基于神经网络的土壤水分预测建模研究

分析了利用神经网络进行时间序列预测的方法及其基本工作原理,并且利用神经 网络建立了土壤水分预测模型.试验结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的.     

时间序列分析在土壤墒情预测中的应用研究

土壤水分的动态模拟是土壤墒情监测及预报的重要内容,采用时间序列的线形模型进行土壤水分时间序列的拟合与趋势预测.在建立模型后,用实测数据与模型的预测数据相比较说明时间序列线形模型能较好地拟合与预测土壤墒情的变化趋势,可为干旱研究及其治理提供依据.     

时间序列自回归模型在土壤水分预测中的应用研究

在黄土丘陵半干旱区,多年生柠条林地土壤旱化严重,为了实现土壤水资源可持续利用,需要依据土壤水分状况,调控柠条生长与土壤水关系,而监测和预报土壤水分是防旱抗旱、调控柠条生长与土壤水关系的基础。为此选取黄土丘陵半干旱地区柠条林地2011年4月至2013年2月的土壤含水量时间序列作为研究对象,将各土层土壤含水量变异系数分为3个变化范围,并从3个范围内各选取一个代表土层,建立自回归模型,运用AIC准则及最大似然估计法求解模型中的参数,卡方检验的结果认为建立的模型较好。经过实例验证,实测值与预测值的相关误差均小于10%,说明时间序列自回归模型能够很好地预测黄土丘陵半干旱地区柠条林地的土壤含水量。     

时间序列的ARMA模型在干旱长期预测中的应用

本文利用Palmer方法计算出Palmer干旱指数,利用时间序列的ARMA模型建立干旱指数模型,并做出外延预测,收到较好的效果。     

饲草料地土壤水分动态变化规律及其预测的人工神经网络模型的研究

根据2005～2006年实测土壤水分资料和气象资料,研究分析了饲草料地土壤水分的动态变化规律和建立了考虑多个因素对土壤水分影响的BP人工神经网络模型,结果表明:表层土壤的含水率变幅较大,主要是受大气降水的影响,20～40cm和40～60cm土层土壤含水率的波动,除大气降水的影响外,还与植物的生长发育状况有关;土壤水分预测模型具有较好的预测效果,用神经网络建立土壤水分预测模型的方法是可行的,对于不同条件的地区具有广泛的适应性和推广应用前景。     

胶东梨园根系层土壤贮水量估算研究

2005年4月～2006年1月期间利用Trime土壤水分速测系统,分18次测定了烟台农科院梨园0～180cm范围内的土壤水分。对表层土壤水分与深层土壤水分之间的转换关系,及梨树在不同生长阶段对转换关系的影响进行了研究。结果表明,在梨树生长旺盛期和休眠期两个阶段内,0～10cm和0～30cm土层对深层土壤水分的预测效果都较差,0～50cm对深层土壤水分的预测效果较好,预测结果中相对误差大于12%的分别占26.67%和20.00%,最大相对误差依次为21.07%和15.05%;经验模型的预测精度偏高且各模型在生长旺盛期内的预测效果总体上较在生长休眠期内的预测效果差。因而本地区进行深层土壤水分估算的最佳表层深度为0～50cm土层,且以经验模型预测为佳。     

用Brooks-Corey模型确定两流区模型参数

两流区模型为描述优先流情况下的溶质穿透曲线提供了新的方法。但两流区模型的所有参数目前仅能通过反推参数法获得，限制了其应用。近年来，毛管理论和土壤水力特性模型的发展使得有可能从更加微观的角度来揭示土壤水分和溶质运动的机理，同时也为对流弥散模型参数的确定提出了新的思路。本研究在Brooks—Corey模型的基础上，推求了土壤中的孔隙流速分布；以平均孔隙流速为两流区的临界流速，得到了两流区模型参数与Brooks-Corey水分特征曲线模型形状系数之间的简单关系；提出了由土壤水分特征曲线确定两流区模型参数的方法。用实测资料对考虑和不考虑不动水体情况下这种方法的可靠性进行了验证。结果表明，不考虑不动水体，上述方法可靠性较差；考虑不动水体，用上述方法预测两流区模型参数有一定精度，不会对模型的预测结果产生太大的误差。     

基于矩阵变换的车载玉米叶绿素含量快速预测系统偏差分析

为了对车载玉米叶绿素含量快速预测系统偏差进行分析,优化车载系统测量结果,该文提出一种空间插值和多维矩阵分析相结合的思想,阐述了基于矩阵变换和GIS空间分析手段的预测偏差分析策略,提高了车载系统快速预测空间分布的预测效果。研究结果表明：使用BP神经网络模型和RBF神经网络模型对车载系统动态预测单点位置叶绿素含量具有一定预测效果,平均决定系数R2约为0.8,2类模型的预测效果相近。RBF神经网络预测结果矩阵经反距离加权法插值后,其空间分布预测偏差度小于10%的数据量占总数据量的85%。表明该方法具有较好的空间预测效果,可以为车载系统动态测量平台预测玉米冠层叶片叶绿素含量的提供决策支持。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

冬小麦田间墒情预报的经验模型

基于土壤水分变化率与贮水量成正比这一假定,得出了土壤水分的指数消退关系。在此基础上,建立了冬小麦生育期土壤墒情预报的经验递推模型,并对模型进行了检验,表明模型预报效果较好。该模型的特点是模型简单且参数较少;其主要局限性是模型中土壤水分消退系数地域、时域性较强     

基于遗传神经网络的黑龙江浅表地层水分预测

针对BP神经网络预测土壤墒情容易出现较大空间内存在局部极值点的问题,采用GA算法对BP网络进行优化,根据大豆作物在不同生长阶段的根系分布及吸水情况,划分3个不同发育阶段,5个地层深度,建立3种对应的土壤含水量遗传神经网络预测模型,并应用于黑龙江垦区红星农场大豆田间土壤水分预测,分别对3种模型的整体预测误差进行了分析,2009年大豆播种前期及其全生育期土壤体积含水量预测的平均绝对误差为1.83%,能较好地反映大豆田间土壤水分具体情况,为大豆节水灌溉与管理提供可靠的科学依据,该预测方法亦可为寒地大豆或其他农作物田间土壤水分预测提供借鉴。     

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。     

Neural network models to predict soil water retention

Soil water retention curves are needed to describe the availability of soil water to plants and to model movement of water through unsaturated soils. Measuring these characteristics is time-consuming, labour-intensive and therefore expensive. This study was conducted to develop and evaluate functions based on neural networks to predict soil water retention characteristics. Dutch and Scottish data sets were available; they contained data on 178 and 165 soil horizons, respectively. A series of three neural networks (A, B and C) was developed. Neural network A had the following input variables: topsoil, bulk density, organic matter, clay, silt and sand content. In addition neural network B had matric potential as input, and network C included soil structural data expressed as the upper and lower boundary of the ped-size class. Neural network A had three output variables: the volumetric water content at matric potentials of 0, –100 and –15 000 hPa. Both models B and C had volumetric water content, at the matric potential given as input, as output variable. The networks were tested against independent data that were extracted from the original sets of soil profiles. Accuracy of the predictions was quantified by the root of the mean squared difference (RMSE) between the measured and the predicted water contents, and the coefficient of determination (R²). For network A the RMSE varied for the three estimated water contents from 0.0264 to 0.0476 cm³ cm^–3, and R² varied from 0.80 to 0.93 for the individual model outputs. Networks B and C had an RMSE of 0.0435 and 0.0426 cm³ cm^–3, respectively. For both networks, R² was 0.89. The neural networks performed somewhat better than previous regression functions, but the improvements were not significant.     

松嫩草地土壤水分及盐渍化动态的模拟研究

利用面向对象技术及新型编程语言Java ,在水盐平衡模型基础上 ,通过简化机理模型建立了物理过程模型 ,来模拟土壤水分和盐碱化动态。模型以 1d为步长 ,适合于模拟异质性强的多层土壤水盐动态。利用长岭 1 997年土壤湿度实测资料对土壤水分模型进行了验证 ,模拟结果很理想。模拟了 1 997年羊草及角碱蓬群落土壤盐分、碱化度、pH值动态 ,并与实验资料进行了比较 ,模拟结果可以反映土壤盐分和碱化的季节变化规律。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

基于双层数据分解混合模型预测鄱阳湖COD

化学需氧量（Chemical Oxygen Demand, COD）是衡量水质状况的最重要参数之一,反映水体受还原性物质污染的程度。该研究采用改进的完全集合经验模式分解（Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise, ICEEMDAN）、变分模式分解（Variational Mode Decomposition, VMD）相结合的双层数据分解算法,并利用双向长短期记忆（Bidirectional Long Short-term Memory, BLSTM）神经网络,提出了一种混合模型IVB（Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise-Variational Mode Decomposition - Bidirectional Long Short-term Memory）,并以鄱阳湖高锰酸盐指数（Permanganate index, CODMn）监测数据为研究对象,进行案例研究。结果表明,IVB模型具有良好的预测性能：1 d以后的CODMn预测中,IVB模型的平均绝对百分比误差为2.21%,与单一BLSTM神经网络模型相比降低了10.57个百分点,而与IB (Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise - Bidirectional Long Short-term Memory)模型相比降低了4.62个百分点;7 d以后的CODMn预测中,IVB模型的平均绝对百分比误差为8.18%,与单一BLSTM神经网络模型相比降低了16.34个百分点,而与IB模型相比降低了4.68个百分点。这项研究表明,所开发的IVB模型可以用作水资源管理的有效分析与决策工具。     

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。     

Integrating biophysical and socio‐economic aspects of soil conservation on the Loess Plateau,China. Part I. Design and calibration of a model

A principal challenge in erosion control is the integration of the many technical and non‐technical issues that affect the acceptance of soil conservation measures by land users. This first paper in a three‐part series considers the main criteria at farm level: biophysical efficiency; productivity and sustainability; and socio‐economic acceptability. A model is developed to integrate these various components into a decision‐making framework for soil conservation at the farm level. With the particular conditions of the Loess Plateau in China, land degradation comprises a number of key biophysical and socio‐economic variables. The model components therefore include available water storage capacity of the soil as an index of productivity, the organic matter and mineral soil balance to reflect the major changes to the soil when eroded, and cost‐benefit analysis to determine the economic wisdom of devoting household resources to land improvement. The model is calibrated using data from the Nihegou Catchment near Chunhua in the southern part of the Loess Plateau. Through simulation runs, this model enables a better understanding of erosion–productivity–time relationships. Although relatively simple, the model successfully encompasses the processes of greatest significance to agricultural development in this part of China. Copyright © 2000 John Wiley & Sons, Ltd.