BP神经网络在浅层地下水矿化度预

针对导致黄河下游三角洲地区土壤盐渍化的浅层地下水因素,以该地区典型区域为研究对象,将人工神经网络引入地下水矿化度的模拟和预测中,建立了基于土壤盐分、地下水埋深和pH的地下水矿化度预测的BP神经网络模型,并与多元回归模型在拟合精度和预测性能方面进行了比较。结果表明：研究区域地下水矿化度与土壤盐渍化程度呈显著的相关性,多元回归模型能较好地拟合地下水矿化度;通过网络训练确定了地下水矿化度的BP神经网络的拓扑结构为5：8：1,BP神经网络的拟合精度明显优于多元回归模型;统计检验表明BP神经网络的预测性能亦优于多元回归方法,其预测精度提高了50.1%。该研究可为黄河三角洲地区盐渍化的水盐调控和预测预报提供理论基础与决策依据。     

河套灌区土壤盐分时空变化特征及影响因素

为了研究河套灌区土壤含盐量演变特征及主要影响因素,以解放闸灌域为研究区,以0~100 cm深不同土层土壤含盐量及引排水量、地下水埋深、地下水矿化度、降雨量、蒸发量等数据为基础,结合研究区耕地及盐荒地面积变化情况,定量估算了2006—2016年耕地及盐荒地1 m深土层平均土壤盐分总量变化,定性分析了土壤含盐量变化动态,建立了1 m深土层土壤含盐量预测模型.结果表明:近10 a来,灌域年均积盐量为57.12万t/a,其中46.12%积累在1 m土层内,其余则迁移至1 m土层以下和地下水中积聚.1 m土层中,耕地盐分整体上减小6.34%,而盐荒地则增加86.8%;主成分分析结果表明灌区地下水埋深、排水量及年蒸发量对土壤含盐量影响最大,其次为地下水矿化度、引水量及降雨量;逐步回归分析表明采用地下水埋深单因子即可预测耕地1 m深土层土壤含盐量,相关系数可达0.732.     

基于GF-1影像的渭-库绿洲外围土壤含盐量定量反演研究

为探讨国产GF-1卫星影像在干旱区土壤盐渍化监测中的适用性,以渭-库绿洲外围荒漠交错带为研究对象,利用BP神经网络和RBF神经网络2种建模算法,以GF-1影像的4个波段的反射率及影像提取的归一化差异植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、盐度指数(SI1、SI2、SI-T)共10个指标构建土壤含盐量反演模型。结果表明:在2种算法中,BP神经网络模型预测精度最高,R2为0.818,RMSE为0.194;发现利用植被指数更能提高模型的预测精度;利用BP神经网络预测模型反演研究区的土壤含盐量,发现预测情况与研究区实际情况相符,说明利用GF-1数据结合BP神经网络构建的反演模型适用于监测研究区土壤盐渍化问题。     

基于可见光/近红外技术的干旱区绿洲土壤盐分空间分布识别

土壤盐渍化是制约干旱区经济发展的重要因素,准确获取土壤盐分信息成为治理干旱区土壤盐渍化的前提。利用采集自渭干河-库车河绿洲的67个表层(0~10 cm)土壤样品,通过可见光/近红外(visible-near infrared spectroscopy,VNIR)光谱技术结合实验室测定的土壤盐分数据,在相关分析提取敏感波段的基础上,运用偏最小二乘回归(PLSR)和支持向量机(SVM)方法进行土壤含盐量的建模并对比分析;此外,利用地统计方法,将最优模型预测得到的土壤含盐量数据进行空间插值,最终获取土壤含盐量的空间分异规律。结果表明:1利用原始一阶微分经支持向量机方法(SVM)建立的土壤含盐量模型,预测集决定系数R2为0.853,均方根误差RMSE为0.381,该模型具有较高的预测精度和较好的稳健性,可以作为有效手段估算干旱区绿洲土壤含盐量。2土壤表层含盐量属于中等空间变异,且空间结构比小于25%,具有强空间自相关。3利用支持向量机得到的土壤含盐量盐分分布图中,土壤含盐量预测值和实测值的决定系数R2为0.786,均方根误差(RMSE)为0.528,显示了较高的预测精度,该研究为快速获取干旱区绿洲土壤含盐量空间分异规律提供了一种新方法。     

不同位置秸秆覆盖条件下土壤水盐运动实验研究

以地下水与土壤水动力学理论为基础,通过对不同地下水埋深不同位置秸秆覆盖试验资料分析,建立了土壤水分运动数学模型,并进行了数值模拟,试验实测数据与模型计算值吻合较好,说明所建立的模型是可行的。并以此为基础,分析了不同地下水埋深不同位置秸秆覆盖土壤含盐量,得出地表以下30 cm处秸秆覆盖的土壤含盐量大于地表表层秸秆覆盖的土壤含盐量,这为新疆地区控制潜水蒸发改良盐碱地研究提供了可靠的基础依据。     

微咸水灌溉条件下土壤和地下水含盐量空间变异分析

对射阳县农田土壤含盐量、地下水含盐量进行取样检测 ,应用地质统计学方法对所取得的数据进行理论分析。结果表明 ,该地区在微咸水灌溉条件下 ,土壤含盐量服从正态分布 ,其空间结构符合 5次球状函数 ;地下水含盐量服从对数正态分布 ,其空间结构符合 3次球状函数。利用 GSLIB软件 ,绘制了该县土壤含盐量和地下水含盐量等值线图 ,为该地区水土管理 ,防止土壤盐渍化提供了决策依据     

基于EEMD与Elman网络的灌区地下水埋深预测模型

地下水埋深预测对于灌区农业生产、水土资源合理利用和生态环境保护等具有重要指导价值与作用。地下水埋深是一个受多种因素影响的多层次复杂系统,其演变具有不确定性、随机性、模糊性和非平稳性。基于EEMD较强的处理非线性问题能力和Elman网络具有适应时变和动态记忆的优点,构建了基于EEMD与Elman神经网络的地下水预测耦合模型,并将其应用于人民胜利渠灌区地下水埋深预测中。研究结果表明:基于EEMD和Elman神经网络耦合模型预测结果的最大相对误差为2.91%,最小相对误差为0.04%,预测合格率为100%,该耦合模型对人民胜利渠灌区地下水埋深的预测精度要高于单一的Elman模型和BP模型。另外,该模型在某种程度上可揭示灌区地下水时间序列的演变机制与影响因素,且计算简单、思路清晰,为地下水埋深预测提供了一种新的途径。     

微咸水灌溉条件下土壤和地下水含盐量空间变异分析

对射阳县农田土壤含盐量、地下水含盐量进行取样检测，应用地质统计学方法对所取得的数据进行理论分析。结果表明，该地区在微咸水灌溉条件下，土壤含盐量服从正态分布，其空间结构符合5次球状函数；地下水含盐量服从对数正态分布，其空间结构符合3次球状函数，利用GSLIB软件，绘制了该县土壤含盐量和地下水含盐量等值线图，为该地区水土管理，防止土壤盐渍化提供了决策依据。     

基于IL-HMMs预测模型的地下水埋深预测研究

以西北干旱典型县域磴口县为研究区,基于增量学习的改进隐马尔可夫预测模型(IL-HMMs),对区域地下水埋深进行了预测研究。为检验IL-HMMs模型预测效果,将模型预测结果与2013年长观井的实测数据进行了比较;同时为检验模型的优劣性,与未经增量学习的隐马尔可夫模型(HMMs)、加权马尔可夫链(WMCP)和BP神经网络(BP neural network,BPNN)预测模型的预测结果进行了比较。结果表明:与其他几种预测模型相比,IL-HMMs模型预测精度显著提高,误差更小,有较好的鲁棒性。并使用IL-HMMs模型对2018年地下水埋深进行了预测,预测结果表明,2018年地下水年平均埋深略有增加、局部区域地下水埋深增量加剧。基于IL-HMMs模型的地下水埋深预测具有很好稳定性的同时对新数据加入又有很好的鲁棒性,可为地下水埋深动态预测提供思路与方法补充,为区域地下水资源开发利用和保护提供重要依据。     

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。