不同覆盖类型土壤电阻率影响因子及其PLS和BP模型的预测研究

土壤电导率是反映土壤质量和物理性质的重要参数。本研究通过对试验区不同覆盖类型下土壤温度、含水量及电导率的测试,探讨土壤温度和含水量对土壤电阻率的影响。结果表明,不同土壤覆盖类型土壤温度的变化对土壤电阻率的影响不同,土壤电阻率随着土壤含水量的增加而逐渐变小。将偏最小二乘回归模型(PLS)与BP神经网络模型应用于土壤电阻率的预测,PLS模型及BP神经网络模型对土壤电阻率预测皆有较好效果,偏最小二乘回归模型对沙地和草地土壤电阻率预测的误差较小,BP神经网络对农田土壤电阻率建模精度较为理想。     

基于BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

Matlab和神经网络法对土壤水分特征曲线 VG模型的拟合比较

以山东荣成地区棕壤、风沙土为对象,测定分析土壤剖面不同层次的容重、质地、有机质含量、水势和含水量等状况;运用Matlab软件和神经网络法对土壤水分特征曲线van-Genuchten(简称VG)模型进行拟合,将2种拟合结果与实测数据进行对比分析。结果表明,研究土壤不同土层含水量均随着水吸力的增加呈"快速下降-缓慢下降-基本平稳"的变化趋势;由于受到土壤颗粒组成、容重等物理因素和有机质含量差异的影响,棕壤和风沙土不同土层的饱和含水量和残留含水量差异较大,其中棕壤60～70 cm和风沙土10～20 cm的土壤残留含水量最大;Matlab软件拟合的残差平方和比神经网络预测方法低几个数量级,说明采用Matlab对水分特征曲线VG模型拟合精度高,拟合效果较好。     

基于人工神经网络的土壤含水量预报模型

土壤水分含量是影响作物生长的重要因素,精确预测技术对水资源的合理利用与管理具有重要的指导意义。土壤水分运动是一个复杂的时间序列系统,其变化与区域气候条件和生态环境密切相关,具有明显的随机性波动。利用人工神经网络的方法对河南驻马店地区的土壤含水量进行预报,利用表层土壤含水量资料计算了一些与深层土壤含水量相关的预报因子,用以建立驻马店地区深层土壤含水量的神经网络预报模型,并应用独立样本进行了初步的模拟预报检验。结果表明,预报模型取得了令人满意的效果,应用神经网络的方法预报深层土壤含水量是可行的。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子，构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源，通过对6种BP神经网络的训练方法进行训练，经过反复筛选找出最优模型并与传统胸径-树高模型作比较；最后将BP神经网络中的输入因子从2个增加到6个后，经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳，R²和MSE分别为0.963 0和1.168；2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响，BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势；均方误差（MSE）呈现先下降后上升的趋势，两者都在节点数为10时有极值，此时的模型为最优模型；3）当输入因子为胸径和优势树高时，油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1），此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7；当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时，最优模型结构为6∶10∶1，此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出，在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法；BP神经网络模型与传统模型相比，BP神经网络模型不需要目标方程结构，并且模拟和预测的精度均要优于传统模型；在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

土壤水分特征曲线研究综述

土壤水分特征曲线是土壤水分含量与土壤水吸力(基质势)的关系曲线,反映了土壤水能量与土壤含水量的函数关系,是表示土壤基本水动力学特性的重要指标。本文综合概述了土壤水分特征曲线的应用、测定方法、影响因素、模型,简单介绍了它的应用范围。     

基于遗传算法-鲸鱼算法优化反向传播神经网络的土壤参数预测

传统的土壤参数预测常采用物理、化学等方法,在预测准确性上存在较大误差,且易受到人为因素的影响。基于反向传播(BP)神经网络及其改进算法的土壤参数预测方法虽然不受人为因素的影响,但仍有较大的误差。为进一步提高神经网络预测精度,使用遗传算法-鲸鱼算法(GA-WOA)的混合算法优化BP神经网络,以此建立农业土壤参数预测模型,并与多种现有算法进行对比。结果显示,所提算法在农业土壤参数预测方面具有很强的适用性和更高的准确性。     

两种模型对土壤水分特征曲线拟合的比较分析

土壤水分特征曲线可以表示出土壤水的能量和数量之间的关系。以鹫峰国家森林公园土壤为例,用Van-Genuchten模型和土壤水分特征曲线单一参数模型拟合土壤水分特征曲线,结果表明:Van-Genuchten模型拟合的精度高,参数的物理意义明确,但工作量大;单一参数模型拟合精度比Van-Genuchten模型拟合精度约低一个数量级,但也能较准确地拟合土壤水分特征曲线,并且其参数可反映空间变异性,以及工作量小。两个模型均可用于拟合鹫峰国家森林公园土壤水分特征曲线,可根据不同情况选用。     

基于神经网络模型的安徽省土壤pH预测

以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking, RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking, RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation, SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R~2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROPRPROP-WBRPROP-OBBP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R~2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROPRPROP-WBRPROP-OBBP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R~2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈"南酸北碱"趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间, RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。     

人工神经网络优化发酵过程中氨气释放条件

在正交试验的基础上,运用人工神经网络对发酵过程中影响氨气释放的条件进行优化。该模型预测的最佳参数条件为：含水率为60%,C/N为37∶1,pH为7,温度为31.3℃,此时总氨气量的预测值为1 149.3 mg/kg。BP神经网络模型的预测值和实测值相差不大,最大相对误差为6.58%,说明该模型具有较高的预测精度。     

间隔覆盖条件下坡面产流产沙状况的BP神经网络模拟

本文以塿土和黄绵土作为实验材料,尝试使用BP神经网络方法(Back-Propagation neural network)模拟人工降雨条件下,间隔覆盖坡面的产流产沙状况。通过设置不同坡度、降雨强度、面积比,获得各种因素不同水平组合下的实测数据;以实际降雨强度、坡度、面积比、径流起始时间和初始含水率5个因子为输入变量、坡面产流量和产沙量为输出变量,利用BP神经网络模型与多元线性回归模型对数据进行模拟分析,并检验其模拟效果。研究结果表明:训练样本集平均相对误差为18.23%,预测样本集平均相对误差为5.21%;与多元线性回归模型相比,BP神经网络模型拟合精度较高,拟合效果更理想,表现出更强的预测能力。另外,比较不同土质坡面产流量与产沙量模拟效果,塿土优于黄绵土。从本研究的结果看,BP神经网络模型应用于坡面产流产沙模拟预测,省时省力,方便快捷,具有一定的应用潜力,但其实际的模拟预测能力尚需进一步探索。     

交替沟灌玉米灌浆期茎流影响因子敏感性分析与模型适用性研究

【目的】应用人工神经网络对不同处理玉米茎流进行精准预测,为推算玉米蒸腾耗水量以及制定合理的灌水方案提供新思路。【方法】试验研究对象为夏玉米,品种为西农985。试验设置3个处理,分别为交替沟灌高水处理（alternate furrow irrigation,AFI1）、交替沟灌低水处理（alternate furrow irrigation,AFI2）和常规沟灌处理（conventional furrow irrigation,CFI）。AFI1、AFI2每次灌水量为CFI灌水量的2/3和1/2。利用通径系数与互信息分析不同处理的影响因素与玉米茎流相关关系,基于人工神经网络理论建立了玉米茎流速率估算模型,以主成分回归模型为对比,对两个模型预测精度和稳定性进行评价。【结果】（1）不同处理对环境因子的响应有所差异,影响CFI、AFI1玉米茎流的主要因素是气象因子,影响AFI2处理玉米茎流的主要因素是土壤水分;（2）不同土层含水量对各处理茎流的影响也有所不同,研究发现10-20 cm和20-30 cm土层含水量与玉米茎流相关程度最高。利用不确定性分析法进一步分析得出,常规处理与高水处理水平下,与茎液流变化关系最密切的土壤含水层为20-30 cm,其次是10-20 cm,低水处理水平下,最敏感的土层为10-20 cm,其次是20-30 cm;（3）根据模型误差分析与模型不确定性分析,神经网络模型RMSE、d-factor值较小,R²值达到了0.9以上,说明神经网络模型预测精度更高,模型更稳定。【结论】与传统方法相比,人工神经网络模型可以快速准确地对茎流进行预测,对指导玉米灌溉具有重要的指导意义。     

Remote Monitoring and Early Warning Model of Frozen Soil in Dam Areas

In view of the cumbersome and often untimely process of manual collection and observation of frozen soil data parameters, and the damage caused to dams by frost heaving of frozen soil, a remote monitoring and an early warning model for frozen soil in dam areas was presented.The Pt100 temperature sensors and JM seam gauges were used as measurement tools in the system.The sensor layout was designed, based on the actual situation in the monitoring area.A 4 G network was used for wireless transmission to monitor frozen soil data in real time.BP neural network was used to predict the parameters of frozen soil.After analysis, four factors including the average temperature of frozen soil, the type of frozen soil, the artificial upper limit of frozen soil and the building construction time were selected to establish an early warning model using fuzzy reasoning.The experimental results showed that the early warning model could reflect the influence on dam buildings of frost heaving and sinking of frozen soil, and provided technical support for predicting the hazard level.     

Assessment of Soil Water Content in Field with Antecedent Precipitation Index and Groundwater Depth in the Yangtze River Estuary

To better understand soil moisture dynamics in the Yangtze River Estuary (YRE) and predict its variation in a simple way, a field monitoring experiment was carried out along the north branch of the Yangtze River, where seawater intrusion was strong and salt-water variation is one of the limiting factors of local agriculture. In present paper, relation between antecedent precipitation index (API) and soil water content is studied, and effects of groundwater depth on soil water content was analyzed. A relatively accurate prediction result of soil water content was reached using a neural network model. The impact analysis result showed that the variation of the API was consistent with soil water content and it displayed significant correlations with soil water content in both 20 and 50 cm soil layer, and higher correlation was observed in the layer of 20 cm. Groundwater impact analysis suggested that soil moisture was affected by the depth of groundwater, and was affected more greatly by groundwater at depth of 50 cm than that at 20 cm layer. By introducing API, groundwater depth and temperature together, a BP artificial network model was established to predict soil water content and an acceptable agreement was achieved. The model can be used for supplementing monitoring data of soil water content and predicting soil water content in shallow groundwater areas, and can provide favorable support for the research of water and salt transport in estuary area.     

食品比热容的BP神经网络预测

引入BP人工神经网络计算模型,预测了食品比热容随各种物性参数变化的非线性规律。该模型以食品中的水、蛋白质、碳水化合物及脂肪含量为输入量,以其比热客为输出量,研究的食品包括淀粉、橙汁、牛肉等近20种,比热容变化范围覆盖较全面[1．5～4．0kJ/（kg·K）]。结果显示：该模型的最大相对误差为8．40％,最大绝对误差为0．2868 kJ／（kg·K）。因此,利用该模型能够较准确地预测出食品的比热容。     

基于BP神经网络的杉木林蓄积量估测研究

以杉木人工林为研究对象,选取与蓄积量预测有关的因子作为样本输入,通过分析神经网络各参数对网络性能的影响得到最佳参数值,构建结构为10∶3∶1的杉木林蓄积量BP神经网络模型,通过模型训练随机抽取46个样本单元数据并预测20个检验样本。结果表明:BP神经网络对于林分蓄积量具有很好的模拟效果,总体拟合精度为88.5%,均方误差MSE=2.95,所构模型合理、稳定,能够快速有效预测杉木林的变化规律。     

BP与RBF网络在一些非线性曲线拟合上性能的比较

对BP与RBF人工神经网络在隐层的传递函数、层数及结点数上的区别进行了比较;对BP与RBF2种神经网络在给定的3个较为复杂的非线性函数上进行Matlab仿真;并分析比较了这2种人工神经网络在指定参数下对不同非线性函数进行拟合时的拟合精度和时间效率;最后给出BP与RBF网络进行非线性曲线拟合的选择方法.     

潮棕壤土水分特征曲线预测方法研究

借助于最小二乘法,形成了确定Brooks-Corey(1964)模型,van Genuchen(1980)模型中的参数所对应的非线性方程组,并用Picard迭代求解它们。用VB语言编写了程序,用压力膜法测定了潮棕壤土同一地点不同层的水分特征曲线。最后,用以上两种模型对土壤水分特性曲线进行了预测,结果表明:VG模型与BC模型的预测值均与实测值具有良好的一致性,VG模型较BC模型对潮棕壤土土壤水分特征曲线的预测效果更好些。     

基于土壤优化光谱参数估测太湖地区土壤全氮含量

为明确太湖地区土壤全氮的高光谱特征，构建定量分析模型，以江苏省无锡市滨湖区为研究区域，选取地理位置跨度大、土壤质地相似的93个样品，进行土壤风干样品全氮含量测定和光谱数据采集，对光谱反射率进行一阶微分，运用相关系数峰谷值法筛选敏感波长，将敏感波长两两结合进行土壤调节光谱指数（MSASI）运算。将两两结合后敏感波段分别采用多元线性回归分析、人工神经网络分析和偏最小二乘法构建土壤全氮含量的定量高光谱分析模型。结果表明，研究区内土壤全氮含量与光谱反射率呈正相关，敏感波段包括420~444 nm和480~537 nm。基于土壤调节光谱指数的多元线性回归分析对敏感波段诊断的效果最佳（R²=0.98、RMSE=0.04），其精度高、可靠性强，是筛选出的最佳土壤全氮含量估测模型。偏最小二乘法模型（R²=0.70、RMSE=0.13）次之，而人工神经网络模型（R²=0.69、RMSE=0.15）精度最低。该研究结果为太湖地区土壤全氮水平的高光谱快速估测提供了方法借鉴，可为土壤养分精准管理提供技术参考。