20、人工神经网络在空间环境数据建模中的应用

人工神经网络在空间环境数据建模中的应用

1. 广义回归神经网络（GRNN）在降水建模中的应用

广义回归神经网络（GRNN）是一种用于自动建模空间数据的灵活通用方法。下面以降水数据建模为例，详细介绍GRNN的应用步骤和效果。

1.1 数据划分

将降水数据划分为训练集和测试集，采用两种划分方法：
- 从原始数据集中随机选择99个点作为测试集，这种情况下测试数据遵循监测网络的聚类分布。
- 采用单元随机选择相同数量的点作为测试集，此测试数据集更均匀，能代表空间模式。

测试数据集不用于模型开发或参数调整，仅用于独立估计泛化误差，并比较GRNN 2D、GRNN 3D和克里金这三种模型。

1.2 模型训练

• GRNN 2D模型 ：使用各向异性核进行调优，参数设置为σX = 7 km，σY = 5 km。
• GRNN 3D模型 ：调优参数为σX = 11 km，σY = 7 km，σalt = 300 m。

训练后的模型用于准备降水地图，其中GRNN 2D模型的一个有趣输出是有效性域映射，它接近输入空间密度的映射，可用于划定预测更可靠的区域。

1.3 残差分析

残差分析是评估模型质量的重要步骤，涉及训练集和测试集。理想情况下，残差应呈正态分布且无空间相关性，变异函数应显示纯块金效应。
- GRNN 2D模型残差分布 ：经验分布接近高斯分布，均值接近零。
-