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...     

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。     

基于支持向量机方法的土壤水分特征曲线预测模型

在山西省黄土高原区进行野外试验获取土壤样品,经室内试验测定,最终获得土壤样品的水分特征曲线以及理化参数,建立了基于支持向量机的Van-Genuchten预测模型。研究与分析的结果:输入变量选用了5个土壤基本理化参数(土壤黏粒、粉粒、密度、有机质和全盐量),输出变量为Van-Genuchten模型的参数α、n,对土壤水分特征曲线Van-Genuchten模型的参数进行预测并取得良好的结果。所建立的支持向量机预测模型下,Van-Genuchten模型参数α、n的预测值与检验值的平均相对误差都小于4%,建模与检验样本都具有较高的精确度。研究成果有助于丰富黄土地区的土壤水分特征曲线理论研究。     

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。     

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。     

贝叶斯模型在土壤转换函数中的应用与适应性评价

为了研究大型灌区节水改造后的区域农田生态环境效应中分布式水文模型空间参数的确定问题,通过内蒙古河套灌区解放闸灌域22个土壤水盐监测点110个土壤样本的采样与分析,利用贝叶斯神经网络(BNN)模型建立了河套灌区区域分层土壤特征参数与土壤水分特征曲线模型参数、特征含水率之间的土壤转换函数模型,并与已有的BP神经网络模型进行适应性比较及模型验证。结果表明,BP模型土壤转换函数的训练模拟精度优于BNN,但是在模拟预测方面,BNN模型普遍好于BP模型,而且模型输入因子数量对BP模型的精度影响较大,而BNN模型对于不同输入因子表现出很好的稳健性,BNN模型比传统的人工神经网络模型具有更好的适应性和预测效果,体现了土壤特征参数的空间随机性和结构性特征,而且预测的土壤水分特征曲线与实测和VG拟合结果更为接近,是一种具有广阔应用前景的区域土壤转换函数推求方法。     

土壤水分特征曲线模型参数的非线性传输函数研究

以黄土高原区土壤为研究对象,通过土壤水分特征曲线与土壤基本理化参数系列试验,获得了Van-Genuchten模型参数的实测数据样本,建立了土壤基本理化参数与Van-Genuchten模型参数之间一一对应的关系,创建了以土壤黏粒含量、粉粒含量、容重、有机质含量、全盐量为输入变量,Van-Genuchten模型参数为输出变量的非线性传输函数预报模型。研究表明:以土壤黏粒含量、粉粒含量、容重、有机质含量、全盐量为输入变量,对Van-Genuchten模型参数进行非线性预报是可行的;所建立的非线性预报模型精度较高,预测样本下Van-Genuchten模型参数α的实测值与预测值的相对误差的平均值为9.66%,参数n的实测值与预测值的相对误差的平均值为6.83%,检验样本参数α的实测值与预测值的相对误差的平均值为7.34%,参数n的实测值与预测值的相对误差的平均值为5.45%。研究成果为黄土地区提供一种便捷获取土壤水分特征曲线的途径。     

基于神经网络的温室土壤水分动态预测模型研究

针对智能温室变量施水的土壤水分预测问题,建立基于神经网络的土壤水分动态预测模型。以Delaunay三角剖分布点方法为基础,并将种植区域离散成若干单元。对各离散单元,模糊其土壤喷灌量,将单位时间土壤含水量的变化映射成土壤水势变化。考虑到土壤的时空特性,使用MATLAB建立以预测单元表层测量点土壤含水量、土壤温度和单位时间土壤含水量变化量作为输入,未来时刻该单元中心土壤深层含水量作为输出的BP神经网络和RBF神经网络预测模型。利用温室实际数据验证模型的准确性,通过比较两种神经网络模型结果,得出RBF神经网络模型具有较好实用性,为温室精细化变量施水的实现奠定基础。     

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。     

颗粒级配变化对黄三角盐碱土水分特征曲线参数的影响 ——以VG模型和Gardner模型为例

为研究颗粒级配变化对黄河三角洲盐碱土壤水分特征曲线方程参数的影响,进行了不同配沙量下的室内模拟试验,通过压力膜法测定了各处理不同水吸力下的土壤含水量,结合VG模型和Gardner模型,分析了两个模型对土壤水分特征曲线的适用性,以及土壤颗粒级配变化对模型参数的影响。结果表明:盐碱土配沙后,土壤颗粒组成发生明显变化。其中,0.05～0.1 mm的颗粒相对含量从3.6%增加到62.02%,0.002 mm的颗粒相对含量从29.02%降低到3.89%,土壤颗粒级配发生明显改变;盐碱土配沙量较高(67.0%)的条件下,参数n随配沙量的增加呈增加趋势,α值随配沙量的增加呈降低趋势。Gardner模型中参数a仅与某段配沙量(28.8%～45.2%)处理呈线性负相关,参数b随配沙量的增加整体呈先增加再降低的趋势。VG模型与Gardner模型均可拟合黏质盐土不同配沙量条件下土壤水分特征曲线,VG模型对土壤水分特征曲线拟合度优于Gardner模型,但VG模型模拟精度低于Gardner模型。     

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。     

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。     

考虑季节因子的支持向量机径流预测模型

基于河川径流月时段具有非平稳季节性的特征,构建支持向量机的季节性样本,建立水库入库径流的季节性支持向量机预测模型。以三峡水库1950~2006年的入库径流系列为训练样本,利用季节性支持向量机预测模型对三峡水库2007~2009年的月径流量进行预测。将此预测结果与BP神经网络模型和标准支持向量机模型预测结果进行指标分析,结论显示季节性支持向量机径流预测模型准确度更高,可以用于水库入库径流的预测。     

基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型

甘蔗收获机切割器刀盘振动是影响甘蔗宿根切割质量的一个关键因素,因此寻找复杂因素对刀盘轴向振动的影响规律并实现对刀盘振动的预测与控制有着至关重要的作用。为解决传统预测方法精度低、参数选取盲目等问题,提出一种基于蜻蜓算法的甘蔗收获机刀盘振动支持向量机预测模型。该方法利用蜻蜓群体寻优的过程实现对支持向量机参数的优化,并将优化后的支持向量机对刀盘振动进行预测。通过Mat Lab进行20次仿真实验,并与BP神经网络预测模型和传统支持向量机预测模型的预测结果进行比较,实验数据表明:基于蜻蜓算法的支持向量机预测模型具有更高的预测精度和泛化能力。结果显示:基于蜻蜓算法优化的支持向量机对刀盘振动预测的拟合率达到了99.99%,有效提高了甘蔗收获机刀盘振动的预测精度,从而表明基于蜻蜓算法优化的支持向量机预测模型对实现甘蔗收获机刀盘振动预测的有效性,为后续甘蔗收获机宿根切割质量的智能化预测及实现对甘蔗收获机减振的结构优化设计提供了有效依据。     

基于BA-LSSVM模型的月径流预测方法

针对最小二乘支持向量机模型传统参数选择方法费时且效果差的问题,利用蝙蝠算法的模型简单、快速收敛和全局搜索能力强的特点,优化模型的正则化参数和核函数参数,对水文时间序列建立最小二乘支持向量机预测模型。基于西江流域内的柳州水文站2000-2014年月径流资料对模型进行训练和预测,并与使用粒子群算法优化参数确定的最小二乘支持向量机模型,网格搜索及交叉验证优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较。计算结果表明,基于蝙蝠算法优化最小二乘支持向量机模型具有很好的适用性和较高的预测精度,为利用最小二乘支持向量机模型解决非线性的水文时间序列问题提供了新的方向。     

支持向量机在河套地区地下水矿化度预测中的应用

为研究内蒙古河套地区义长灌域年均地下水矿化度变化规律,选取灌域年蒸发量、引水量和年均地下水埋深作为影响因子,建立基于支持向量机的灌域年均地下水矿化度预测模型,并与多元回归预测模型和BP神经网络预测模型进行对比分析。结果表明:多元回归预测模型预测精度较差,BP神经网络预测模型较多元回归预测模型精度有较大提高,但支持向量机预测模型对灌域年均地下水矿化度的预测效果最好,其决定系数达到0.81,平均误差仅为0.15 g/L。由此可见,支持向量机方法在灌域年均矿化度预测研究中切实可行,为灌域地下水研究和生态环境改善提供新思路。     

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。     

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。     

不同土壤入渗模型参数多元非线性预测模型的精度对比分析

为了对不同土壤入渗模型参数多元非线性预测模型的精度进行对比分析,基于区域性黄土田间耕作土壤水分入渗实测资料,分别对Kostiakov、Kostiakov-Lewis以及Philip入渗模型的参数建立了以土壤体积含水率、干密度,黏粒、粉粒和有机质含量等土壤基本理化参数为输入变量的多元非线性传输函数,并进行了精度分析和比较。结果表明:Kostiakov入渗的二参数模型参数的平均误差在9%以下,预测精度明显高于Kostiakov-Lewis三参数入渗模型参数10.78%和Philip入渗模型参数11.72%。因此,推荐形式简单且预测精度高的二参数模型参数多元非线性预测模型为土壤入渗模型参数预测模型。