基于神经网络方法的季节性冻土Kostiakov入渗模型参数预测

以提高季节性冻土区农业冬春储水灌溉质量为研究目的,基于田间冻土入渗试验资料,建立了以冻融土壤基本理化参数为输入变量,Kostiakov累积入渗量模型参数为输出变量的BP预测模型。所建参数模型对入渗系数K和入渗指数α预测值的平均相对误差在4%以下,在可接受范围之内。结果表明,选择土壤黏粒量、体积质量、体积含水率、地表土壤温度和灌溉水温作为冻融土壤入渗参数BP预报模型的输入因子是合理的,建立的冻融土壤入渗参数BP预报模型是可靠的。     

冻融土壤Philip入渗模型参数的BP预报模型

为提高季节性冻土区冬、春季储水灌溉的灌水质量和效果,在季节性冻土区冻融期间进行了大田冻融土壤的系列入渗试验,获取了自然冻融条件下的大量土壤入渗试验数据,拟合得到了不同冻融条件下的Philip入渗模型参数,建立了入渗模型参数与土壤基本理化参数间的BP神经网络的预报模型,实现了基于土壤体积含水率、黏粒含量、土壤密度、土壤温度以及灌溉用水水温等基本理化参数对Philip入渗模型参数稳渗率A、吸渗率S的预报。所得到的预测值与实测值之间相对误差的平均值控制在7%以内。研究表明,利用冻融土壤条件下土壤常规理化参数对Philip入渗模型参数进行预报是可行的,可为季节性冻融土壤灌溉技术参数的确定提供有力支撑。     

冻融土壤Kostiakov入渗模型参数的非线性预报模型

在山西汾河灌区季节性冻土区进行了3个越冬期的大田冻结土壤水分入渗试验,获取了Kostiakov冻结土壤二参数入渗模型参数的实测大样本,建立了各个土壤水分入渗参数与土壤理化参数间的非线性关系模型;通过MATLAB软件,实现了Kostiakov二参数入渗模型系数的求解。研究表明:用常规土壤理化参数土壤含水率、密度、物理性黏粒含量、土壤温度和有机质含量作为非线性预报模型的输入参数实现对入渗参数的预测是可行的,所建立的非线性关系模型高度相关,预测参数的实测值与预测值的相对误差可控制在10%以下。因此,用土壤常规理化参数对冻融土壤的水分入渗参数进行非线性预报是可行的,可为季节性冻土区冬季储水灌溉提供技术支撑。     

基于Kostiakov二参数入渗模型参数的BP预测

基于黄土高原区大田耕作土壤的水分入渗试验,建立了Kostiakov二参数入渗模型参数的BP神经网络预测,实现了以土壤基本理化参数为输入变量,Kostiakov二参数模型参数为输出变量的BP预测方法,并分别对二参数模型中的入渗系数k、入渗指数α以及90min累积入渗量H进行了预测值与实测值的精度比较,结果显示对入渗系数k实现BP预测的平均相对误差为6.082 3%,入渗指数α的平均相对误差为1.045 9%,90min累积入渗量H的平均相对误差为4.973 5%,三者的平均相对误差值均在7%以下,预测精度较高,预测效果较好,表明以土壤基本理化参数为输入变量的BP神经网络预测是可行的。研究结果为获取准确的入渗参数提供技术手段,进而为提高农业灌溉水管理水平和灌水效率提供支撑。     

盐碱土壤Kostiakov入渗模型参数的BP预报模型

为改良和改善盐碱地提供土壤入渗参数技术支撑,基于在山西省北部盐碱地进行的野外系列入渗试验,获取了累积入渗量与入渗历时的数据样本,并计算回归了kostiakov二参数入渗模型的入渗系数k与入渗指数α,建立了盐碱土壤基本理化参数与入渗参数之间的数据样本,利用BP神经网络的方法,建立了以土壤含水率、容重、质地、有机质、全盐量以及p H为输入变量,kostiakov入渗参数为输出变量的预报模型。结果表明:盐碱地土壤条件下,以土壤基本理化参数为输入变量,kostiakov入渗模型参数为输出变量的BP预报是可行的,入渗系数k的相对平均误差为0.29%、入渗指数α的相对平均误差为1.28%,以及根据两个入渗参数计算得到90 min累积入渗量的相对平均误差为2.37%,对所建立的模型进行检验时,以上三个参数检验误差的平均值均能控制在3%以下,确定所建立的BP预测模型能获得较好的效果。     

基于Philip入渗模型的土壤水分入渗参数BP预报模型

基于黄土高原区大量大田土壤入渗实测资料,借助BP神经网络模型建立了基于Philip土壤入渗模型参数的预报模型,并分别讨论了BP神经网络土壤水分入渗参数稳渗率预报模型、土壤水分入渗参数稳渗率预报模型和Philip模型的90min累积入渗量预测的单项和综合误差。结果表明:基于常规土壤理化参数土壤含水率、容重、黏粒含量、粉粒含量以及有机质等建立BP神经网络模型对Philip土壤入渗半经验半理论模型参数吸渗率S和稳渗率A进行预测是可行的。预测参数A和S以及Philip模型的90min累积入渗量的预测值与实际值的相对误差分别为2.074 60%、3.079 98%和2.037 56%,都在可接受的范围内;研究结果可为世界范围内大量实用的地面灌溉技术参数优化提供强有力的依据支撑。     

土壤水分入渗参数的非线性预报模型

以山西地区黄土高原区土壤为研究对象,通过实施大量大田耕作土壤水分入渗试验,获取了Kostiakov二参数入渗模型参数的实测大样本,建立了各个土壤水分入渗参数与土壤理化参数间的非线性关系模型;通过MATLAB软件,实现了Kostiakov入渗模型系数的求解。结果表明,常规土壤理化参数土壤含水率、体积质量、粉粒、砂粒和有机质质量分数作为非线性预报模型的输入参数是合理的,所建立的非线性关系模型高度相关,预测参数的实测值与预测值的相对误差可控制在8%以下。因此,用土壤常规理化参数对土壤水分入渗参数进行非线性预报是可行的。     

冻融土壤Philip入渗模型参数的非线性传输函数模型研究

为满足季节性冻土地区越冬期间储水灌溉管理的需求,基于山西省汾河灌区季节性冻土的冬季大田土壤水分入渗试验,得到了120组Philip入渗模型参数实测样本,借助MATLAB软件,建立了以土壤温度、有机质质量分数、土壤含水率、土壤体积质量、物理性黏粒量为输入因子、以Philip入渗模型参数吸渗率和稳渗率为输出因子的多元非线性传输函数模型,并用实测资料对该模型进行了精度检验。结果表明,预测参数的相对误差均小于11%,预报精度在可接受范围之内。     

不同土壤入渗模型参数多元非线性预测模型的精度对比分析

为了对不同土壤入渗模型参数多元非线性预测模型的精度进行对比分析,基于区域性黄土田间耕作土壤水分入渗实测资料,分别对Kostiakov、Kostiakov-Lewis以及Philip入渗模型的参数建立了以土壤体积含水率、干密度,黏粒、粉粒和有机质含量等土壤基本理化参数为输入变量的多元非线性传输函数,并进行了精度分析和比较。结果表明:Kostiakov入渗的二参数模型参数的平均误差在9%以下,预测精度明显高于Kostiakov-Lewis三参数入渗模型参数10.78%和Philip入渗模型参数11.72%。因此,推荐形式简单且预测精度高的二参数模型参数多元非线性预测模型为土壤入渗模型参数预测模型。     

考虑土壤结构变形的Kostiakov入渗模型参数非线性预报模型

以山西黄土高原区头水地及以后各次灌水的土地为研究对象,通过实施大量大田耕作土壤水分入渗试验,获取了Kostiakov三参数累积入渗量模型的实测大样本,考虑每个生产周期第一次灌水过程中表层土壤结构的变形特性,建立了Kostiakov三参数累积入渗量模型的参数与土壤理化参数间的非线性关系函数。研究表明,常规土壤理化参数土壤含水率、密度、黏粒含量、粉粒含量和有机质作为土壤入渗参数非线性预报模型的输入变量是合理的,所建立的非线性关系模型高度相关,土壤入渗参数的实测值与预测值的相对误差可控制在9%以下;考虑到第一次灌水过程中表层土壤结构的变形特性,对表层土壤结构进行修正,更加真实地反映土壤结构对入渗参数的影响,并为各灌水时期提供科学合理的节水依据。     

土壤入渗模型参数的多元线性预测模型精度的对比分析

基于黄土高原大田耕作土壤的入渗试验数据,利用多元线性回归法建立了Kostiakov二参数、三参数以及Philip入渗模型参数的线性预测模型,进行了3种模型参数平均误差的比较以及给定时间的累积入渗量误差的比较,提出了便于应用又具有较高精度的土壤水分入渗参数多元线性预报模型。结果表明,Kostiakov二参数模型的平均误差低于三参数入渗模型和Philip入渗模型,能将平均误差控制在15%以下,低于其他2种入渗模型。因此用Kostiakov二参数入渗模型对土壤水分入渗能力进行预测较好。     

备耕头水地土壤入渗参数的线性预报模型

为了提高备耕头水地的灌溉质量,基于黄土高原区大田备耕头水地土壤入渗试验数据样本,采用线性回归分析的方法,建立了是否考虑备耕头水地灌溉前后地表土壤结构变形条件下的Kostiakov三参数入渗模型参数的线性预报模型。最终研究出预测备耕地入渗参数的两种方案,将两种方案各参数预测值的平均误差以及给定时间下的土壤入渗率的平均误差进行比较,结果表明:两种方案均能进行备耕头水地入渗参数预测,直接预测法的平均误差低于间接推求法,能将平均误差控制在15%以下,在条件允许的情况下优先选用直接预测法较好。     

基于支持向量机的土壤水分入渗参数预测研究

为解决土壤水分入渗能力的空间变异性问题,以方山、河津、泽州等地土壤入渗试验为背景,选用两参数Kostiakov入渗模型,建立以土壤密度、体积含水量、黏粒和有机质含量等土壤理化参数为输入变量,土壤水分入渗参数为输出变量的土壤传递函数。通过对入渗参数k、α的土壤理化参数影响因子分析,表明土壤理化参数与土壤入渗参数间存在着相关关系。在此基础上,运用支持向量机理论,将入渗参数的非线性回归问题转化为一个二次凸规划问题,建立了土壤入渗参数k、α的预测模型,通过对预测样本的误差分析,表明基于支持向量机土壤水分入渗参数预测模型的预测效果良好,可实现土壤传递函数的有效建立。     

非充分供水土壤水分入渗模型的试验研究

基于均质土壤的非充分供水入渗试验数据,通过回归分析的方法,分析讨论了Kostiakov二参数模型、三参数模型、Horton模型和Philip模型,对非充分供水条件下土壤控制阶段入渗过程的适用性。结果表明:Kostiak-ov二参数模型、三参数和Philip模型的显著性和相关性都较高;综合考虑Kostiakov三参数模型的显著性、相关性以及回归参数与实际入渗过程边界值的吻合性,认为用Kostiakov三参数模型描述土壤入渗能力控制阶段入渗特性效果最好。     

基于灰色理论—BP神经网络方法的表层土壤容重预测

以山西省黄土高原区15个试验点的年度跟踪监测样本为依据,利用灰色关联理论与BP神经网络相结合的方法,构建了表层土壤容重与土壤基本理化参数和累积接收水量之间的土壤传输函数预报模型。结果表明:影响表层土壤容重的7个土壤理化参数对于土壤容重的关联度均大于0.6;基于BP神经网络,以关联度较高的土壤粉粒含量、土壤砂粒含量、累积接收水量、体积含水率、有机碳含量和全盐量作为输入变量对表层土壤容重进行预测是可行的,预测值与实测值高度吻合,预测结果相对误差的平均值为0.41%,预测精度较高;检验样本预测结果相对误差的平均值为1.05%,误差完全在可接受范围内。研究结果可为黄土区土壤容重的获取提供新思路,为科学指导农田农事和灌溉管理提供理论支撑。     

Kostiakov入渗模型参数的预测精度对比分析研究

基于黄土高原系列大田入渗试验数据,以土壤体积含水率、干容重、黏粒含量、粉粒含量、有机质含量为输入因子,采用支持向量机和BP神经网络两种算法,对Kostiakov二参数入渗模型参数进行预测,并对两种算法下预测结果的相对误差值进行分析,结果表明:采用支持向量机算法对入渗系数和入渗指数进行预测的结果相对误差最大值和平均值都比BP算法的预测结果要小,相对误差最小值比BP算法的预测结果要大;支持向量机算法比BP算法所得预测结果的稳定性好,精确度高。研究结果丰富了采用土壤传输函数获取入渗参数这一研究方向,同时为获取更高精度的入渗参数在方法的选取上提供一定的理论依据。     

土壤入渗参数的灰色预测模型研究

为了研究在小样本、贫信息条件下,包括土壤密度、体积含水量、黏粒和有机质含量在内的土壤理化参数与土壤入渗特性之间的关系,以方山县土壤入渗试验为背景,选用两参数Kostiakov入渗模型,通过对入渗参数k、α物理意义的分析,运用灰色关联理论,对土壤理化参数中各参数与土壤入渗参数的关联度大小进行了灰色排序,结果表明对于入渗参数k、α而言,与其关联程度由大到小均为土壤密度黏粒含量土壤含水量有机质含量。并在此基础上建立了入渗参数k、α的GM(0,5)灰色预测模型,通过对预测值与实测值间的误差分析,表明其预测精度可以满足要求,由此所建立的土壤入渗参数灰色预测模型可行。     

基于BP神经网络的Gardner模型参数预测

为了准确推求包气带土壤的持水性能和水分运动参数,以黄土高原区田间耕作层土壤水分特征曲线的试验资料为数据样本,建立了以易于通过试验手段获取的土壤基本理化参数为输入变量,以土壤水分特征曲线Gardner模型参数为输出变量的BP预测模型。所建立的预测模型对两参数预测值的平均相对误差在6%以下,在可接受的范围。研究结果表明:选取土壤体积质量、有机质量、黏粒量、粉粒量以及无机盐量等基本理化参数作为预报模型的输入因子是合理的,所建立的土壤水分特征曲线Gardner模型参数BP预报模型可靠。研究结果可为黄土高原区包气带土壤持水性能和水分运动参数的准确获取提供借鉴。     

基于人工神经网络的比水容量模型参数预测模型研究

为了探索获取比水容量的简便方式,以山西省黄土高原区农耕土壤为实验对象,进行了土壤水分特征曲线与比水容量的相关试验,拟合得到比水容量模型参数,并配套测定了相关的土壤基本理化参数。在研究分析各个土壤基本理化参数与比水容量模型参数的影响关系的基础上,建立了关于土壤质地、土壤容重、土壤有机质含量、土壤无机盐含量的BP神经网络预报模型。研究表明:以土壤质地、土壤容重、土壤有机质含量、土壤无机盐含量为输入因子的BP神经网络预报模型是可行的,比水容量模型参数实测值与预测值之间的平均相对误差均低于10%,预测效果较好,精度较高。该研究结果为黄土高原地区获取比水容量提供了理论与技术上的支持,同时可促进土壤传输函数理论的发展。     

水分特征曲线Gardner模型参数的预测模型对比分析

为实现土壤水分特征曲线Gardner模型参数的预测以及精度的对比,以山西省黄土高原区农耕土壤为试验材料,进行了土壤水分特征曲线的系列试验,构建了土壤水分特征曲线Gardner拟合模型参数a、b和对应的土壤基本理化参数的数据样本;采用BP神经网络与支持向量机两种预报模型对土壤水分特征曲线Gardner模型参数a、b实现了预测,并对预测精度进行了对比。研究结果表明:随着两种模型输入变量的增加,两种预报模型的精度都得到提高;当输入变量为土壤质地、土壤容重、土壤有机质含量、土壤无机盐含量时,两种预报模型对参数a、b的平均相对误差值均在6%以下,预测模型具有可行性;同时,相比于BP神经网络而言,支持向量机预报模型精度相对较高,而且预测结果波动空间较小,离散程度较低。该成果一方面丰富了Gardner模型参数的土壤传输函数创建的途径,更为Gardner模型参数预测模型的选择提供了依据。