基于MEA-BPNN-F模型的土壤有机质空间分布预测

以江西省万年县为例,根据万年县测土配方数据,构建以思维进化算法、BP神经网络、四方位搜索法三者结合的模型(MEA-BPNN-F模型),同时加入高程和坡度信息来预测万年县耕地土壤有机质的空间分布,并与普通克里金法(OK模型)、以地理坐标为输入的BP神经网络模型(BPNN-G模型)、以高程和坡度作为辅助变量同时利用四方位搜索法加入邻近信息的BP神经网络模型(BPNN-F模型)进行比较。结果表明:4种模型的预测精度表现为MEA-BPNNF>BPNN-F>BPNN-G>OK。应用MEA-BPNN-F模型预测精度最高、效果最好,比较符合土壤有机质地学运动规律及实际情况。该模型克服了BP神经网络全局搜索能力差和收敛速度慢的缺点,提高了BP神经网络的泛化能力。     

基于MEA-BPNN-F模型的土壤有机质空间分布预测

以江西省万年县为例,根据万年县测土配方数据,构建以思维进化算法、BP神经网络、四方位搜索法三者结合的模型(MEA-BPNN-F模型),同时加入高程和坡度信息来预测万年县耕地土壤有机质的空间分布,并与普通克里金法(OK模型)、以地理坐标为输入的BP神经网络模型(BPNN-G模型)、以高程和坡度作为辅助变量同时利用四方位搜索法加入邻近信息的BP神经网络模型(BPNN-F模型)进行比较。结果表明:4种模型的预测精度表现为MEA-BPNNFBPNN-FBPNN-GOK。应用MEA-BPNN-F模型预测精度最高、效果最好,比较符合土壤有机质地学运动规律及实际情况。该模型克服了BP神经网络全局搜索能力差和收敛速度慢的缺点,提高了BP神经网络的泛化能力。     

省域尺度土壤有机质空间分布的神经网络法预测

土壤有机质空间分布预测方法研究对指导省域尺度下土壤有机质空间插值模型选取和精度优化具有重要意义。以江西省为例,利用BP神经网络模型与普通克里金结合的方法(BPNN-OK)、RBF神经网络模型与普通克里金结合的方法(RBFNN-OK)以及普通克里金法(OK)3种方法,预测省域尺度下耕地表层(0~20 cm)土壤有机质的空间分布。16 109个土壤样点随机分成12 887个建模样点,3 222个测试样点。结果表明:在省域尺度下,BPNN-OK法、RBFNN-OK法较OK法在土壤有机质空间预测精度上有较大提升,三者的预测精度为BPNN-OKRBFNN-OKOK。BPNN-OK法对土壤有机质预测结果的均方根误差、平均绝对误差、平均相对误差较OK法分别降低28.66%、30.71%、34.76%,RBFNN-OK法较OK法分别降低27.76%、29.74%、33.71%。在省域尺度下,神经网络模型与普通克里金结合的方法能很好地捕捉土壤有机质的复杂空间变异关系。研究结果可指导江西省土壤有机质空间插值模型选取。     

基于云遗传BP神经网络的黄淮海旱作区土壤有机质预测精度分析

为探究提高土壤有机质预测精度的方法,以黄淮海旱作区为研究对象,分别运用云遗传BP神经网络、BP神经网络和GABP神经网络三种方法比较不同土层的土壤有机质预测精度。结果表明:1)不同土层土壤有机质值的数据分布与正态分布相比具有不同程度的向右偏移,不同土层土壤有机质均属于中等程度变异;2)不同土层土壤有机质的半方差函数最优拟合模型均为指数模型,不同土层土壤有机质的结构因素与随机因素对空间变异的影响大小基本一致,空间自相关性较弱;3)结合云模型与遗传算法的BP神经网络对0～10、10～20、20～30cm土层土壤有机质的预测精度均得到了一定提升,而对30～40cm土层土壤有机质的预测精度则提升不明显,可能是由于30～40cm土层土壤有机质变异系数超过了一定范围所造成。研究结果可为提高土壤有机质的预测精度提供参考,并为进一步调整耕地管理措施及提高土壤质量水平提供依据。     

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。     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

基于BP神经网络与Kriging结合的土壤有机质空间分布模拟——以福建省华安县为例

[目的]提高县域尺度耕地土壤有机质空间插值精度.[方法]基于福建省漳州市华安县215个土壤有机质野外采样数据,将样地土壤类型、土地利用方式两种定性因素转化为虚拟变量,结合土壤质地、海拔高度、坡度等定量因素,构建了BP神经网络与克里金插值(Kriging)相结合的非线性拟合法(BP OK),并与回归克里金插值法(RK)、...     

丘陵区土壤有机质空间分布预测的神经网络方法

土壤性质空间分布信息的准确表达是土壤资源优化利用和土壤环境保护的需要.为模拟川中丘陵区县域尺度上土壤有机质的空间分布格局,构建了以地理坐标、地形和植被因子为网络输入的径向基函数神经网络模型(RBFNN_E),并将该方法与普通克里格法(OK)、多元回归模型(MLR)和仅以地理坐标为网络输入的神经网络模型(RBFNN_C)相比较.结果表明:RBFNN_E对479个验证点模拟结果的平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)较MLR分别降低了1.74％、1.45％和2.64％,较OK分别降低了7.77％、12.76％和3.92％,较RBFNN_C分别降低了8.89％、9.81％和7.68％.从模拟的空间分布图来看,RBFNN_E能较好地刻画环境变化引起的土壤有机质空间变异的细节信息.因此,融合环境因子的神经网络模型(RBFNN_E)不仅具有较高的模拟精度,还能更好地揭示复杂地形下土壤有机质的空间变异,使模拟结果更符合区域地学规律与实际情况,可为复杂环境条件下土壤管理、精准农业的实施以及区域环境规划等提供科学依据.     

基于组合模型的玛纳斯河流域农田土壤盐分反演

盐渍化是影响土壤质量和作物生长的重要因素之一，利用遥感技术大面积获取土壤盐分信息具有重大意义。以新疆玛纳斯河流域农田为研究对象，将偏最小二乘回归模型(PLSR)和BP神经网络模型(BPNN)相结合，构建组合模型来反演土壤盐渍化状况。结果表明，与土壤盐分相关性较高且具有代表性的遥感指数为归-化植被指数(NDVI)、比值植被指数(RVI)和土壤调整植被指数(SAVI)，其相关性系数分别为-0.746、-0.663和-0.733。单项预测模型中偏最小二乘回归模型的预测精度最高，其决定系数(R²)为0.759，均方根误差(RMSE)为3.159。组合模型R²为0.797,RMSE为3.611，其验证精度较单项预测模型有所提高，较PLSR模型提高了0.038，较BPNN提高了0.094。组合模型可更准确地预测出玛纳斯河流域农田土壤盐分空间分布状况。玛纳斯河流域农田土壤盐渍化以轻度和中度盐渍化为主，所占比例达到35.34%和25.66%，与实测结果一致。组合模型较单项模型可以获得更准确的土壤盐分空间分布状况，为新疆玛纳斯河流域农田土壤盐渍化治理和土地资源...     

不同模型预测土壤有机质含量空间分布对比分析

【目的】探究土壤有机质含量空间分布预测模型的差异。【方法】在重庆市长寿区采集5162个土壤样点,结合地形、气候、植被和成土母质等9个环境变量,利用分类与回归树(CART)、随机森林(RF)、随机森林残差克里格(RFRK)和普通克里格(OK)4种预测模型对研究区土壤有机质含量空间分布进行预测制图,并利用平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R~2)和整体评价指标(GPI)评价模型精度。【结果】预测模型整体精度由低到高排序为CARTRFRFRKOK;在不同预测模型绘制的空间分布图中,土壤有机质含量空间分布的总体趋势一致,但在局部细节中存在差异。【结论】在采样密度较大区域,可以不借助辅助变量直接预测土壤有机质含量。     

土壤有机质高光谱特征与波长变量优选方法

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。     

基于采样密度不同土壤的水分特征参数的预测及误差分析

目前土壤水分特征曲线（h-θ曲线）的研究普遍采用vanGenuchten模型（简称VG模型）。利用不同取样精度的土壤,将土壤质地（砂土、粘粒、粉粒含量）和容重作为输入值,探讨了使用基于土壤转换函数的BP神经网络模型来预测0～20cm表层土壤水分特征曲线参数,用甘肃称钩河流域小流域的土样进行了预测和误差分析。结果表明,使用线性回归能够减小预测误差与实测值差距;BP神经网络预测饱和体积含水量的准确性比预测剩余体积含水量和田间持水量要高。为了进一步提高预测精度,还应尽可能地包括土壤结构、有机质含量等信息。     

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。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

基于表层土壤光谱的耕层土壤有机质间接估测

为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。结果表明,耕层土壤与表层土壤有机质含量之间决定系数R~2达到0.839,显著性P0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R~2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg~(-1)。研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。     

RBF神经网络的土壤养分肥力评价研究

土壤养分肥力等级是土壤特征的综合反映。以黑龙江850农场为研究区域,应用RBF神经网络方法构建该区的土壤养分肥力评价模型。以土壤养分指标作为神经网络的输入,土壤养分等级作为输出。通过实验模拟训练和预测,RBF神经网络取得的结果较好,与相关的BP神经网络模型进行实验比较,实验结果表明RBF神经网络得到的等级结果精度更高,该模型的建立与预测为土壤养分肥力等级评价提供了新途径。     

基于随机森林的农耕区土壤有机质空间分布预测

以陕西省周至县农耕区为研究区,采集192个土壤样品,通过随机森林模型(random forest, RF)对土壤有机质含量进行回归预测,通过29个(15%)独立验证点对预测结果进行精度验证,并与普通克里格(ordinary kriging,OK)和协同克里格(cokriging,COK)插值结果进行对比分析。结果表明,研究区土壤有机质含量在训练集和验证集中均属于中等变异性,含量处于中等偏低水平,大致表现为中、南部黑河东岸土壤有机质含量相对较高,东北部渭河沿岸含量较低。对变量重要性进行排序,影响研究区土壤有机质的主要因素为数字高程(DEM)和降水量。与OK、COK相比, RF对土壤有机质的预测值和实测值的相关系数(0.782)更高,而平均绝对误差(0.618 g·kg^-1)和均方根误差(2.062 g·kg^-1)更低,说明RF能够更精确地反映局部土壤有机质含量的空间变化信息。     

基于近红外光谱的不同建模方法检测土壤有机质和速效P含量的研究

【目的】采用近红外光谱和不同建模方法测定土壤中的有机质和速效P含量。【方法】分别采集江西不同地区的土样240个,采集土壤样品的近红外漫反射光谱,以对光谱数据进行主成分分析得到的前6个主成分(PCs)和偏最小二乘回归(PLSR)建模得到的6个潜在变量(LVs),分别作为反向传播神经网络(BPNN)和偏最小支持向量机(LS-SVM)的输入变量,共建立6个模型,分别为主成分回归(PCR)、PLSR、BPNN-PCs、BPNN-LVs、LS-SVM-PCs和LS-SVM-LVs,并对这些建模方法预测土壤有机质和速效P含量的结果进行评价,从中筛选出最佳模型。【结果】在预测土壤有机质和速效P含量时,LS-SVM-LVs模型的预测效果优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型。用LS-SVM-LVs模型得到的有机质、速效P预测集的决定系数(R2)和均方差(RMSE)分别为0.873 4,0.780 1mg/kg和2.92g/kg,4.97mg/kg。【结论】将近红外漫反射光谱和LS-SVM、PLSR相结合可用于测定土壤有机质和速效P含量。     

基于REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

GRNN和Elman神经网络在水体溶解氧预测中的应用

针对池塘溶解氧浓度受较多因素影响的复杂性,选择基于广义回归网络(general regression neural network,简称GRNN)、Elman神经网络和BP(back propagation)神经网络算法构建关于溶解氧的预测模型,并将模型应用于水产养殖池塘溶解氧的预测中,力求找到能够长期预测池塘溶解氧浓度的有效方法。研究结果表明,GRNN和Elman神经网络模型的拟合效果均比BPNN(back propagation neural network)的拟合效果好,且有较高的预测精度,平均相对误差绝对值分别为7.48%、11.03%。同时,GRNN和Elman网络模型的算法稳定,计算复杂性低,因此2个模型适合对溶解氧浓度进行预测,有一定的应用价值,可以为水产养殖管理提供依据。