[发明专利]基于贝叶斯动态模型的滩涂面积预测方法

权利要求书

基于贝叶斯动态模型的滩涂面积预测方法，其技术特征如下：

1.利用RS，GPS和GIS技术获得近十年来滩涂面积；从获得的面积数据中提取贝叶斯动态模型的初始训练集；调用该模型进行预测；对预测值进行仿真，并与实际值进行对比；判断预测值是否在实际值的95％置信区间内。本方法的预测过程流程图如图1所示。

2.根据权利要求书1所述，利用3S技术获得近十年来的滩涂面积值。选择多时相RS影像图，用GIS处理软件进行配图，校准；选择训练样区；利用GPS得到野外实地考察记录，再加上历史数据资料，在RS处理软件中对训练样区中的水体、滩涂、人工堤坝、植物群落等执行监督分类；将分类后的图像进行GIS数据合成，得到所要的训练样区面积值。数据处理流程图如图2所示。

3.根据权利要求书1所述，提取模型的初始训练集。根据权利要求书2所述，由进行GIS数据合成后的训练样区的面积值以及专家经验，设定模型的初始参数值。

4.根据权利要求书1所述，调用该模型进行预测。将模型的预测公式通过MATLAB编程，在计算机中对其建模。贝叶斯动态线性模型(Dynamic Linear Models，简记为DLM)是由两个方程确定的系统，这个系统描述为：

(I).过程的观测如何随机地依赖于当前的状态参数；

(II).状态参数如何随时间变化，表示了系统内部的动态变化和随机扰动。

定义：DLM由4个元素所决定，{F，G，V，W}_t＝{F_t，G_t，V_t，W_t}，

具体表示为：

观测方程y_t＝F_t′θ_t+ν_t ν_t～N[0，V_t]

状态方程θ_t＝G_tθ_t-1+ω_t ω_t～N[0，W_t]

初始先验条件：(θ₀|D₀)～N[m₀，C₀]

观测方程和状态误差序列是独立的，并且是相互独立的，且与(θ₀|D₀)独立。

其中：y_t为r×1维观测向量，θ_t为n×1维状态参数向量，F_t为n×r维矩阵，G_t为n×n维矩阵，ν_t和ω_t分别为r维和n维的正态零均值误差项，方差分别是V_t和W_t。D_t表示t时刻及其以前时刻所有有效信息的集合，D₀为t＝0时初始信息的集合，在没有外部信息的条件下，D_t可记为D_t＝{y_t，y_t-1，…，y₁，D₀}

该模型预测的原理及过程如下：

1)t-1时刻的后验分布：对于均值m_t-1和方差矩阵C_t-1有

(θ_t-1|D_t-1)～N[m_t-1，C_t-1]

2)t时刻的先验分布：(θ_t|D_t-1)～N[a_t，R_t]，其中a_t＝G_tm_t-1 R_t＝G_tC_t-1 G_t′+W_t

3)一步预测分布：(y_t|D_t-1)～N[f_t，Q_t]，其中f_t＝F_t′a_t Q_t＝F_t′R_t F_t+V_t

4)t时刻的后验分布：(θ_t|D_t)～N[m_t，C_t]，m_t＝a_t+A_te_t C_t＝R_t-A_tA_t′Q_t

其中，A_t＝R_t F_tQ_t^-1，e_t＝y_t-f_t。A_t叫做修正系数向量，e_t叫做一步预测误差。贝叶斯动态模型预测方法的递推过程如图3所示。

5.根据权利要求书1所述，对预测值进行仿真，并与实际值进行对比；计算出实际值的95％置信区间，判断预测值是否在该置信区间内。若不在则返回权利要求书3，根据专家经验重设模型的初始参数值。