支持向量机的盐碱土壤Philip入渗模型参数预测研究北大核心

以大田原生盐碱荒地土壤入渗试验数据为样本,应用支持向量机回归算法,建立了盐碱土含水率、容重、有机质含量、黏粒含量、粉粒含量、全盐量以及pH值与Philip入渗模型参数间的预测模型。预测结果表明,训练样本中吸渗率S的相对误差平均值为4.05%,稳渗率A的相对误差平均值为5.49%,90 min累积入渗量I_(90)的相对误差平均值为4.28%;检验样本中S、A和I_(90)的相对误差平均值分别为4.22%、3.58%和4.48%。可以看出,不论训练样本还是检验样本,入渗参数预测值与实测值基本吻合,所建立的预测模型精度较高,表明基于支持向量机的盐碱土壤Philip入渗模型参数的预测是可行的,可为改良盐碱土壤提供入渗参数的技术支撑。     

盐碱土壤Philip入渗模型参数的非线性预报模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为200组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,构建了以土壤全盐量、有机质量、含水率、容重、黏粒和粉粒含量为输入因子,Philip入渗模型参数吸渗率S和稳渗率A为输出因子的多元非线性预报模型,并用实测资料对该模型进行了精度检验。结果表明:对入渗参数预测的相对误差均小于10%,误差较小,模型预报精度较高,可满足实际应用的需要。研究结果在为盐碱地灌溉灌水技术参数的合理确定提供技术手段的同时,也为进一步优化盐碱地的改良方法提供了理论依据。     

基于支持向量机的土壤水分入渗参数预测研究

为解决土壤水分入渗能力的空间变异性问题,以方山、河津、泽州等地土壤入渗试验为背景,选用两参数Kostiakov入渗模型,建立以土壤密度、体积含水量、黏粒和有机质含量等土壤理化参数为输入变量,土壤水分入渗参数为输出变量的土壤传递函数。通过对入渗参数k、α的土壤理化参数影响因子分析,表明土壤理化参数与土壤入渗参数间存在着相关关系。在此基础上,运用支持向量机理论,将入渗参数的非线性回归问题转化为一个二次凸规划问题,建立了土壤入渗参数k、α的预测模型,通过对预测样本的误差分析,表明基于支持向量机土壤水分入渗参数预测模型的预测效果良好,可实现土壤传递函数的有效建立。     

冻融土壤Philip入渗模型参数的BP预报模型

为提高季节性冻土区冬、春季储水灌溉的灌水质量和效果,在季节性冻土区冻融期间进行了大田冻融土壤的系列入渗试验,获取了自然冻融条件下的大量土壤入渗试验数据,拟合得到了不同冻融条件下的Philip入渗模型参数,建立了入渗模型参数与土壤基本理化参数间的BP神经网络的预报模型,实现了基于土壤体积含水率、黏粒含量、土壤密度、土壤温度以及灌溉用水水温等基本理化参数对Philip入渗模型参数稳渗率A、吸渗率S的预报。所得到的预测值与实测值之间相对误差的平均值控制在7%以内。研究表明,利用冻融土壤条件下土壤常规理化参数对Philip入渗模型参数进行预报是可行的,可为季节性冻融土壤灌溉技术参数的确定提供有力支撑。     

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。     

盐碱土壤Kostiakov入渗模型参数的BP预报模型

为改良和改善盐碱地提供土壤入渗参数技术支撑,基于在山西省北部盐碱地进行的野外系列入渗试验,获取了累积入渗量与入渗历时的数据样本,并计算回归了kostiakov二参数入渗模型的入渗系数k与入渗指数α,建立了盐碱土壤基本理化参数与入渗参数之间的数据样本,利用BP神经网络的方法,建立了以土壤含水率、容重、质地、有机质、全盐量以及p H为输入变量,kostiakov入渗参数为输出变量的预报模型。结果表明:盐碱地土壤条件下,以土壤基本理化参数为输入变量,kostiakov入渗模型参数为输出变量的BP预报是可行的,入渗系数k的相对平均误差为0.29%、入渗指数α的相对平均误差为1.28%,以及根据两个入渗参数计算得到90 min累积入渗量的相对平均误差为2.37%,对所建立的模型进行检验时,以上三个参数检验误差的平均值均能控制在3%以下,确定所建立的BP预测模型能获得较好的效果。     

Philip入渗模型参数的非线性预报模型

利用黄土高原区大田耕作土壤的水分入渗试验过程资料,拟合了Philip入渗模型参数,建立了以土壤体积含水率、干密度、粉、黏粒含量和有机质含量等土壤理化参数为输入变量,Philip入渗模型参数为输出变量的土壤传递函数,通过对函数的分析、检验,建立了土壤入渗参数S和A的多元非线性预测模型;在此基础上,运用灰色关联分析理论,将各输入变量进行了灰色排序。研究表明:用土壤体积含水率、干密度、粉粒含量、黏粒含量和有机质含量作为预报模型的输入参数可实现对入渗参数的预测,预测参数实测值与预测值之间的相对误差可控制在8%以下,所建立的非线性预测模型高度相关。     

基于Philip入渗模型的土壤水分入渗参数BP预报模型

基于黄土高原区大量大田土壤入渗实测资料,借助BP神经网络模型建立了基于Philip土壤入渗模型参数的预报模型,并分别讨论了BP神经网络土壤水分入渗参数稳渗率预报模型、土壤水分入渗参数稳渗率预报模型和Philip模型的90min累积入渗量预测的单项和综合误差。结果表明:基于常规土壤理化参数土壤含水率、容重、黏粒含量、粉粒含量以及有机质等建立BP神经网络模型对Philip土壤入渗半经验半理论模型参数吸渗率S和稳渗率A进行预测是可行的。预测参数A和S以及Philip模型的90min累积入渗量的预测值与实际值的相对误差分别为2.074 60%、3.079 98%和2.037 56%,都在可接受的范围内;研究结果可为世界范围内大量实用的地面灌溉技术参数优化提供强有力的依据支撑。     

支持向量机参数优化研究

基于统计学习理论的支持向量机作为数据挖掘中的新技术,开发了一个极好的机器学习方法。它被认为是机器学习领域非常受欢迎的和成功的例子。支持向量机应用到实际问题时,首先面临的模型参数,包括支持向量机和核参数的选择。参数的选择直接决定了训练支持向量机的效率和效果,如何选择参数是支持向量机的主要问题。本文介绍的支持向量机参数优化和粒子群优化算法的关键知识,支持向量机的性能是很大程度上取决于参数设置,包括的惩罚参数和核函数参数,如何选择支持向量机的关键参数问题。     

基于支持向量机模型的水质评价研究

将支持向量机方法应用到水质评价中,建立了RBF核函数支持向量机评价模型。根据石头口门水库水质特征,选择溶解氧、化学需氧量、高锰酸盐指数等五项指标作为输入因子进行评价,并与综合水质评价法、模糊综合评价法比较。研究结果表明石头口门水库主要为Ⅱ类和Ⅲ类水,呈汛期较差、非汛期较好的变化规律。通过实例验证,说明支持向量机方法能够较好的解决分类评价问题,评价结果良好,符合客观事实,具有很好的研究价值和推广前景。     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

径流预测的支持向量机应用探讨

支持向量机是近年来提出的一种新的机器学习算法，它能针对在样本有限的情况，采用结构风险最小化准则，把学习问题转化为一个二次规划问题来获得最优解，从而克服了神经网络易陷于局部极小值的缺点。尝试将支持向量机算法应用于径流预测，并与BP神经网络方法的预测结果进行了对比，证明SVM方法预测径流量精度要略优于BP神经网络方法。     

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Kostiakov二参数入渗模型参数的BP预测

基于黄土高原区大田耕作土壤的水分入渗试验,建立了Kostiakov二参数入渗模型参数的BP神经网络预测,实现了以土壤基本理化参数为输入变量,Kostiakov二参数模型参数为输出变量的BP预测方法,并分别对二参数模型中的入渗系数k、入渗指数α以及90min累积入渗量H进行了预测值与实测值的精度比较,结果显示对入渗系数k实现BP预测的平均相对误差为6.082 3%,入渗指数α的平均相对误差为1.045 9%,90min累积入渗量H的平均相对误差为4.973 5%,三者的平均相对误差值均在7%以下,预测精度较高,预测效果较好,表明以土壤基本理化参数为输入变量的BP神经网络预测是可行的。研究结果为获取准确的入渗参数提供技术手段,进而为提高农业灌溉水管理水平和灌水效率提供支撑。     

Kostiakov入渗模型参数的预测精度对比分析研究

基于黄土高原系列大田入渗试验数据,以土壤体积含水率、干容重、黏粒含量、粉粒含量、有机质含量为输入因子,采用支持向量机和BP神经网络两种算法,对Kostiakov二参数入渗模型参数进行预测,并对两种算法下预测结果的相对误差值进行分析,结果表明:采用支持向量机算法对入渗系数和入渗指数进行预测的结果相对误差最大值和平均值都比BP算法的预测结果要小,相对误差最小值比BP算法的预测结果要大;支持向量机算法比BP算法所得预测结果的稳定性好,精确度高。研究结果丰富了采用土壤传输函数获取入渗参数这一研究方向,同时为获取更高精度的入渗参数在方法的选取上提供一定的理论依据。     

基于支持向量机的中国节水灌溉面积预测研究

为了了解未来几年中国节水灌溉面积的发展趋势,需要建立节水灌溉面积的预测模型。在对2000-2010年中国节水灌溉面积的统计数据进行归一化处理的基础上,采用支持向量机算法建立了回归预测模型。其中,2000-2009年的数据为训练样本,2010年的数据为检验样本。仿真预测与实际预测的结果表明该预测模型在所有预测样本点的相对误差的绝对平均值仅为0.14%,能满足对节水灌溉面积进行预测的需要。采用该模型对中国未来5年的节水灌溉面积进行了预测,指出了中国节水灌溉面积在"十二五"期间有加速增长的趋势。该研究结论对于了解未来中国节水灌溉的发展状况和制定相关规划具有重要的参考价值。     

基于支持向量机回归分析的降水量预测研究

在已有的降水量资料基础上,利用支持向量机回归分析方法建立了降水量预测模型。由于在利用降水量资料进行预测时特征值的选取没有统一标准,且目前鲜有文章涉及相关内容,因此提出了5种不同的特征值选取方法,并建立了相应的模型。通过评价对比,发现选取某月前10年同月的降水量作为特征值的预测模型输出结果精度最高,与实际情况更为接近,能很好地反映降水量的变化趋势。进而对该站未来5年的降水量进行预报。研究表明,在特征值选取合适的情况下,采用支持向量机回归分析对降水量进行预测,结果可靠、方法可行;预报结果和现有资料显示,该站所处地区近15年(2001-2015年)的降水量较早年偏少,处于降水量变化周期的枯水期。     

冻融土壤Kostiakov入渗模型参数的非线性预报模型

在山西汾河灌区季节性冻土区进行了3个越冬期的大田冻结土壤水分入渗试验,获取了Kostiakov冻结土壤二参数入渗模型参数的实测大样本,建立了各个土壤水分入渗参数与土壤理化参数间的非线性关系模型;通过MATLAB软件,实现了Kostiakov二参数入渗模型系数的求解。研究表明:用常规土壤理化参数土壤含水率、密度、物理性黏粒含量、土壤温度和有机质含量作为非线性预报模型的输入参数实现对入渗参数的预测是可行的,所建立的非线性关系模型高度相关,预测参数的实测值与预测值的相对误差可控制在10%以下。因此,用土壤常规理化参数对冻融土壤的水分入渗参数进行非线性预报是可行的,可为季节性冻土区冬季储水灌溉提供技术支撑。     

基于Green-Ampt和Philip模型的波涌灌间歇入渗模型研究

为了进一步揭示波涌灌间歇入渗的影响机制与规律,基于Green-Ampt和Philip入渗模型理论,建立了波涌灌间歇入渗分区模型,将第2供水周期及其后的供水周期内形成的入渗湿润区分别划分为重力势湿润区和基质势湿润区,并阐述了基于间歇入渗过程湿润区的分区入渗理论,通过Green-Ampt模型和Philip模型参数间的内在联系,建立了关于土壤体积含水率增量与累积入渗量之间的数学模型,并进一步根据土壤体积含水率增量与累积入渗量之间的线性图形特征,确定了不同分区下各供水周期的水分运动参数,分别为湿润锋面处吸力hf与表征饱和导水率Ks,且各间歇周期供水阶段的hf随着周期数的增大呈减小趋势,最后,利用分区模型将不同供水周期下的累积入渗量与湿润锋运移距离计算值同实测资料相比较,与实际值相比总体平均相对偏差分别为3.6%和8.6%,改进模型的适用性较好,拟合精度较高。因此,该模型可以较准确地描述波涌灌间歇入渗机理,为波涌灌灌水技术的合理设计提供了理论依据。     

基于最小二乘支持向量机模型预测田面糙率

田面糙率是影响地面灌溉质量的重要参数。基于最小二乘支持向量机建立了两类4个田面糙率预测模型,并进行了验证。结果表明第一类模型预测值(即作物地采用LSSVM-N-I3、裸地采用LSSVM-N-I1,翻耕地采用LSSVM-N-I2)相对误差最大值为9.7%;第二类模型预测值(即LSSVM-N-II模型)相对误差最大值为10.5%,由此可见两类模型都具有较高的预测精度,可以用于田面糙率的预测。