20、人工神经网络在空间数据建模与分类中的应用

人工神经网络在空间数据建模与分类中的应用

1. 广义回归神经网络（GRNN）在降水建模中的应用

1.1 降水数据建模背景

在分析和建模月降水数据时，可使用广义回归神经网络（GRNN）构建两种模型：仅使用地理坐标的二维模型（GRNN 2D）和加入海拔作为第三输入的三维模型（GRNN 3D）。尽管降水与海拔的全局线性相关性较弱，但存在一些局部强相关模式。

1.2 研究步骤与结果

1.2.1 数据子集划分

运用两种方法将数据划分为训练集和测试集：
- 从原始数据集中随机选择 99 个点。
- 进行单元随机选择，同样选取 99 个点。

前者的测试数据遵循监测网络的聚类，后者的测试数据集更均匀，能代表空间模式。测试数据集仅用于独立估计泛化误差和比较 GRNN 2D、GRNN 3D 和克里金三种模型。

1.2.2 模型训练

• GRNN 2D：调整各向异性核，参数为 σX = 7 km 和 σY = 5 km。
• GRNN 3D：调整参数为 σX = 11 km，σY = 7 km，σalt = 300 m。

这些模型通过测试数据集进行测试，并用于绘制降水图。GRNN 2D 模型的一个有趣输出是有效性域映射，接近输入空间密度映射，可用于划分预测更可靠的区域。

1.2.3 残差分析

这是关键步骤，涉及训练集和测试集。训练残差分析可量化 GRNN 建模的质量，残差应呈正态分布且无空间相关性，变异函数应呈现纯块金效应。

GRNN 2D