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。     

不同采样密度的土壤水分特征参数预测

利用不同取样精度的土壤,将土壤质地(砂土、淤泥、粘土含量)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0~20 cm表层土壤水分特征曲线参数,用甘肃省称钩河流域小流域的土样进行预测并进行了误差分析。结果表明,使用线性回归能够减小预测误差与实测值差距;使用BP神经网络来预测饱和体积含水量,其准确性比使用BP神经网络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。     

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。     

基于BP神经网络方法的黄土水分特征曲线预测模型比选

黄土高原区水资源严重匮乏，研究土壤水分特征曲线对于提高水分利用率、节约水资源有着重要的现实意义，但直接试验测量土壤水分特征曲线面临操作技术难度大、耗时费力等诸多问题，因此对土壤水分特征曲线进行科学合理预测十分必要。为提高黄土高原区土壤水分特征曲线预测模型精度，以山西省5个县市的试验点黄土为研究对象进行模型比选。基于BP神经网络算法，以土壤基本指标黏粒含量、粉粒含量、干容重、有机质和全盐量共5个影响因素作为预测模型的输入变量，以经验模型的参数作为预测模型的输出变量，分别建立了Gardner经验模型参数和Van Genuchten经验模型参数的预测模型，并根据实测数据库的预测结果进行对比和分析。结果表明：建立的经验模型参数的BP神经网络预测模型，Gardner经验模型建模和验证后的两个参数相对误差的平均值都小于4%,Van Genuchten经验模型建模和验证后的两个参数相对误差的平均值都小于5%；不论是建模的训练数据库还是验证数据库，Gardner经验模型参数的预测模型精度均高于Van Genuchten经验模型参数的预测模型精度。因此，建议针对黄土高原区的黄土水分特征曲线预测模型的建立...     

非参数统计理论与人工智能技术在水土空间变异中的应用研究

采用非参数统计理论中的指示克立格与BP神经网络技术,以河套灌区内一典型实验区的土壤水盐预测为例,在一条采样基线上比较了指示克立格与BP神经网络技术的优劣,发现指示克立格与BP神经网络技术在一维空间的土壤水盐预测中能改进普通克立格平滑效应,具有条件模拟的仿真功能,可用于空间水盐插值与预测。     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。     

改进GA-BP模型在地下水位埋深预测中的应用

地下水位埋深预测是有效实施节水措施、合理控制地下水位的前提与保证。鉴于地下水位埋深与引水量、降水量、蒸发量、排水量、地下水开采量等因素之间存在复杂的非线性关系,提出了基于改进遗传算法的BP神经网络模型用于地下水位埋深预测,弥补了BP神经网络本身易陷入局部最优值的缺陷;同时在遗传算法中改进了自适应交叉、变异概率算法,提高了神经网络的逼近能力和预测精度,并采用了Matlab软件实现了BP神经网络编程。通过不同模型在河套灌区解放闸灌域2000-2013年地下水位埋深模拟与预测,结果表明改进遗传算法优化的BP神经网络模型具有较高的预测精度和收敛速度,在其他地区地下水位埋深预测中也具有较好的适应性。     

基于灰色理论-支持向量机的Gardner模型参数的预报模型

为探索获取土壤水分特征曲线模型参数新途径,以山西省黄土高原区农耕土壤为试验材料,进行了系列土壤水分特征曲线试验,拟合得到了Gardner模型参数a和b,同时测定了土壤基本理化参数,建立了由Gardner模型参数a、b和土壤基本理化参数组成的数据样本。采用灰色关联理论,分析了土壤各基本理化参数与Gardner模型参数之间的关联度,基于支持向量机理论建立了以关联度较大的土壤容重、黏粒含量、粉粒含量、有机质含量、全盐量为输入因子,以Gardner模型参数a和b为输出因子的预报模型。研究表明:以土壤容重、黏粒含量、粉粒含量、有机质含量、全盐量为输入因子,对Gardner模型参数a与b进行预报是可行的,参数a、b的实测值与预测值之间相对误差的平均值分别为3.96%、4.68%,吻合度高,预测效果好。该研究结果可为获取土壤水分特征曲线模型参数提供技术手段,同时可促进土壤传输函数理论的发展。     

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。     

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。     

Subsurface drainage performance study using SALTMOD and ANN models

Relative performance of artificial neural networks (ANNs) and the conceptual model SALTMOD was studied in simulating subsurface drainage effluent and root zone soil salinity in the coastal rice fields of Andhra Pradesh, India. Three ANN models viz. Back Propagation Neural Network (BPNN), General Regression Neural Network (GRNN) and Radial Basis Function Neural Network (RBFNN) were developed for this purpose. Both the ANNs and the SALTMOD were calibrated and validated using the field data of 1998–2001 for 35 and 55 m drain spacing areas. Data on irrigation depth, evapotranspiration, drain discharges, water table depths, mean monthly rainfall and temperature and drainage effluent salinity were used for ANN model training, testing and validation. It was observed that the BPNN model with feed forward learning rule with 6 processing elements in input layer and 1 hidden layer with 12 processing elements performed better than the other ANN models in predicting the root zone soil salinity and drainage effluent salinity. Considering coefficient of determination, model efficiency and variation between the observed and predicted salinity values as the evaluation parameters, the SALTMOD performed better in predicting root zone soil salinity and the BPNN performed better in predicting the drainage effluent salinity. Therefore, it was concluded that the BPNN with feed forward learning algorithm was a better model than SALTMOD in predicting salinity of drainage effluent from salt affected subsurface drained rice fields.     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

基于RSM和GA的温室风送式弥雾机喷雾效果优化分析

为了研究不同喷雾参数优化方法对温室风送式弥雾机喷雾效果的影响,在试验的基础上,分别运用二次多项式回归和BP神经网络,建立了温室风送式弥雾机喷雾分布均匀性响应面模型.结果表明: BP神经网络响应面模型的相关系数、均方根误差分别为0.987 1,0.134 0,而二次多项式响应面模型的相关系数、均方根误差分别为0.928 2,0.215 9,BP神经网络模型较高的相关系数和较低的均方根误差说明其拟合精度较高;对二次多项式回归模型寻优,预测的雾滴分布变异系数最小值为1.47%,实际值为1.58%;采用BP神经网络协同遗传算法寻优,雾滴分布变异系数预测值和实际值分别为1.21%,1.28%;表明在喷雾参数优化中,基于BP神经网络的遗传算法比二次多项式响应面法具有更好的准确性.      

基于无人机多光谱遥感的芳樟矮林SPAD反演

为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测，及时快速诊断芳樟矮林生长状况，为田间管理决策提供信息支持，以红壤区芳樟矮林为研究对象，利用无人机多光谱遥感影像，提取波段反射率，筛选植被指数，分别以波段反射率和植被指数为模型输入量，采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型，并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量，在同一模型反演的精度相差不大；其中，基于偏最小二乘回归法，以植被指数为模型自变量估测芳樟矮林SPAD效果略优；基于支持向量回归、BP神经网络和RBF神经网络，以波段反射率为模型自变量估测芳樟矮林SPAD效果略优；对比4种建模方法，不同方法建模预测精度不同，与偏最小二乘回归、支持向量回归和BP神经网络相比，基于RBF神经网络反演芳樟SPAD的精度最高，以波段反射率和植被指数为模型输入量的测试集为例，其决定系数R²分别为0.788、0.751,均...     

基于神经网络预测的无线传感器网络田间射频信号路径损耗

为解决应用无线传感器网络技术监测农田信息时无法快速预测射频信号路径损耗的问题,基于神经网络理论研究了田间路径损耗与其影响因素间的关系。试验中选取915和2 470 MHz 2个载波频率,在冬小麦的不同生长阶段测量射频信号在田间各影响因素作用下的路径损耗,建立和验证基于神经网络的射频信号田间路径损耗预测模型。所建立模型模拟值与实测值的相关系数为0.92,应用建立的神经网络预测田间射频信号路径损耗并与实测值对比,最大预测误差绝对值为4.186 dB,最大预测标准差为2.759 dB,预测准确度为94.2%。所建立的BP网络可以对田间射频信号路径损耗进行预测。     

Simulation of nitrate distribution under drip irrigation using artificial neural networks

Accurate knowledge of nitrate distribution in the soil under fertigation through drip-irrigation systems is fundamentally important for system design and management. The determination of nitrate distribution through modeling represents a highly complex nonlinear problem that includes adsorption, transformation, convection, and dispersion. For this reason, an alternative methodology is proposed, which combines artificial neural networks (ANN) and laboratory experiments. Seventeen experiments with apparent discharge rates varying from 0.6 to 7.8 l/h, the apparent cylindrical applied volume from 6 to 15 l, and the input concentration from 100 to 700 mg/l were conducted to provide a database for establishing the ANN architecture. The model input parameters were initial soil water content, initial nitrate concentration in the soil, discharge rate, input concentration of fertilizer (NH₄NO₃), applied volume, and final soil water content. The model output was nitrate concentration in the soil after fertigation. A total of 298 vectors were used to train the ANN model, and 212 independent vectors were used to test the model. Results of the test show a good correspondence with a determination coefficient (r ²) of 0.83 between the model-estimated nitrate concentration in the soil and laboratory-measured nitrate concentration in the soil. These results show that the optimized ANN models are reasonably accurate and can provide an easy and efficient means of estimating nitrate distribution in the soil under fertigation through drip-irrigation systems.Communicated by J.E. Ayars     

基于改进人工神经网络的植物叶面积测定

叶面积作为植物光合作用的重要指标,是研究作物及林木生产力的基础.采用L-M算法和贝叶斯规则相结合的网络训练模式,以毛竹叶面积为研究对象,综合优化其人工神经网络结构,构建最优的叶面积预测模型.研究结果显示,模型的最佳预测变量为叶片宽度和叶片长度变量组合,而增加叶片形状指数未提高叶面积预测模型精度;所建神经网络模型性能好、预测精度高,决定系数达0.992,平均相对预测误差为4.28％,可以准确估测毛竹叶面积.     

神经网络在铲式成穴器穴孔长度试验中的应用

在对铲式成穴器穴孔长度进行二次通用旋转组合试验设计的基础上,引入基于人工神经网络的数据处理方法。分析结果表明,BP神经网络对试验结果拟合模型的相对剩余误差比回归模型拟合的相对剩余误差小,拟合精度高于回归模型,为铲式成穴器成穴质量的试验研究提供了新的数据分析方法。     

Evaluation of pedotransfer functions in predicting the soil water contents at field capacity and wilting point

Thirteen pedotransfer functions (PTFs), namely Rosetta PTF, Brakensiek, Rawls, British Soil Survey Topsoil, British Soil Survey Subsoil, Mayr-Jarvis, Campbell, EPIC, Manrique, Baumer, Rawls–Brakensiek, Vereecken, and Hutson were evaluated for accuracy in predicting the soil moisture contents at field capacity (FC) and wilting point (WP), of fine-textured soils of the Zagros mountain region of Iran. PTFs were developed using the laboratory measurements made on soil moisture at FC and WP, particle-size distribution, bulk density, and organic matter content. PTFs were evaluated on the basis of mean-squared deviation (MSD) between the observed and predicted values. Results agreed with the concept that the PTFs developed on soils of similar properties to the ones under study generally perform better than the others. In the case of the Zagros mountain soils, the “British Soil Survey” and “Brakensiek” PTFs were found to be the best methods. Since the soils under study had a wide range of organic matter contents (0.2–5.5%), the better performance of these PTFs may also be explained by the fact that they happen to be the only ones that require organic matter content as input. Rosetta, a software package that involves an artificial neural network approach, was of intermediate value in estimating soil moistures of the soils in question. This was attributed to the fact that the texture and the bulk density of the Zagros soils were not in the range of those used to develop Rosetta.