基于自由搜索人工神经网络的坡地入渗量预测

该文应用基于自由搜索算法的BP（backpropagation）网络模型对自然降雨条件下不同处理措施的红壤坡地入渗规律进行了预测,选择降雨量、最大降雨强度、降雨历时、土壤初始含水率、土壤体积质量、通气孔度和下垫面状况7项指标作为网络输入,土壤入渗量单项指标作为网络输出,结果表明：基于自由搜索算法的BP网络模型可以有效地预测自然降雨条件下不同处理措施坡地入渗规律,预测的平均相对误差为11.08%,经t检验和回归分析表明预测值和实测值相差不大,具有较好的一致性,决定系数为0.9715,并和传统的BP网络进行了比较,结果显示基于自由搜索算法的BP网络预测优于传统的BP网络,模型具有较高的精度和稳定性。     

基于模糊评价与BP神经网络模型的耕地质量评价对比研究——以淮北平原凤台县为例

以凤台县为例,提取耕地,在Arc GIS中通过基础矢量图件的叠置分析建立耕地质量评价单元。选取与耕地质量息息相关的评价指标,分别建立模糊模型和BP神经网络模型。再用建好的模型对耕地质量评单元进行评价,将其评价结果从数量和空间上与依据真实常年单产划分的耕地质量等级进行对比,发现在数量上BP神经网络模型评价结果的相对误差均比模糊模型评价结果的相关误差小,在空间分布上BP神经网络模型评价结果也比模糊模型评价结果更接近于真实分布。最后绘制空间分布图,直观展示不同评价方法分布结果。     

基于BP人工神经网络的长江河口地区土壤盐分动态模拟及预测

为开展长江河口地区土壤盐分动态的中长期模拟与预测,采用人工神经网络中应用较为成熟和广泛的BP网络建立长江河口地区土壤盐分与降雨量、蒸发量、长江水电导率、内河水电导率、地下水位、地下水电导率6因子间的非线性神经网络响应模型。网络模型结构为6-11-1,隐含层单元数用"试错法"确定。选择合适的参数训练和学习网络模型后,对河口地区2003年各月平均根层土壤电导率进行预测,并与线性回归模型预测结果进行比较。结果表明:BP网络模型较线性回归模型具有更高的预测精度,平均相对预测误差为7.3%,预测值与实测值相关性良好,可以满足实际应用需求。     

康奈尔土壤健康评价系统及其应用

土壤健康是土壤质量的可变部分,受人类利用和管理土壤方式的影响明显。因此,掌握农田土壤健康状况,对改进农田管理方式、提高农作物产量和质量具有重要意义。康奈尔土壤健康评价系统通过研究土壤健康指标,科学全面的评价农田土壤的健康状况。该系统从39个备选的土壤健康指标中选取物理指标、生物指标和化学指标各4个,作为描述土壤健康特征的量化指标;在采样分析获得各指标的指标值后,通过土壤健康评分函数,将测得的指标值转换为对应指标的分值,并在此基础上计算出土壤健康总分,用以定量评价农田土壤的综合健康状况。该测试系统面向农民、为农民服务,操作简单、易于理解,对我国开展农田土壤健康管理和评价工作具有参考价值。     

浅地下水埋深条件下土壤水盐动态BP网络模型研究

针对浅地下水埋深条件下作物生育期内根系层土壤水盐动态模拟中存在的问题,将人工神经网络引入水盐动态的模拟和预报中,建立了根系活动层0～60 cm和0～100 cm深度内土壤水盐动态的BP网络模型。结果表明,以生育时段初平均土壤含水率、平均土壤盐分指标、地下水水位埋深、地下水盐分指标、时段内水面蒸发量、降雨量(包括灌水量)、生育期日序列7个因素为输入因子,以生育时段末平均土壤水分、平均土壤盐分指标为输出因子的BP网络模型可有效表征土壤水盐动态及其影响因素之间的内在复杂关系,并且有较高的精度。该研究为分析浅地下水埋深条件下作物生育期内土壤水盐动态规律的分析提供了一种有效可行的方法,是对传统土壤水盐动态研究的补充。     

区域水资源可持续利用评价的人工神经网络模型

根据给定的水资源可持续利用评价等级标准，采用随机技术模拟生成足够数量的评价指标序列，应用BP网络模型，以评价指标生成序列和其所属的评价等级值来建立评价模型，并进行了实例研究。结果表明，建立的模型实用、可操作性强，可以用于区域水资源可持续利用评价。     

基于人工神经网络的土壤有机质含量高光谱反演

研究了土壤有机质含量与土壤高光谱之间的关系,在对原始光谱进行了预处理分析后,运用多元线性逐步回归法(MLSR)和人工神经网络法(ANN)建立了土壤有机质含量的反演模型,并对模型进行了验证。结果表明:人工神经网络所建立的反演模型普遍优于回归模型,网络集成模型优于单个BP网络模型,网络集成是提高反演模型准确性与稳定性的有效途径。网络集成模型为最优模型,总均方根误差为1.31,可以用于土壤有机质含量的快速测算。     

基于人工神经网络的土壤养分肥力等级评价方法

土壤养分肥力等级是土壤特性的综合反映,也是揭示土壤条件动态的最敏感的指标。对它的评价涉及多个指标,很难用常规方法进行。人工神经网络由于有大规模并行处理、分布式存储、自适应性、容错性等特点,可以解决复杂的非线性高维同题,本研究拟采用建立的土壤养分肥力等级BP神经网络评价模型,对山西省大同地区的土壤养分肥力等级进行评价。     

热带地区农场尺度土壤质量现状的系统评价

以我国热带地区海南儋州的农场为典型样区 ,按网格方法系统调查和采集了不同利用条件下的土壤剖面和表层样品。提出了一个系统的评价方法 ,将土壤质量划分为水分有效性、养分有效性和根系适应性这三个功能 ,确定了十项符合热带地区特点的土壤质量指标 ,建立各项功能和各项指标的权重。综合参考国内外研究结果 ,结合热带地区实际状况 ,建立标准评分方程 (SSF)对各项指标进行标准化。研究根据海南儋州样区土壤质量分析数据 ,在GIS支持下 ,采用系统评价模型对样区的土壤质量进行综合评价 ,并对农场尺度土壤质量的变异进行了分析。结果表明 ,系统评价模型可以在对土壤功能进行评价的基础上综合评价土壤质量 ,在GIS支持下可以方便有效的直观反映土壤质量的状况。研究区域土壤具有较好的水分供应性能 ,能够提供根系生长的适宜环境 ,存在的主要问题在于养分供应和保持能力较弱 ,但是在合理的管理措施下 ,土壤养分能够较快增加 ,土壤质量可以改善     

黄土丘陵区侵蚀土壤质量评价

通过建立侵蚀土壤质量单因素评价模型和综合评价模型,选出了黄土丘陵区适宜的侵蚀土壤质量评价方法,定量评价了该区土地利用方式对土壤质量的影响。结果表明,采用加权综合法对土壤质量进行综合评价能够较好地反映土壤质量的实际情况,敏感地反映土地利用方式变化对土壤质量的影响。应用因子分析法所筛选的8项土壤质量简化评价指标能够很好地反映29项综合评价指标的信息,评价结果具有较高的代表性。拟定了黄土丘陵区侵蚀土壤质量分级标准,将研究区土壤质量分为5级。黄土丘陵区10种土地利用类型间土壤质量差异显著,以天然乔木林地土壤质量最佳,属1级;其次是天然灌木林地和大棚菜地,土壤质量属2级;天然草地土壤质量属于3级,人工乔灌林地土壤质量接近3级;人工草地、撂荒地、农地和果园土壤质量属于4级。     

BP神经网络在渭河水环境质量评价中的应用

为准确和客观地评价渭河水环境质量状况,将改进算法的BP神经网络引入地表水环境质量评价领域,采用渭河2010年(9月7日至10月11日)水质指标监测数据,构建了渭河水环境质量评价模型。通过3个水质监测项目(氨氮、高锰酸盐指数、溶解氧)对渭河水质进行了评价,评价结果与环境保护部公布结果完全一致。结果表明,BP神经网络应用于水环境质量评价具有客观性、通用性和实用性,可以很好地解决评价因子与水质等级间复杂的非线性关系,评价方法简便可靠,预测精度高。     

BP神经网络在道路土壤分离速率模拟中的应用

 土壤分离是土壤侵蚀的重要过程,为坡面径流的搬运过程提供了物质基础,因而对土壤分离速率的准确模拟具有重要的理论和实践意义。采用变坡水槽实验,利用在较大的坡度(8.8%～46.6%)及较大的流量范围(1～5L/s)内测得的黄土高原道路土壤分离速率数据,分别使用BP神经网络模型及回归模型对土壤分离速率进行模拟,并对比上述2种模型的模拟效果。结果表明:BP神经网络模型可以利用实验中较容易测定的坡度、流量等数据对土壤分离速率进行较为准确的模拟(模型效率系数0.952);相对传统回归模型,BP神经网络模型对不同类型道路的土壤分离速率的模拟精度均有所提高;BP神经网络模型可以将道路类型、坡度、流量与土壤分离速率的关系统一为一个模型,可为道路土壤分离的模拟提供新的方法。     

基于BP神经网络的土壤水力学参数预测

为了获取区域土壤水分和溶质运移模拟所需的土壤水力学参数,利用黄淮海平原曲周县的试验资料建立基于BP神经网络的土壤转换函数模型。本文采用土壤粒径分布、容重、有机质含量等土壤基本理化性质,来预测土壤饱和导水率Ks、饱和含水量sθ、残余含水量θr、以及van Genuchten公式参数α、n的对数形式ln(α)和ln(n),并与多元线性逐步回归方法进行比较。t检验结果表明,BP神经网络训练和预测得到的模拟值与实测值之间吻合很好,该方法具有较高的预测精度。通过对平均相对误差的比较,得出在粒径分布的基础上增加容重、有机质含量等输入项目,可以提高部分土壤水力学参数的预测精度,而有些参数的预测精度反而降低。以误差平方和为标准的比较结果表明,BP神经网络模型的预测效果总的来看要优于多元线性回归法。     

基于BP神经网络的辽河源头区水质评价研究

基于辽河源头区水环境问题日益突出的现状,该文开展了辽河源头区水环境质量的研究,旨在对区内的水体质量进行分析评价。通过资料收集与汇总,基于BP人工神经网络结构的思想和理论,利用研究区内13个控制断面的水质监测数据,建立了包括pH、溶解氧、氨氮、化学需氧量、五日生化需氧量、高锰酸盐指数的水质综合评价模型,并应用训练好的模型进行仿真运算及水质综合评价。结果显示,在选取的13个断面中,约76.92%的断面为Ⅴ类—劣Ⅴ类水质,仅有23.08%的断面水质级别在Ⅱ—Ⅲ类之间,研究区上游断面的水质状况较好,中下游的水质较差。将该结果与《环境公报》公布的主要断面水质结果进行对比,81.25%的评价结果相同,采用BP神经网络对研究区水质进行综合评价具有较强的适用性和可靠性。     

黑土养分含量的航空高光谱遥感预测

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;全氮、有效磷和速效钾的预测精度,BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

采用BP神经网络和Burgers模型的细观参数标定

PFC软件作为一款成熟的离散元分析软件,由于在处理连续与非连续介质方面的出色表现,得到了广泛的应用。但是PFC软件所需要的细观参数均需要采用室内试验数据通过试错法反复调试才能获得,效率低、盲目性高,严重影响后续试验数据,因此急需一种新的细观参数校准方法。本文以玉米秸秆颗粒的单轴蠕变试验为基础,结合离散元软件PFC 2D,通过正交试验多因素方差分析方法分析了Burgers模型宏细观参数之间的影响关系,从而证明宏细观参数之间存在着复杂关系,不宜采用通过回归分析获得宏细观参数之间的关系式的方式标定细观参数,适合利用BP神经网络进行参数标定,利用创建的BP神经网络对细观参数进行标定,根据测试组的标定结果分析得出Burgers模型各细观参数的标定精度均在92%以上,且误差较为稳定,而且训练好的神经网络相关系数R>0.96,从而证明BP神经网络的细观参数标定性能较为可靠。将玉米秸秆单轴蠕变试验的宏观参数带入训练好的BP神经网络中进行细观参数标定,比对模拟蠕变试验与物理蠕变试验发现,两者的蠕变曲线基本一致,应变量的最大误差为2%,证明了BP神经网络具有良好的参数标定能力,可为PFC参数标定提供一定的参考价值。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。