基于支持向量机的土壤水力学参数预测

为了分析支持向量机在土壤水力学参数预测方面的效果，应用支持向量机构建用于预测土壤水力学参数的土壤传递函数，以土壤粒径分布、容重、有机质含量等土壤理化性质为输入项，分别预测土壤饱和导水率、饱和含水率、残余含水率，以及van Genuchten公式参数的对数形式。结果表明预测值和实测值不存在显著性差异，用支持向量机预测土壤水力学参数是可行的。不同输入项处理的预测分析表明，输入项为粒径分布、粒径分布和容重、粒径分布和有机质含量3种情况的预测效果差异不明显，而输入项为粒径分布、容重和有机质含量时预测效果优于前3种情况。支持向量机在预测土壤水力学参数方面的效果要优于多元线性逐步回归模型，而与BP神经网络模型相比不具有明显好的预测效果。     

关中平原农田土壤水力参数空间分异与模拟

土壤水力参数是土壤水分和污染物迁移等陆面过程数值模拟的重要基础参数。为探明关中平原农田土壤水力参数空间分异特征,建立空间分布预测模型,在关中平原网格布设124个样点,采集根层0-20 cm原状和扰动土壤样品,利用van Genuchten模型拟合获取土壤水分特征曲线,获得残余含水量(θr)、饱和含水量(θs)以及系数α和n等土壤水力参数。采用经典统计学、地统计学和结构方程方法分析了θr、θs、α和n的空间变异特征及影响因子,建立了水力参数传递函数预测模型。结果表明:θr和α为强变异,θs为中等变异,n为弱变异。θr、θs、α和n半方差函数最佳拟合模型分别为球状模型、指数模型、指数模型和球状模型。θs和n具有强烈的空间依赖性,变程分别为32.7,54.3 km;θr和α具有中等程度空间依赖性,变程均为52.8 km。土壤质地、容重、pH、有机质和海拔是影响土壤水力参数空间分布的主要因子。基于土壤理化性质和海拔建立的水力参数传递函数模型具有较好的模拟效果,可用于关中地区大尺度农田生态系统土壤水力参数的模拟预测。     

基于神经网络优化算法的云南土壤有机质含量数字制图——以景洪市为例

  目的  利用自然成土作用变量,预测并制作栅格化的土壤有机质分布图,对发展热带数字化精细农业具有重要意义。  方法  使用2006年云南省景洪市测土配方样点数据,应用BP神经网络（BPNN）、基于强分类器算法的BP神经网络模型（BPNN-Ada）、基于粒子群算法优化的BP神经网络（PSO-BPNN）、基于遗传算法优化的BP神经网络（GA-BPNN）和多元线性回归（MLR）对土壤有机质的含量预测并进行空间化制图。  结果  ① 土壤样点X、Y坐标值能够有效提高算法精度且充分表现环境因子与土壤有机质空间分布上的协同关系。② 4种神经网络算法预测结果土壤有机质空间分布基本类似,均呈现南高北低的趋势。③ 研究区域内4种神经网络模型的在建模集拟合程度从高至低依此次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN,在建模集中PSO-BPNN和GA-BPNN与BPNN拟合精度一致,BPNN-Ada的拟合精度R2最高为0.98。在验证集的预测能力由高至低依次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN。BPNN-Ada有着最高的预测精度和算法稳定性:RMSE = 4.47、MAE = 3.3、MRE = 0.05、R2 = 0.976。  结论  在景洪地区进行土壤有机质神经网络建模时加入地理坐标能够有效提高模型精度,且基于学习规则的神经网络优化算法效果要优于优化初始权重和阈值的神经网络算法及传统的BPNN算法。     

科尔沁沙丘-草甸相间地区表土饱和导水率的土壤传递函数研究

以科尔沁沙地典型坨-甸相间地区为研究区,野外布设240个采样点,对流动沙丘、半固定沙丘、固定沙丘、沙丘区杨树林、沙丘区耕地、低覆盖度草甸、高覆盖度草甸、草甸区耕地、撂荒地9种地貌类型下的表层土壤进行了采样,测定了其含水率、干容重、有机质、饱和导水率等理化特性,分析了不同地貌类型下表层土壤理化参数差异。选取Campbell、Cosby、Wosten等、Saxton等4种土壤饱和导水率传递函数,对该地区表土饱和导水率进行了预测。结果显示这几种土壤传递函数预测值与实测值偏差较大,相关系数均小于0.3,精度难以满足本地区应用。在此基础上,选取土壤容重、有机质含量、饱和含水率、平均粒径、粒径标准偏差5种土壤特性参数作为输入变量,采用主成分分析与非线性回归分析相结合的方法,重新建立了预测本地区表土饱和导水率的土壤传递函数,结果显示预测值与实测值相关系数为0.661,该传递函数可用于科尔沁沙地表层土壤饱和导水率的预测。     

东北典型黑土区表层土壤有机质含量高光谱反演研究

选择东北典型黑土区——德惠市、扶余市和双城市为研究区,利用便携式地物光谱仪获取土壤光谱数据,基于原始光谱值及一阶微分、倒数的对数、连续统去除变换,分别建立了黑土有机质含量的多元线性逐步回归模型、偏最小二乘回归模型和BP神经网络模型。结果表明:高光谱与土壤有机质含量在多个波段相关性较好,其中有机质与反射率一阶微分处理的相关性最好,在光谱584 nm处其相关性最强(r=-0.60,n=81)。光谱一阶微分处理数据在三种建模方法中的预测及验证精度均高于原始光谱值、倒数的对数和连续统去除变换,因此一阶微分为最佳光谱变换形式。偏最小二乘回归分析的预测效果整体优于多元线性逐步回归分析和BP神经网络分析,光谱一阶微分处理的偏最小二乘回归模型呈现出最佳预测效果,决定系数为0.71、均方根误差为2.29 g kg~(-1)(n=53)。     

封丘地区土壤传递函数的研究

以黄淮海平原封丘地区的潮土和风沙土为研究对象 ,试图寻求解决土壤水动力学特性参数问题的更加实用可行的方法。根据大量的土壤基本物理性质和土壤持水数据 ,利用多元逐步回归分析方法 ,分别建立了vanGenuchten模型的参数θr、θs、a、n的土壤传递函数模型 ,并通过统计分析和数学模拟进行模型验证。研究结果表明 ,vanGenuchten模型参数与土壤的质地、有机质含量及容重等基本物理性质有一定的线性相关性。vanGenuchten模型的参数估计模型对粘性土壤的拟合效果较好 ,而拟合砂性土壤时误差较大。     

基于ANN的复垦土壤水分特征曲线的预测研究

为能较容易且更准确地获取复垦土壤水分特征曲线,将易测定的土壤特性如土壤质地、容重和饱和含水量作为输入变量,采用基于bagging算法的神经网络法建立了用于预测土壤水分特征曲线的土壤转换函数法(PTFs)模型,并对徐州矿区复垦土壤的水分特征曲线进行了预测,同时与普通BP算法预测精度进行了比较.研究结果表明所建立的PTFs参数模型具有较高的估计精度,bagging算法均方根预测误差比普通BP算法减少了7.5%～27.0%,说明该模型的建立与求解为复垦土壤水分特征曲线的预测研究提供了一条新途径.     

科尔沁沙丘-草甸相间地区表土饱和导水率的土壤传递函数研究

本研究以科尔沁沙地典型坨-甸相间地区为研究区,野外布设240个采样点,对流动沙丘、半固定沙丘、固定沙丘、沙丘区杨树林、沙丘区耕地、低覆盖度草甸、高覆盖度草甸、草甸区耕地、撂荒地九种地貌类型下的表层土壤进行了采样,测定了这些样点的含水率、干容重、有机质、饱和导水率等理化特性参数,分析了不同地貌类型下表层土壤理化参数差异。选取Campbell、Cosby、Wosten1997/1999、Saxton四种土壤传递函数,对该地区表土饱和导水率进行了预测,结果显示这几种土壤传递函数预测值与实测值偏差较大,相关系数均小于0.3,由此可见这几种传统的土壤传递函数在本地区应用具有一定的局限性。在此基础上,选取土壤容重、有机质含量、饱和含水率、平均粒径、粒径标准偏差五种土壤特性参数作为输入变量,采用逐步多元统计回归、主成分分析及非线性回归分析相结合的方法,重新建立了预测本地区表土饱和导水率的土壤传递函数,结果显示预测值与实测值相关系数为0.648,该传递函数可应用于科尔沁沙地表层土壤饱和导水率的预测。     

区域土壤水盐空间分布信息的BP神经网络模型研究

针对黄河下游三角洲盐渍区土壤水盐动态的复杂性和空间的变异性,将人工神经网络引入土壤水盐信息的模拟和预测中,探讨了3层网络结构下隐含层神经元数对网络训练和预测的影响,建立了0～20cm表土层水盐含量及其空间分布的BP神经网络模型。结果表明:研究区域表土层水盐与土壤容重和地下水性质间均具极显著的关联性,表土层盐分BP网络的输入因子以经、纬度坐标、土壤容重、地下水埋深和矿化度5个变量为宜,含水量则为经、纬度坐标、土壤容重和地下水埋深4个变量;隐含层神经元数过多会导致"过拟合",当表层土壤盐分和含水量BP网络的拓扑结构分别为5:8:1和4:6:1时,其预测精度最高;表土层水盐BP神经网络模拟值与观测值得到的分布图表现出相似的空间格局,BP神经网络模型有效地模拟了表土层水盐含量及其空间分布特征。该研究为黄河三角洲地区土壤盐渍化的发生、发展及演变规律分析提供理论基础,并为盐渍土地的水盐调控与科学管理提供决策依据。     

应用土壤质地预测干旱区葡萄园土壤饱和导水率空间分布

田间表层土壤饱和导水率的空间变异性是影响灌溉水分入渗和土壤水分再分布的主要因素之一,研究土壤饱和导水率的空间变化规律,有助于定量估计土壤水分的空间分布和设计农田的精准灌溉管理制度。为了探究应用其他土壤性质如质地、容重、有机质预测土壤饱和导水率空间分布的可行性,试验在7.6 hm2的葡萄园内,采用均匀网格25 m×25 m与随机取样相结合的方式,测定了表层(0～10 cm)土壤饱和导水率、粘粒、粉粒、砂粒、容重和有机质含量,借助经典统计学和地统计学,分析了表层土壤饱和导水率的空间分布规律、与土壤属性的空间相关性,并对普通克里格法、回归法和回归克里格法预测土壤饱和导水率空间分布的结果进行了对比。结果表明:1)土壤饱和导水率具有较强的变异性,平均值为1.64 cm/d,变异系数为1.17;2)表层土壤饱和导水率60%的空间变化是由随机性或小于取样尺度的空间变异造成;3)土壤饱和导水率与粘粒、粉粒、砂粒和有机质含量具有一定空间相关性,而与土壤容重几乎没有空间相关性;4)在中值区以土壤属性辅助的回归克里格法对土壤饱和导水率的预测精度较好,在低值和高值区其与普通克里格法表现类似。研究结果将为更好地描述土壤饱和导水率空间变异结构及更准确地预测其空间分布提供参考。     

青海三江源地区土壤水分常数转换函数的建立与比较

利用土壤理化性质数据建立转换函数是间接获得土壤水力参数的重要手段之一。基于测定的土壤理化性质和土壤水分常数数据,本文采用回归分析、BP神经网络和基于BP神经网络的Rosetta模型3种方式分别建立了青海三江源地区土壤饱和含水量、毛管持水量和田间持水量的转换函数,并对其预测精度进行了比较。结果表明:(1)回归分析方法总体预测效果比较理想,特别是田间持水量的平均误差(ME)和均方根误差(RMSE)都在3.397%以下,决定系数(R2)高达0.868;(2)BP神经网络方法的预测效果非常理想,各土壤水分常数平均误差和均方根误差都在4.685%以下,并且决定系数均在0.857以上;(3)Rosetta模型的预测效果相对较差,特别是饱和含水量和毛管持水量,平均误差(ME)和均方根误差(RMSE)相对较大,决定系数(R2)相对较小。3种方式中,BP神经网络方法所建立的毛管持水量和饱和含水量转换函数均为最佳,回归方法所建立的田间持水量的转换函数要好于BP神经网络方法和Rosetta模型,Rosetta模型对土壤水分常数的预测效果不如其他两种方式。研究可为青海三江源地区土壤水力特性参数研究以及区域尺度上土壤水分估算提供科学依据。     

灰色关联及非线性规划法构建传递函数估算黑土水力参数

土壤水分特征曲线和饱和导水率是重要的水力参数,为了简便准确获取这些参数,以松嫩平原黑土区南部为研究区域,采集136个采样点土样用于测定不同土层土壤水分特征曲线、饱和导水率以及土壤理化性质,并运用灰色关联分析确定影响土壤水力参数的主要土壤理化性质,采用非线性规划构建土壤分形维数、有机质、干容重、土壤颗粒组成与土壤水分特征曲线、饱和导水率之间的土壤传递函数,并通过与现有土壤传递函数对比分析进行精度验证。结果表明:1)土壤分形维数是估算土壤水分特征曲线模型参数和饱和导水率的主要参数之一,同时,干容重和有机质含量也在不同土层土壤传递函数中起到重要的作用;2)通过验证分析,不同土层各参数平均绝对误差接近于0,均方根误差值也都较小,其中在不同土层土壤传递函数估算的土壤含水率均方根误差分别为0.022、0.017cm~3/cm~3;3)对比分析其他已存的土壤水分特征曲线和饱和导水率的土壤传递函数,该文构建的土壤传递函数均方根误差值均较小,决定系数值都在0.66以上,表明估算精度较高,均好于其他方法估算精度,具有良好的区域适应性。综上,所构建的土壤水分特征曲线和饱和导水率土壤传递函数可以用于松嫩平原黑土区土壤水力参数估算。     

盐碱土壤Philip入渗模型参数的神经网络预报模型

以改良盐碱土壤、提供入渗参数为研究目的,在山西省北部的4种盐碱荒地进行了系列入渗试验和基本理化参数测定试验。基于误差反向传播算法(Back Propagation算法),建立了盐碱地土壤基本理化参数与Philip入渗模型参数之间的神经网络预报模型。预测所得Philip入渗模型参数的平均相对误差如下:稳渗率A为4.30%、吸渗率S为0.31%,预测值与实测值吻合程度高。研究结果表明,基于盐碱地土壤条件,选择土壤体积含水率、容重、质地、有机质含量、全盐量以及p H作为预报模型输入变量,Philip入渗模型参数为输出变量的BP神经网络的预报模型是可行的。     

基于图像处理和SVR的土壤容重与土壤孔隙度预测

土壤容重和土壤孔隙度是衡量土壤结构的重要参数。传统的土壤容重、土壤孔隙度获取方法费时费力,且大多数预测模型的输入变量获取难度较高。该研究利用土壤粗糙度、土壤阻力与土壤容重的相关关系,以土壤表面图像的颜色参数和纹理参数表征土壤粗糙度,同使用车载式土壤阻力测量系统获得的土壤阻力一起,从信息融合的角度构建了支持向量机回归（Support Vector Regression,SVR）土壤容重预测模型和SVR土壤孔隙度预测模型。图像处理使用HSV颜色空间进行阈值分割,得到HSV颜色参数,纹理参数使用灰度共生矩阵的能量、熵、对比度和逆方差。使用主成分分析对颜色参数和纹理参数进行主成分提取。将SVR模型的预测结果同环刀法测得的标准值进行相关性分析,决定系数R2达到了0.867。土壤孔隙度SVR预测模型决定系数R2达到了0.743。在相同的运行环境下,将SVR模型与决策树回归模型结果做了对比,决策树回归对土壤容重和土壤孔隙度的预测精度R2分别为0.734和0.690,验证得到SVR预测模型具有更好的预测精度。研究可为节省试验成本,以及快速、有效预测土壤容重和土壤孔隙度提供方法和参考。     

沿海滩涂农田耕层土壤饱和导水率间接方法的评价

为筛选和构建适合苏北沿海滩涂围垦农田耕层土壤饱和水力传导率间接估算的土壤转换函数,在典型地块实测土壤饱和导水率和相关土壤基本性质的基础上,分析了11种根据基本土壤性质预测饱和导水率的转换函数方法的适用性,同时探讨了基于人工神经网络方法的土壤转换函数的预测效果。结果表明:滩涂围垦农田耕层土壤平均饱和导水率为10.04 cm/d,属低透水强度;在现有的土壤饱和导水率转换函数中,Vereecken函数是最适合滩涂围垦农区土壤、具有最佳预测精度的转换函数,其预测均方根误差为8.154,其次是Li、Campbell和Rawls函数;以砂粒、粘粒、容重和有机质作为输入因子,基于人工神经网络的土壤转换函数较Vereecken函数其预测均方根误差降至7.920,在输入因子中增加土壤盐分指标可进一步提高饱和导水率的预测精度,其预测均方根误差降为7.634。本文的研究结果显示利用人工神经网络方法建立的转换函数可有效提高滩涂盐渍农田土壤饱和导水率的预测精度。     

滩涂围垦农田土壤饱和导水率的影响因素及转换函数研究

确定苏北沿海滩涂围垦农田耕层土壤饱和导水率的影响因素,构建适合该区的土壤转换函数,是研究该区田间土壤水盐运动和盐渍化防控的重要前提。本文在该区典型地块实测土壤饱和导水率和相关土壤基本理化性质,探讨了该区土壤饱和导水率的剖面分布特点,对影响饱和导水率的土壤基本性质进行了主成分分析,并建立了用于该区饱和导水率间接估算的土壤转换函数。结果表明:滩涂围垦农田土壤饱和导水率随剖面深度增加呈表土层高、亚表层低、底土层又升高的趋势,20~40 cm土层饱和导水率最小,介于2.75~6.73 cm·d-1,属低透水强度;土壤容重随剖面深度增加表现出与饱和导水率相反的变化特点。除了容重、孔隙度、质地等物理因素外,土壤肥力、盐分等化学性质也是影响饱和导水率的重要因素;影响滩涂围垦农田土壤饱和导水率的因素可由持水特性、盐碱状况、养分特征和土壤质地4个主成分反映,其累计贡献率达78.17%。在Vereecken转换函数中引入土壤盐分后可提高预测精度,修正函数Vereecken_1是最适合滩涂围垦农区土壤、具有最佳预测精度的转换函数。本文构建的土壤转换函数,可通过较易获得的砂粒、黏粒、容重、盐分和有机质对耕层土壤饱和导水率进行较高精度的预测,其结果可为滩涂盐渍化农区田间尺度土壤饱和导水率间接估算以及水盐运动数值模拟提供支持。     

含岩屑紫色土水力特性及饱和导水率传递函数研究

紫色土中存在的岩石碎屑会对土壤的水力性质如饱和导水率、水分特征曲线产生显著影响。以两种不同母质发育的土壤(紫色页岩和紫色泥岩)为研究对象,设置0.25~2、2~5、5~10 mm三个岩屑粒径水平,0、30%、50%、70%、100%五个岩屑含量水平,采用压力膜仪法和定水头法分别测定水分特征曲线和土壤饱和导水率。利用BP神经网络,选择特定输入变量建立土壤饱和导水率传递函数PTF1和PTF2(PTF1的输入变量为岩屑含量、岩屑粒径、初始土壤容重和机械组成,PTF2的输入变量为岩屑含量、岩屑粒径、初始土壤容重、机械组成、进气压力值和S指数(土壤水分特征曲线拐点处斜率的绝对值))。结果表明:添加岩屑极大提高了土壤饱和导水率和S指数,并且随岩屑含量的增加而增加,相比之下,进气压力值随岩屑含量增加而减小,饱和导水率也随岩屑粒径的增加而增加,岩屑粒径从0.25~2 mm增加至5~10 mm,饱和导水率平均提高了2.3倍。岩屑粒径对进气压力值和S指数影响较小。PTF1和PTF2的几何平均数、几何标准偏差、均方根误差以及AIC指数分别为1.27、5.57、0.16、2.94和1.17、1.70、0.06、–53.28,PTF2的相关值均小于PTF1,表明PTF2模型的预测效果更好。综上所述,岩屑的存在显著影响了紫色土的水力特性,使饱和紫色土导水能力增加而保水能力减弱,利用神经网络所构建的传递函数PTF2可很好地实现含岩屑土壤饱和导水率的预测。