BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

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.     

基于Coup Model模型的三峡库区典型林地土壤水分和温度模拟以及参数敏感性分析

根据2008和2009年野外试验资料,应用CoupModel模型,对位于长江三峡库区末端的重庆市四面山阔叶林(木荷×石栎)和针叶林(杉木×马尾松)0-80cm土层的土壤水分和温度进行了逐日模拟验证,并在此基础上采用OAT方法(即每次只改变其中1个参数的方法),对模型参数进行了敏感性分析。验证结果表明,CoupModel能较好地模拟土壤水分和温度的动态变化,2种林分土壤水分决定系数(R2)、平均误差(ME)、均方根误差(RMSE)、Nash效率系数(NSE)分别为0.81~0.94,-0.01%~0.26%,0.24%~1.83%和0.80~0.87土壤温度的R2,ME,RMSE,NSE分别为0.92~0.99,-0.14~0.06℃,0.18~0.34℃,0.90~0.98。说明该模型在该地区表现出良好的适用性。参数敏感性分析表明,对土壤水分模拟结果影响较大的参数有孔隙分布参数、进气吸力、残留含水量、饱和含水量、饱和导水率和蒸发阻力系数(PsiRs-1p),对土壤温度模拟结果影响较大的参数有土壤热传导系数、有机质层厚度、植被反照率、消光系数、水汽压亏缺和蒸发阻力系数。     

采煤塌陷对贵州百里杜鹃林区土壤水分-物理性质的影响

为了揭示采煤塌陷对百里杜鹃林区土壤水分-物理性质影响的机理,在选取典型对比样地的基础上,采用《森林土壤水分-物理性质的测定》(LY/T 1215—1999)给出的方法进行分层对比分析,结果表明:采煤塌陷后,百里杜鹃林区土壤密度增大;土壤毛管孔隙度、非毛管孔隙度和总孔隙度均有不同程度的减小;土壤质量含水量、毛管持水量、田间持水量均下降,表层土壤下降尤其明显。     

长短期记忆神经网络在多时次土壤水分动态预测中的应用

基于长沙站2016—2019年10 cm深度土壤水分自动观测小时数据集,利用长短期记忆神经网络(LSTM)模型结合随机采样学习方法,开展了土壤水分多时次预测,结果表明:LSTM模型对6、12、24、48h后的土壤体积含水量预测均方根误差(RMSE)分别为0.22%、0.28%、0.38%、0.54%,决定系数(R2)分别为0.99、0.99、0.98、0.96,除6 h预测步长外,准确率均优于自回归整合滑动平均(ARIMA)模型,且误差稳定、无异常值出现,预测准确率远优于相关研究。该结果证实了基于LSTM模型精准预测土壤水分动态的可行性,为精准灌溉和干旱预警提供了计算机技术及手段支撑,为政府及科研部门水资源管理政策的制定提供了数据支持。     

六盘山林区四种植被类型对土壤物理性质的影响研究

植被恢复是改善土壤物理性质、保持水土的重要措施。为研究不同植被类型对土壤物理性质的影响,以六盘山林区华北落叶松、白桦、虎榛子和沙棘4种植物为研究对象,分别测定了不同层次的土壤容重、总孔隙度、毛管孔隙度、土壤含水量、最大持水量、毛管持水量和田间持水量等指标,并进行了分析。结果表明:4种植被类型的土壤容重,均表现出随着土层的增厚而增加的趋势;土壤总孔隙度、毛管孔隙度、非毛管孔隙度、土壤含水量、最大持水量、毛管持水量和田间持水量,均表现随着土层的增厚而降低的趋势。植被恢复更有利于提高土壤总孔隙度和非毛管孔隙度,改善土壤结构,提高土壤透气透水性和涵养水源的能力。沙棘和虎榛子在提高土壤总孔隙度方面更为有效,虎榛子更有利于改善土壤表层的土壤含水量、毛管持水量和田间持水量。     

基于近红外光谱分析的土壤分层氮素含量预测

准确、快速地估测土壤中的氮素含量是推动配方施肥顺利开展的保障。该研究在不同区域随机选取了30个点位,每个点位分别取其表土层(0~30 cm)、心土层(30~48 cm)以及底土层(48~60 cm)3个部位进行取样,利用傅里叶型光谱分析仪MATRIX_I测量了土壤样本在近红外区域的吸收光谱,并使用实验室手段测量了土壤样本的水分及氮素含量。分析了不同层次土壤样本的吸收光谱特性,以及土壤水分、氮素不同层次的变化规律。同时对原始光谱吸收率进行一阶微分处理,而后利用微分光谱与土壤全氮含量进行相关性分析,选取反应土壤全氮含量的敏感波段1 387、1 496、1 738、1 876、2 120以及2 316 nm。利用所得敏感波段与土壤氮素含量分别建立多元线性回归模型,BP神经网络预测模型以及基于遗传算法优化的BP神经网络建模。结果显示,基于遗传算法优化的BP神经网络建模,其决定系数为0.883,均方根误差为0.0278 mg/kg。表土层土壤的预测验证结果决定系数为0.716,均方根误差为0.031 mg/kg;心土层土壤的预测验证结果决定系数为0.801,均方根误差为0.030 mg/kg;底土层土壤的预测验证结果决定系数为0.667,均方根误差为0.033 mg/kg。无论是建模精度还是模型在土壤各个层次的预测精度相比于多元线性回归模型和BP神经网络模型相比都有了显著的提高,说明该方法在土壤全氮含量预测过程中具有明显的优势,可应用于实际生产。     

几种常用绿地改良材料对土壤水分特征的影响

分析了几种常用绿地土壤改良材料及其不同配比对土壤水分特征曲线和水分常数的影响,结果表明:利用RETC软件对各配比土壤水分特征曲线van Genuchten方程的参数拟合效果较好,R2均大于0.99;随着砂粒含量的增加,土壤田间持水量降低,土壤中水分有效性比例增加,但砂粒粒径对土壤水分常数影响不显著;绿化植物废弃物能提高土壤田间持水量和有效水含量,降低土壤凋萎含水量;绿化植物废弃物还能提高有效水占田间持水量的比例,以20%绿化植物废弃物的用量为最大,为49.59%;聚丙烯酰胺(PAM)虽然能提高土壤田间持水量,但阻碍土壤水分的释放,降低土壤水分的有效性;脱硫石膏可以增加土壤田间持水量和水分的有效性。综合而言,以70%土、10%砂、20%绿化植物废弃物和0.5 kg/m~3脱硫石膏的配比相对最佳。     

容重对土壤水分蓄持能力影响模拟试验研究

通过人工改变土壤颗粒级配,并设置不同容重水平,测定土壤水分特征参数,研究了容重对土壤水分蓄持能力的定量影响。结果表明:(1)容重对土壤水分特征曲线、比水容量有较大影响,试验土壤各吸力段水分蓄持能力均随容重增大递减,比水容量也随容重增大递减。(2)容重对试验土壤饱和含水量、田间持水量、凋萎系数有较大影响,此3个水分参数均随容重增大递减。饱和含水量与容重呈幂函数负相关关系,田间持水量及凋萎系数均与容重呈指数负相关关系。(3)容重对试验土壤有效水、易效水、迟效水含量有较大影响,此3水分参数均随容重增大递减,分别与容重呈指数、幂函数、对数负相关关系。     

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。     

青海三江源地区土壤容重转换函数的建立与比较

Bulk density (BD) is an important soil physical property and has significant effect on soil water conservation function. Indirect methods, which are called pedotransfer functions (PTFs), have replaced direct measurement and can acquire the missing data of BD during routine soil surveys. In this study, multiple linear regression (MLR) and artificial neuron network (ANN) methods were used to develop PTFs for predicting BD from soil organic carbon (OC), texture and depth in the Three-River Headwater region of Qinghai Province, China. The performances of the developed PTFs were compared with 14 published PTFs using four indexes, the mean error (ME), standard deviation error (SDE), root mean squared error (RMSE) and coefficient of determination (R²). Results showed that the performances of published PTFs developed using exponential regression were better than those developed using linear regression from OC. Alexander (1980)-B, Alexander (1980)-A and Manrique and Jones (1991)-B PTFs, which had good predictions, could be applied for the soils in the study area. The PTFs developed using MLR (MLR-PTFs) and ANN (ANN-PTFs) had better soil BD predictions than most of published PTFs. The ANN-PTFs had better performances than the MLR-PTFs and their performances could be improved when soil texture and depth were added as predictor variables. The idea of developing PTFs or predicting soil BD in the study area could provide reference for other areas and the results could lay foundation for the estimation of soil water retention and carbon pool.     

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。     

基于单一和集合土壤转换函数模型对土壤含水量的模拟性能分析

土壤转换函数(Soil pedotransfer function,PTF)是一种高效获取土壤水力参数的方法。由于土壤具有很强的空间异质性,确定最优PTF模型成为模拟土壤含水量的关键。为此,以海河流域3个实验场地(密云站、大兴站、馆陶站)为研究区,采用7种常用的单一PTF模型预测土壤水力参数作为HYDRUS-1D的模型参数,求解Richards方程获得土壤含水量,并与实测土壤含水量进行比较,评价了常用单一PTF模型预测的土壤水力参数对土壤含水量的模拟性能。此外,采用3种方法构建集合PTF模型,评价了集合PTF模型对土壤含水量的模拟性能。结果表明：基于van Genuchten方程构建的单一PTF作为模型参数模拟土壤含水量的均方根误差最小;而其中Rosetta3模型表现更优。在集合PTF模型中,基于遗传算法加权法构建的模型表现最好。集合PTF模型预测土壤水力参数可以较好的捕捉多个单一PTF预测土壤水力参数的整体趋势,弥补单一PTF在某些情况下模拟误差较大的不足。     

Applicability of site-specific pedotransfer functions and rosetta model for the estimation of dynamic soil hydraulic properties under different vegetation covers

Background, Aims, and Scope  During the last decades, different methods have been developed to determine soil hydraulic properties in the field and laboratory. These methodologies are frequently time-consuming and/or expensive. An indirect method, named Pedotransfer Functions (PTFs), was developed to predict soil hydraulic properties using other easily measurable soil (physical and chemical) parameters. This work evaluates the use of the PTFs included in the Rosetta model (Schaap et al. 2001) and compares them with PTFs obtained specifically for soils under two different vegetation covers. Methods  Rosetta software includes two basic types of pedotransfer functions (Class PTF and Continuous PTF), allowing the estimation of van Genuchten water retention parameters using limited (textural classes only) or more extensive (texture, bulk density and one or two water retention measurements) input data. We obtained water retention curves from undisturbed samples using the ‘sand box’ method for potentials between saturation and 20 kPa, and the pressure membrane method for potentials between 100 and 1500 kPa. Physical properties of sampled soils were used as input variables for the Rosetta model and to determine site-specific PTFs. Results  The Rosetta model accurately predicts water content at field capacity, but clearly underestimates it at saturation. Poor agreement between observed and estimated values in terms of root mean square error were obtained for the Rosetta model in comparison with specific PTFs. Discrepancies between both methods are comparable to results obtained by other authors. Conclusions  Site-specific PTFs predicted the van Genuchten parameters better than Rosetta model. Pedotransfers functions have been a useful tool to solve the water retention capacity for soils located in the southern Pyrenees, where the fine particle size and organic matter content are higher. The Rosetta model showed good predictions for the curve parameters, even though the uncertainty of the data predicted was higher than for the site-specific PTFs. Recommendations and Perspectives  The Rosetta model accurately predicts the retention curve parameters when the use is related with wide soil types; nevertheless, if we want to obtain good predictors using a homogenous soil database, specific PTFs are required. ESS-Submission Editor: Prof. Zhihong Xu, PhD (zhihong.xu@griffith.edu.au)     

Using existing soil databases for estimating retention properties for soils of the Pianura Padano-Veneta region of North Italy

Data collected on benchmark soils from experimental sites in the Pianura Padano-Veneta, Northern Italy, stored in local soil data bases were used to test the reliability of existing pedotransfer functions to derive soil water retention properties, required as input to simulation models of pollutant transport in soils. Eight different algorithms were selected according to their principle of calculation, input variable requirements and in agreement with the different information currently existing in local soil databases. Results were validated against an experimental set of 139 retention curves. In order to assess the validity of the selected pedotransfer functions and to provide operative guidelines for their selection, quantitative error indices mean difference, and square root of the mean squared difference, were calculated and the results evaluated for the whole data set and for subsets of observations classed in terms of soil textural composition, bulk density, organic carbon content and matric potential. Non-parametric significance tests for unbalanced data were applied to assess the significance of the differences among classes. According to the kind of soil on which they were tested, the selected pedotransfer functions showed significantly different responses in terms of accuracy, providing therefore useful indications for their optimal applicability for different levels of available information.     

不同盆栽基质水分特征曲线的对比分析与模拟

现有关于盆栽控水模拟土壤干旱条件的试验中多采用含水率作为水分胁迫阈值,然而由于基质配比不同导致含水率相同的基质的水分状况也不尽相同,这导致各研究间结果难以对比和参考。为快速获取盆栽基质水分特征曲线,建立基质水分特征曲线预测模型。该研究以盆栽控水试验常用的泥炭土、蛭石和珍珠岩为基质材料,测定了不同配比基质的水分特征曲线,通过不同方法（多元回归模型、人工神经网络）建立了其预测模型。结果表明,人工神经网络模型对基质水分特征曲线的预测精度高于多元回归;相较于人工神经网络,多元回归模型的稳定性更高。综合考虑模型的精度和稳定性,多元回归模型是预测作物盆栽基质水分特征曲线的最佳模型。该模型为基质水分特征曲线快速获取以及相关作物干旱胁迫研究间的对比提供了方法和依据。     

玉米作物系数无人机遥感协同地面水分监测估算方法研究

该文研究不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数的可行性。利用自主研发的六旋翼无人机遥感平台搭载多光谱传感器获取内蒙古达拉特旗昭君镇试验站不同水分胁迫下大田玉米冠层光谱影像,计算植被指数,采用经气象因子和作物覆盖度校正后的FAO-56双作物系数法计算玉米的作物系数,研究作物系数与简单比值植被指数(simple ratio index,SR)、叶面积指数(leaf area index,LAI)和表层土壤含水率(surface soil moisture,SM)的相关关系,结果表明,作物系数与SR、LAI和SM的相关程度与水分胁迫程度有关,但均呈现出显著或极显著的线性关系,说明了基于这些指标建立作物系数估算模型的可能性。利用逐步回归分析方法建立了作物系数的估算模型,其估算模型,修正的决定系数、均方根误差和归一化的均方根误差分别为0.63、0.21、25.16%。经验证,模型决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21、23.35%。研究结果可为利用无人机多光谱遥感平台进行作物系数估算提供技术参考。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

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。