土地需求量预测方法和模型读书笔记

《土地需求量预测方法和模型读书笔记》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、土地需求量预测方法和模型读书笔记按预测方法一般可分为：1、定性预测：根据预测对象的性质、特点、过去和现状的延续情况等，对土地利用进行非数量化的分析，根据这些分析，对土地利用的未来发展趋势作出预测和判断。定性预测是依靠人们的主观判断来取得预测的结果。在定性预测方法中常用因素分析法。2、定量预测通过建立数学模型和应用电子计算机运算，对土地利用进行定量分析，然后根据这种分析，对于未来土地利用的发展趋势作出预测和判断。这种方法依靠充分的历史资料，计算出未来土地利用可能出现的结果，定量预测所用的方法，主要是各种数学模

2、型。主要有趋势外推法、模拟法、专家评估等。1、趋势预测法（趋势外推法）将变量过去变动趋势延续到未来，得到的预测变量数值就称为趋势预测法。即：根据规划区域历年的某一变量（例如：作物单产）资料，绘制出历年某一变量（如作物单产）动态变化趋势散点图，根据散点图选择适当的数学模型加以拟合，获得某一变量（如作物单产）预测模型，然后通过外推法进行某一变量的预测。常用的数学模型:直线模型指数模型二次抛物线模型。其中，直线模型一般适合于中、短期的预测；指数和二次抛物线模型适合于长期的预测。无论是哪一种模型：首先必须求函数中的

3、参数a和b，确定未知参数最常用的方法是最小二乘法。参数a和b求出后，便可得到预测模型。模型的效果检验，预测模型求出来以后，它的效果如何，用它来进行预测精度如何，需要做进一步的误差估算和显著性检验。经过检验合格的，则利用预测模型进行相关预测。2、回归预测法是根据变量之间的相互关系，利用其他变量的已知值来推断预测变量的数值，是通过表明两个或几个变量之间关系的数学方程式进行预测的一种方法。例如：利用作物单产与其影响因素之间存在着一定的函数或统计相关的原理，通过标准样区的农作物单位产量及其诸影响因素的资料，建立单产

4、与其影响因素之间的函数关系式，即产量预测模型，然后利用该模型进行单产的预测。产量与其影响因素的数学关系式为：3、综合预测综合预测主要是指两种以上方法的综合运用，这种预测兼有2种预测的长处，精度和可靠性较高。（1）基于粮食需求量的预测方法。有时每个参数都是一个研究领域，作专题的人不太容易把握。具体至少涉及以下参数：人口，人均消费水平，粮食单产，粮经比、复种指数、粮食自给率等。人均消费水平还有涉及内部的结构，在不同地区还有城乡的差别等。（1）基于要素分析的预测方法包括常规的土地统计年鉴中耕地变化因素的分析。增加

5、的因素包括i土地开发、整理、复垦、农业结构调整增加；减少的因素包括建设占用、生态退耕、农业结构调整和灾害损毁。客观的分析，每个要素都是不确定的。土地开发主要取决于土地适宜性、政策需求性和经费；土地整理和复垦均相差不多。生态退耕数量取决于坡耕地状况、政策选择以及资金投入可能性。农业结构调整主要与市场有关，灾害损毁主要是洪灾，周期性强，难以把握。建设占用耕地取决于新增建设用地数量、新增用地的位置，很难判断的，占用耕地数据可以推测，也难确切。（3）多目标预测的方法（多情景）根据耕地的多功能性和耕地保护的多目标性，

6、分别预测基与单目标的耕地需求，在综合分析的基础上找寻协调的方案。常见的几种预测模型。1、自然增长率预测模型：设序列值X1，X2，…，Xn。历年的增长率为：则序列值的平均增长率为：从而可得自然增长率预测模型为：其中：Xn+T—为规划期末预测值；Xn—基期指标值；-平均增长率；T－预测期间2、一元线性回归预测模型：对N对数据进行回归：(y1,x1),(y2,x2),…,(yn,xn)　　　Y－因变量、预测对象；X－影响因素，自变量；a,b为回归系数；r是相关系数（应进行相关性检验）。根据最小二乘法原理，以残差的

7、平方和最小来估计a，b。3、等维灰数递补动态GM(1,1)预测模型：从理论上讲，GM(1,1)模型是连续时间函数，可以从初始值X(0)(1)一直延伸到未来任何时刻，可作为长期预测模型，但随着时间推移，未来一些扰动因素对系统产生影响，同时，由于预测值的下限和上限之间所夹的灰平面呈一个“喇叭”型，说明未来时刻越远，预测值的灰区间越大，所以GM(1,1)模型有预测意义的数据仅仅是靠近Ｘ(0)(n)以后的一些数据，其它数据只能表示在现有条件不变情况下，未来发展的规划性数据，因此为了提高预测精度，必须缩小灰平面，即在

8、充分利用已知信息的同时，不断补充新的信息，提高灰平面的白色度，具体的做法是，根据已知数列建立GM(1,1)模型，预测一个灰数值，然后将这个预测值被补充在已知数列之后，构成信息数列。X(0)(t)=X(0)(1)，X(0)(2)，…X(0)(n)，X(0)(n+1)，…，每增加一个新数据，建立一个信息GM(1,1)模型，但是，随着时间的推移，新信息越来越多，会增加计算的工作量，同时，老数据越来越不能反映系统新的情况