基于自私獸群算法優(yōu)化多尺度熵的區(qū)域降水復(fù)雜性分析

劉東， 王椿慶， 張亮亮

(1.東北農(nóng)業(yè)大學(xué) 水利與土木工程學(xué)院，黑龍江 哈爾濱 150030； 2.農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室，黑龍江 哈爾濱 150030； 3.黑龍江省寒區(qū)水資源與水利工程重點實驗室，黑龍江 哈爾濱 150030)

氣候變化對人類社會的巨大影響，受到了世界各國的普遍關(guān)注。降水作為影響人類和陸地生態(tài)系統(tǒng)的重要氣候因素之一，一直是各國學(xué)者熱衷研究的對象[1-2]。降水作為區(qū)域自然地理特征的重要表征要素，是水文預(yù)報的重要依據(jù)。然而，降水受到多重水文要素、季節(jié)性變化以及空間分布的影響，使其呈現(xiàn)出顯著的不確定性和明顯的波動變化等復(fù)雜性特征[3]。人口、工農(nóng)業(yè)以及經(jīng)濟發(fā)展對水的需求與日俱增，降水的復(fù)雜性特征導(dǎo)致降水的強時空變異性,這既增加了降水預(yù)報和水資源管理的難度，又增加了旱澇災(zāi)害的發(fā)生幾率，嚴(yán)重影響著人民的生產(chǎn)和生活。同時，降水對植被、土壤理化性質(zhì)、地表徑流均具有很大的影響，降水復(fù)雜性給生態(tài)環(huán)境帶來諸多影響。基于此種背景，探究降水復(fù)雜性測度改進方法，識別區(qū)域降水的復(fù)雜性特征，探索導(dǎo)致降水復(fù)雜性的可能誘因，對實現(xiàn)降水的精準(zhǔn)預(yù)測與趨勢把握、旱澇災(zāi)害的預(yù)防和整治以及人民生產(chǎn)和生活的有序進行都有著十分重要的意義。

隨著復(fù)雜性科學(xué)的快速發(fā)展，相關(guān)理論得到發(fā)展和完善，這為探索降水復(fù)雜性測度問題提供了有效的理論基礎(chǔ)。近年來，熵、分形、混沌等理論被廣泛應(yīng)用于時間序列的復(fù)雜性測度分析中[4]。熵因為其簡單實用及在靈敏度和抗噪性計算中的優(yōu)勢，在時間序列復(fù)雜性測度領(lǐng)域中備受研究者的青睞[5]。余沖等以信息熵為手段，對湖北省各氣象站1951—1996年間的月降水資料進行分析，揭示了降水的時空變化規(guī)律和發(fā)展趨勢[6]。薛聯(lián)青等將改進的樣本熵運用到湘江流域的降水和徑流時間序列復(fù)雜性分析中，發(fā)現(xiàn)了樣本熵能有效識別時間序列的動力學(xué)特征[7]。ZHANG Liangliang等利用樣本熵、小波熵、排列熵和模糊熵對黑龍江省降水復(fù)雜性進行分析，結(jié)果發(fā)現(xiàn)，樣本熵具有更高的穩(wěn)定性和可靠性[3]。

樣本熵由RICHMAN Joshua S首次提出，它具有不依賴數(shù)據(jù)長度、較高一致性以及對缺失數(shù)據(jù)不敏感等優(yōu)點[8]。CHOU Chien Ming等應(yīng)用樣本熵分析了不同尺度的降雨和徑流時間序列復(fù)雜性[9]。XAVIER Sílvio Fernando Alves Jr等利用樣本熵分析了巴西帕拉伊巴州降水序列復(fù)雜性特征[10]。COSTA M等在樣本熵的基礎(chǔ)上對時間序列進行了粗?；幚恚岢隽硕喑叨褥乩碚揫11]。BALZTER Heiko等利用多尺度熵分析氣候時間序列數(shù)據(jù)，結(jié)果顯示,相比傳統(tǒng)方法,利用多尺度熵方法可以發(fā)現(xiàn)相關(guān)的額外有價值的信息[12]。ZHOU Yu等利用多尺度熵方法研究了水庫對河流流量的影響，結(jié)果顯示，多尺度熵方法可以在多個尺度進行分析，并且能夠很好地探索水文過程的非線性特性，該方法所得結(jié)果不受周期趨勢的影響[2]。已有研究發(fā)現(xiàn)，多尺度熵具有穩(wěn)定、精確且能夠展現(xiàn)序列多維性的優(yōu)點，實現(xiàn)起來更加簡單，實現(xiàn)過程容易理解13-14]。

參數(shù)的選取是多尺度熵估計相對準(zhǔn)確的關(guān)鍵，已有的研究中[4,10]均以窮舉法方式來尋找最優(yōu)參數(shù)。窮舉法雖然簡單和易于理解，但是存在繁冗的計算過程。近年來，智能優(yōu)化算法被廣泛用于參數(shù)尋優(yōu)的過程中，取得了良好的效果。自私獸群(Selfish Herd Optimization，SHO)算法是FAUSTO Fernando 等在2017年提出的一種群智能優(yōu)化算法[15]。自私獸群(SHO)算法是基于Bill Hamilton提出的自私獸群理論來表達獵物和捕食者的狩獵關(guān)系，通過模擬捕食者捕食獵物時捕食者和獵物位置變化來實現(xiàn)最優(yōu)解的搜索，該算法在尋優(yōu)過程中具有精度高和魯棒性強的特點[16]。

ZHAO Ruxin 等在SHO算法中加入混沌策略，并利用其來對IIR數(shù)字濾波器進行參數(shù)優(yōu)化，在求解IIR系統(tǒng)辨識問題時取得了較好的結(jié)果[17]。JENA Narendra Kumar等利用SHO算法優(yōu)化了PID控制器的動態(tài)性能[18]。

本文具體研究目標(biāo)如下：

1)運用自私獸群(SHO)算法率定多尺度熵的最佳參數(shù)；

2)分析區(qū)域降水復(fù)雜性空間特征及其可能成因；

3)評估基于自私獸群(SHO)算法的區(qū)域降水復(fù)雜性多尺度熵測度模型性能。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

北大荒農(nóng)墾集團有限公司建三江分公司地處世界三大黑土帶之一的三江平原腹地，位于黑龍江、烏蘇里江匯流的沖積河間地帶。地理坐標(biāo)為北緯46°49′～48°12′、東經(jīng)132°31′～134°32′，如圖1所示。建三江分公司下轄的15個農(nóng)場是中國重要的糧食產(chǎn)區(qū)和商品糧種植基地，同時是世界高緯度粳稻種植面積最大的地區(qū)[19]。由于降水的復(fù)雜性特征給土壤、地表徑流等農(nóng)業(yè)環(huán)境帶來的諸多困擾，影響農(nóng)業(yè)氣象預(yù)報和農(nóng)業(yè)灌溉，從而妨礙糧食增產(chǎn)增收和農(nóng)業(yè)的健康發(fā)展，故有必要開展建三江分公司下轄15個農(nóng)場(研究區(qū)域)的降水復(fù)雜性測度分析。

圖1 建三江分公司行政區(qū)劃圖

1.2 數(shù)據(jù)來源

從中國北大荒農(nóng)墾集團有限公司建三江分公司收集到建三江分公司各農(nóng)場1997—2018年(年數(shù)n=22)逐月降水監(jiān)測資料，用于后續(xù)復(fù)雜性研究；從《建三江農(nóng)墾統(tǒng)計年鑒》(1997—2016年)、《建三江農(nóng)墾年鑒》(2017—2019年)收集整理得到該區(qū)的森林覆蓋率、水域面積、人口密度等自然地理數(shù)據(jù)以及經(jīng)濟社會發(fā)展統(tǒng)計資料，用于后續(xù)降水復(fù)雜性可能原因分析。

2 研究方法

2.1 多尺度熵

多尺度熵是在樣本熵的基礎(chǔ)上，對原始的時間序列進行粗粒化處理，使其在保留樣本熵對缺失數(shù)據(jù)不敏感、較高一致性等優(yōu)點[20]的同時體現(xiàn)時間序列的多維性。多尺度熵求取的具體步驟如下：

設(shè)原始的時間序列為：a(1)、a(2)、a(3)、……、a(N)。3個參數(shù)分別為：尺度因子t、嵌入維數(shù)m、相似系數(shù)r。

步驟1對原始時間序列進行粗?；幚?，得到新時間序列，如下：

(1)

新時間序列的長度P=int(N/t)。

Bt(i)=[b(t)(i),b(t)(i+1),…,b(t)(i+m-1)]。

(2)

式中i=1、2、…、P-m+1。

步驟3定義序列Bt(i)與Bt(j)對應(yīng)元素最大差值的絕對值為二者之間的距離，如下：

D[Bt(i),Bt(j)]=max(|Bt(i+h)-Bt(j+h)|)。

(3)

式中：h=0、1、…、m-1;i、j=1、2、…、P-m+1;i≠j。

步驟4計算距離D小于r的個數(shù)N{D[B(t)(i),B(t)(j)]

(4)

(5)

步驟6將維數(shù)增加1，變?yōu)閙+1，重復(fù)步驟2—5，得到Et,m+1(r)。

步驟7定義多尺度熵為：

(6)

2.2 自私獸群算法

自私獸群算法是通過模擬狩獵者捕食獵物來尋找最優(yōu)值的一種群智能優(yōu)化算法[21]。具體的運行步驟如下：

步驟1隨機生成動物種群。在參數(shù)邊界內(nèi)隨機生成動物種群，計算公式如下：

(7)

研究發(fā)現(xiàn)，獵物群體占動物種群的70%～90%[15]，故獵物數(shù)量和狩獵者數(shù)量如下：

Nh=floor(N·rand(0.7,0.9))，

(8)

Np=N-Nh。

(9)

式中：Nh為獵物數(shù)量；Np為狩獵者數(shù)量；N為動物種群數(shù)量。

步驟2生存價值是用來表示動物群體中所有個體能夠生存下來的能力[16]，計算公式如下：

(10)

式中：SV為個體生存價值；f代表目標(biāo)函數(shù)，fbest和fworst分別代表目標(biāo)函數(shù)的最佳值和最差值。

步驟3獵物群的運動。

1)獵物群領(lǐng)袖的運動。獵物群的領(lǐng)袖往往具有最大生存價值[22]。獵物群領(lǐng)袖的位置L更新公式如下：

(11)

式中：a為[0,1]區(qū)間的隨機數(shù)；φ代表個體之間的吸引力；D為獵物群中危險位置；A為獵物群中最優(yōu)位置。

2)獵物群跟隨者和獵物群逃脫者的運動。獵物群的跟隨者(F)是選擇跟隨獵物群體的成員，獵物群脫逃者(T)是選擇脫離群體的成員，而獵物群的跟隨者分為優(yōu)勢獵物群跟隨者(FB)和劣勢獵物群跟隨者(FW)[23]。其位置更新公式如下：

(12)

T=T+2(βφT,B(A-T)+γ(1-SVT)ε)。

(13)

式中：β、δ、γ均為[0,1]內(nèi)的隨機數(shù)；Z表示局部最優(yōu)個體；M表示獵物相對安全位置；ε表示空間解中的隨機方向；φF，L為個體與獵物群領(lǐng)袖之間的吸引力;φF，C為個體與局部最優(yōu)個體C之間的吸引力;φF，M為個體與相對安全個體M之間的吸引力;φT,B為個體與全局最優(yōu)個體B之間的吸引力。

步驟4狩獵者的捕食運動。狩獵者(PA)尋找獵殺半徑內(nèi)的獵物，并以賭輪盤方式選擇捕食，其位置更新公式如下：

PAi=PAi+2ρ(R-PAi)。

(14)

式中：ρ為[0,1]中的隨機數(shù)；R是被捕食的獵物。

步驟5獵物群恢復(fù)階段。通過交配概率選擇獵物群的個體，被選擇的個體通過交配產(chǎn)生的新生獵物取代被獵殺的獵物。交配操作過程如下：

snew=mix([sr1,sr2,…,srn])。

(15)

式中：mix用于從不同生存?zhèn)€體中選擇維度組件；s表示在獵殺中幸存的個體。

2.3 模型構(gòu)建法

以尺度因子t、嵌入維數(shù)m、相似系數(shù)r為優(yōu)化目標(biāo)，以區(qū)分度為目標(biāo)函數(shù)，利用自私獸群算法對t、m、r進行迭代優(yōu)化，具體操作步驟如下：

步驟1初始化自私獸群搜索個體，即初始化t、m、r。

步驟2以區(qū)分度公式為目標(biāo)函數(shù)，區(qū)分度Z的計算公式如下：

(16)

式中：x為評價對象個數(shù)；y′為y標(biāo)準(zhǔn)化后的評價結(jié)果。

步驟3初始化算法的參數(shù)，包括自私獸群數(shù)量及比例、搜索空間、迭代次數(shù)、算法終止條件等。

步驟4分別利用公式(10)(17)計算個體的生存價值與適應(yīng)度值，公式(17)為對評價對象的評價結(jié)果進行標(biāo)準(zhǔn)化處理的公式，具體如下：

(17)

步驟5依據(jù)公式(11)(12)(13)進行獵物群個體的移動，依據(jù)公式(14)對狩獵者群捕食運動。

步驟6依據(jù)公式(15)進行種群恢復(fù)操作。

步驟7判斷算法是否達到終止條件，若滿足則轉(zhuǎn)到步驟8，否則重復(fù)執(zhí)行步驟4—6。

步驟8輸出最優(yōu)的自私獸群最優(yōu)個體的t、m、r最優(yōu)值。

運用自私獸群算法優(yōu)化多尺度熵評價降水復(fù)雜性測度的流程如圖2所示。

圖2 降水復(fù)雜性測度評價流程

2.4 區(qū)分度理論法

區(qū)分度理論適用于區(qū)別不同水平的評價對象，通常區(qū)分度越大，越能將不同的評價對象區(qū)分開來[4, 24]，具體步驟如下：

步驟1對現(xiàn)有的x個評價對象的評價結(jié)果y進行降序排列 。

步驟2由式(17)對評價對象的評價結(jié)果進行標(biāo)準(zhǔn)化處理。

步驟3由式(16)對降水復(fù)雜性測度進行標(biāo)準(zhǔn)化后的區(qū)分度計算。

3 結(jié)果與分析

3.1 建三江分公司下轄各農(nóng)場月降水序列復(fù)雜性特征初步判別

建三江分公司下轄15個農(nóng)場1997—2018年間的逐月降水變化的線性擬合結(jié)果見表1，逐月降水變化及其趨勢線如圖3所示。

表1 建三江分公司各農(nóng)場逐月降水序列擬合趨勢線決定系數(shù)

由圖3可知，月降水序列呈現(xiàn)出明顯的波動性和周期性，因為月降水受到明顯的季節(jié)變化影響，一年內(nèi)5—8月份的降雨量偏多，其他月份的偏少。為判斷降水變化是否具有趨勢性，為15個農(nóng)場的月降水時間序列添加趨勢線，通過觀察月降水?dāng)M合趨勢線(圖3)，發(fā)現(xiàn)這15個農(nóng)場的降水?dāng)M合趨勢線基本為水平線。

圖3 建三江分公司各農(nóng)場逐月降水序列變化曲線及擬合趨勢線

由表1可知，月降水?dāng)M合趨勢線與月降水實測值的決定系數(shù)均小于0.01，通常情況下決定系數(shù)越大擬合效果越好，表明建三江分公司下轄的15個農(nóng)場的月降水變化不具備明顯的趨勢性，月降水變化具有顯著的復(fù)雜性特征。

3.2 建三江分公司下轄各農(nóng)場的月降水序列復(fù)雜性測度分析

3.2.1 復(fù)雜性測度模擬等級區(qū)間

為了更加直觀地觀察建三江分公司下轄的各個農(nóng)場的月降水復(fù)雜性測度情況?，F(xiàn)對各個農(nóng)場的月降水復(fù)雜性測度進行等級劃分。因為自然間斷法能夠識別分類間隔，恰如其分地對相似值進行分組并能保持各組差異最大化。利用ArcGIS內(nèi)置分類方法中的自然間斷法對各個農(nóng)場的復(fù)雜性測度進行等級劃分，并將其分為Ⅰ—Ⅳ 4個等級，具體見表2，其中等級越高表示具有較高程度的復(fù)雜性。

表2 復(fù)雜性測度等級劃分標(biāo)準(zhǔn)

3.2.2 降水復(fù)雜性空間特征分析

設(shè)置自私獸群算法[16]的基本參數(shù)：初始種群數(shù)量N=50、迭代次數(shù)itern=50、優(yōu)化維度dims=3、獵物種群的比例(為0.7～0.9之間的隨機數(shù))，根據(jù)已有研究經(jīng)驗[25]設(shè)置多尺度熵的參數(shù)搜索范圍，尺度t為1～10、嵌入維度m=1～3、r=(0.10～0.25)SD，SD為降水時間序列的標(biāo)準(zhǔn)差。利用自私獸群算法尋優(yōu)計算得出區(qū)分度最大時的尺度因子t、嵌入維數(shù)m、相似系數(shù)r，參數(shù)值組合為t=5、m=2、r=6.804 09，區(qū)分度為1.215 2。將建三江分公司下轄的15個農(nóng)場1997—2018年的月降水?dāng)?shù)據(jù)輸入到優(yōu)化后的多尺度熵中，計算得出在此參數(shù)組合下的各個農(nóng)場的月降水復(fù)雜性測度，并劃分各個農(nóng)場的復(fù)雜性測度等級，結(jié)果見表3。

表3 最優(yōu)參數(shù)組合下各農(nóng)場復(fù)雜性測度結(jié)果

由表3可知：八五九、大興、青龍山、前進、紅衛(wèi)、前哨、鴨綠河7個農(nóng)場的月降水復(fù)雜性測度等級為Ⅰ級，七星、創(chuàng)業(yè)、前鋒、二道河4個農(nóng)場的月降水復(fù)雜性測度等級為Ⅱ級，這些結(jié)果表明這11個農(nóng)場的月降水變化的復(fù)雜性不高；勤得利、濃江、洪河3個農(nóng)場月降水復(fù)雜性測度等級為Ⅲ級，勝利農(nóng)場的月降水復(fù)雜性等級達到Ⅳ級，這4個農(nóng)場的月降水復(fù)雜性變化最為明顯，尤其是勝利農(nóng)場的月降水復(fù)雜性達到最高的Ⅳ級。由計算所得熵值進行月降水復(fù)雜性測度排序，由高到低的順序為：勝利>洪河>濃江>勤得利>七星>二道河>創(chuàng)業(yè)>前鋒>前哨>鴨綠河>紅衛(wèi)>八五九>前進>大興>青龍山。

為了更加直觀地觀察建三江分公司下轄各農(nóng)場月降水復(fù)雜性的空間分布情況，根據(jù)表3的復(fù)雜性測度結(jié)果繪制各個農(nóng)場的月降水復(fù)雜性測度等級空間分布，如圖4所示。

圖4 建三江分公司各農(nóng)場月降水序列復(fù)雜性等級空間分布

由圖4可知，建三江分公司下轄15個農(nóng)場的月降水復(fù)雜性測度具有明顯的空間變異特征，月降水復(fù)雜性測度等級為東北和西南各農(nóng)場的較低，中部各農(nóng)場的復(fù)雜性測度較高。

為了直觀地了解月降水空間復(fù)雜性分布情況，分別計算建三江分公司轄區(qū)東北、中部、西南部的各個農(nóng)場月降水的平均復(fù)雜性測度，結(jié)果見表4。

表4 建三江分公司各農(nóng)場月降水序列復(fù)雜性分區(qū)統(tǒng)計計算結(jié)果

由表4可知：中部農(nóng)場具有最高的月降水復(fù)雜性測度，勝利農(nóng)場復(fù)雜性測度為3.361 2，等級達到最高的第Ⅳ等級，表明中部的各農(nóng)場的月降水復(fù)雜性變化最為顯著。降水復(fù)雜性測度越高的農(nóng)場往往降水動力學(xué)結(jié)構(gòu)越復(fù)雜，降水的可預(yù)測性就越低，造成洪澇、干旱災(zāi)害的可能性也就越大，應(yīng)強化中部農(nóng)場降水監(jiān)測水平，建立實時的災(zāi)害監(jiān)控網(wǎng)絡(luò)，完善應(yīng)急管理預(yù)防系統(tǒng)，配置相應(yīng)的抗災(zāi)管理人員與機構(gòu)，降低干旱和洪澇災(zāi)害對農(nóng)業(yè)的影響[4]。東北部的各農(nóng)場月降水平均復(fù)雜性測度為1.360 1，等級為Ⅱ級，為第二高。西南部各農(nóng)場的月降水復(fù)雜性測度最小，為1.281 7，等級為Ⅰ級，相對來講降水的動力學(xué)結(jié)構(gòu)較為簡單，降水的可預(yù)測性也較高。

3.3 降水復(fù)雜性可能成因分析

由于降水具有復(fù)雜性特征，不能單一方面考慮降水的成因。XU Jianhua等在分析新疆降水復(fù)雜性時發(fā)現(xiàn)降水分布的空間復(fù)雜性來源于復(fù)雜的地形[1]。ZHANG Liangliang等在分析黑龍江省降水復(fù)雜性時，計算了耕地、林地、草地、水域、居民用地、未利用地、人口數(shù)量、農(nóng)業(yè)產(chǎn)值、工業(yè)產(chǎn)值與月降水復(fù)雜性的相關(guān)系數(shù)，試圖揭示影響黑龍江省降水復(fù)雜性的潛在因子[4]。纏佳悅分析哈爾濱降水復(fù)雜性成因時著重考慮了地形和人口密度、工業(yè)產(chǎn)值、水旱田灌溉面積比重等人類活動等因素[26]。

本文從自然因素和人類因素兩方面考慮導(dǎo)致降水復(fù)雜性的可能誘因。自然因素方面考慮森林覆蓋率和水域面積。因為建三江分公司轄區(qū)地形基本上為平原，地勢起伏變化不大，故不考慮地形的影響。人類因素方面考慮人口密度。因為建三江分公司轄區(qū)的農(nóng)業(yè)發(fā)達，故著重考慮耕地面積比例。建三江分公司下轄的農(nóng)場的農(nóng)田灌溉率基本上為100%，分析灌溉率與降水復(fù)雜性關(guān)系的可研性較差。建三江分公司下轄的各農(nóng)場普遍采用機井灌溉，考慮灌溉可能會對氣候造成影響，故探究機井?dāng)?shù)量與降水復(fù)雜性的關(guān)系。各影響因素與降水復(fù)雜性的相關(guān)系數(shù)見表5。

表5 降水復(fù)雜性與其影響因素的相關(guān)系數(shù)

通過統(tǒng)計分析發(fā)現(xiàn)，人類因素均與降水的復(fù)雜性呈負(fù)相關(guān)，其中月降水復(fù)雜性與人口密度相關(guān)性最強，和耕地面積比例的相關(guān)性次之，與機井?dāng)?shù)量的相關(guān)性最弱。人類在改造自然的過程中，會使人類因素向適應(yīng)農(nóng)業(yè)生產(chǎn)的方向發(fā)展，從而降低了降水的復(fù)雜性?？梢?，人類活動是影響降水復(fù)雜性的重要因素，對降水復(fù)雜性的空間格局起著不可忽視的作用，相比較而言，森林覆蓋率和水域面積對降水復(fù)雜性的影響較小。通過分析1997—2018年建三江分公司轄區(qū)農(nóng)場的森林覆蓋率和水域面積的情況發(fā)現(xiàn)，森林覆蓋率和水面面積年平均變幅分別為0.17%和-0.009%，多數(shù)農(nóng)場的森林覆蓋率和水域面積變化較小。建三江分公司轄區(qū)農(nóng)場的土地多為農(nóng)田，多數(shù)農(nóng)場的森林覆蓋率和水面率不高，故森林覆蓋率和水面率對降水的復(fù)雜性影響也相對較小。

4 討論

4.1 模型性能對比分析

為了驗證自私獸群算法的搜索精度和搜索效率，設(shè)置t=1～10、m=1～3、r=(0.10～0.25)SD，t的變化步長為1，m的變化步長為1，r的變化步長為0.01，以區(qū)分度為目標(biāo)函數(shù)進行計算，并與自私獸群算法的尋優(yōu)過程進行對比，其結(jié)果見6。

由表6可知，自私獸群算法與窮舉法在尋優(yōu)精度上相同，但是在尋優(yōu)速度上存在顯著差異。自私獸群算法的尋優(yōu)效率是窮舉法的11倍，尋優(yōu)速度顯著提升，并且能夠保證尋優(yōu)精度，表明利用自私獸群算法來進行多尺度熵尋優(yōu)具有一定優(yōu)勢。

表6 結(jié)果對比分析

4.2 與已有成果的對比分析

自復(fù)雜性科學(xué)興起并廣泛應(yīng)用于各類學(xué)科以來，區(qū)域降水復(fù)雜性特征成為研究的熱點問題[27]。熵作為不確定性的重要理論，被引入到降水復(fù)雜性測度的應(yīng)用中。學(xué)者們?yōu)榇诉M行了不懈的探索。劉萌在利用模式熵對研究區(qū)進行復(fù)雜性測度分析時，利用前人經(jīng)驗選取嵌入維數(shù)，并在閾值的經(jīng)驗取值區(qū)間以0.01的步長尋找最優(yōu)值[28]。ZHANG Liangliang等研究發(fā)現(xiàn)樣本熵在研究復(fù)雜性測度中更具適用性，之后采用區(qū)分度理論優(yōu)化樣本熵，提高了樣本熵對降水復(fù)雜性測度的尋優(yōu)能力，在參數(shù)尋優(yōu)方面仍然在經(jīng)驗區(qū)間內(nèi)以0.01的步長尋找閾值[3-4]。本文采用的多尺度熵是在樣本熵優(yōu)點的基礎(chǔ)之上，通過對原始時間序列的處理，使其能夠體現(xiàn)時間序列的多維性，并且不依賴數(shù)據(jù)長度而擁有良好的一致性[29]。大多數(shù)學(xué)者在運用熵理論時大多依賴前人經(jīng)驗，在參數(shù)尋優(yōu)過程中，在經(jīng)驗區(qū)間內(nèi)以等步長形式尋找最優(yōu)值，雖然簡單易于理解，但是存在大量的繁冗計算過程。近年來，智能優(yōu)化算法被廣泛應(yīng)用于學(xué)術(shù)領(lǐng)域，本文采用的自私獸群(SHO)算法通過模擬捕食者的狩獵過程尋找多尺度熵的最優(yōu)參數(shù)組合，整個尋優(yōu)過程用時約為15 s，尋優(yōu)效率得到了較大提升。

由于降水受到地形、氣候、植被和人類活動多重因素的影響，從而造成降水空間的異質(zhì)性。本文在探究導(dǎo)致降水復(fù)雜性潛在誘因時，考慮了人類因素和自然因素兩方面的影響。由于建三江分公司是重要的糧食產(chǎn)區(qū)和商品糧種植基地，該轄區(qū)農(nóng)業(yè)十分發(fā)達，故本文著重考慮了農(nóng)業(yè)相關(guān)因素與降水復(fù)雜性的關(guān)聯(lián)性。又因為建三江分公司所在地區(qū)地處三江平原腹地，故未考慮地形因素的影響，其內(nèi)部森林和水域面積不大，故自然因素對該轄區(qū)降水復(fù)雜性影響相對較小。但是，單單對建三江分公司轄區(qū)小范圍尺度分析降水復(fù)雜性的誘因，難以完全理清降水復(fù)雜性的潛在影響因素，現(xiàn)有資料限制，后續(xù)可做進一步探索。

5 結(jié)論

本文將多尺度熵作為衡量建三江分公司轄區(qū)農(nóng)場降水復(fù)雜性的指標(biāo)，綜合反映出該轄區(qū)農(nóng)場降水復(fù)雜性的空間格局，研究結(jié)果對進一步了解建三江分公司下轄各農(nóng)場降水復(fù)雜性特征具有重要意義。其主要結(jié)論如下：

1)采用自私獸群優(yōu)化算法并基于區(qū)分度理論對多尺度熵的參數(shù)進行尋優(yōu)，利用優(yōu)化后的多尺度熵分析了1997—2018年建三江分公司下轄的15個農(nóng)場的月降水復(fù)雜性。

2)通過分析發(fā)現(xiàn)，這15個農(nóng)場的月降水復(fù)雜性測度從高到低的次序是：勝利>洪河>濃江>勤得利>七星>二道河>創(chuàng)業(yè)>前鋒>前哨>鴨綠河>紅衛(wèi)>八五九>前進>大興>青龍山，利用ArcGIS軟件對降水復(fù)雜性測度等級進行了空間化展示，發(fā)現(xiàn)中部農(nóng)場的復(fù)雜性測度最高，東北部農(nóng)場的次之，西南部農(nóng)場的復(fù)雜性測度最低。

3)為了探究造成降水復(fù)雜性的可能原因，將影響降水復(fù)雜性的因素分為人類因素和自然因素，其中人類因素包括人口密度、耕地面積比例和機井?dāng)?shù)量，自然因素包括森林覆蓋率和水域面積，通過分析各因素和降水復(fù)雜性測度的相關(guān)系數(shù)發(fā)現(xiàn)，人類規(guī)律性改造自然活動會降低降水的復(fù)雜性。

4)隨著氣候檢測技術(shù)手段的不斷進步以及大數(shù)據(jù)時代的來臨，地區(qū)乃至國際間的合作不斷增強，區(qū)域網(wǎng)絡(luò)的互聯(lián)互通、資料數(shù)據(jù)的共用共享，未來將從簡單孤立的小范圍、單區(qū)域擴展到復(fù)雜聯(lián)系的大尺度、多區(qū)域來探究導(dǎo)致降水以及氣候復(fù)雜性的原因及影響因素。