输入变量,利用了来自NPP-VIIRS数据的八个夜间灯光 (NTL) 指数.
• 采用单隐层反向传播 (BP) 神经网络和极端学习机器 (ELM) 作为基础模型.
• 提出了一种新的集体粒子群优化 (EPSO) 算法来优化神经网络模型,并将对NTL数据应用了对数转换.

主要成果:

• 神经网络算法有效地捕获了NTL数据和TOVAFAF之间的非线性关系.
• 与PSO优化模型和规范化相比,EPSO优化模型和对数转换显著改善了预测性能.
• 使用对数转换的EPSO-BP模型实现了2023年省级TOVAFAF预测的最佳表现 (MRE: 20.65%,R2: 0.8749).

结论:

• 拟议的EPSO-BP模型与对数转换证明了TOVAFAF预测的卓越准确性和有效性.
• 在使用先进的优化和转换技术处理时,NTL指数为农业经济趋势提供了有价值的见解.
• 这种方法为中国的农业政策制定和经济规划提供了强大的工具.