安仁烟区植烟土壤养分状况分析及适宜性评价

为优化安仁烟区土壤施肥方案,按照烟叶精益生产对土壤养分的要求,选取土壤养分相关指标,运用土壤肥力适宜性指数(SFI值),对安仁县烤烟基地土壤养分状况及肥力适宜性进行综合评价.结果表明:①安仁烟区土壤有机质、有效硼、有效锌和碱解氮含量适宜,有效钥、全氮和全钾含量偏高,pH、速效钾和全磷含量偏低;②安仁烟区大部分土壤处于高度适宜和中度适宜水平,土壤肥力适宜性指数平均值为0.839 6,植烟土壤肥力状况良好;③7个植烟乡镇土壤肥力适宜性指数大小为安平镇＞灵官镇＞龙海镇＞承坪乡＞清溪镇＞竹山乡＞坪上乡.     

贵州植烟土壤适宜性评价实用方法

采用经验和统计分析结合的方法,通过评价单元的确定和因子的选取,探索出一套实用于贵州植烟土壤适宜性评价的简易方法,解决了传统的土壤适宜性评价方法所存在的计算复杂、定位困难等问题。     

基于GIS和模糊评价法的兰州百合土壤适宜性评价

利用模糊评价法和特(Max Ent)相结合,选取了地貌类型、海拔、有机质、有效磷、质地和有效土层厚度6个评价因子,以评价百合在全国的潜在分布和适宜等级进行了模糊评价。结果表明,兰州百合最佳适宜区(适宜系数0.8)主要集中分布在兰州七里河区的黄峪、魏岭和西果园,海拔2150 m,该地为黄土高原丘陵梁峁区,属温凉半干旱气候类型。     

云南省维西县塔城镇土壤适宜性评价

 通过分析维西县塔城镇的地形地貌、土壤质量、水源条件、气候条件、水土流失状况等5大自然因素对土壤的影响,对塔城镇土地适宜性进行了综合评价,评定出宜农一等地、宜农二等地两类,并从土地适宜性评价角度提出塔城镇土壤改良措施及土地利用的调整方案。     

基于径向基函数神经网络的植烟土地适宜性评价

在Matlab7．0环境下,根据人工神经网络的理论和方法,以重庆市彭水县植烟土地的实测数据及评价标准构建径向基函数神经网络模型,并进行模型训练及样本评价;在ArcGIS技术支持下,进行不同尺度土地适宜性评价及精度检验．结果表明：采用最近邻聚类学习算法选取聚类中心,模型具有较强非线性处理能力和逼近能力,并具有学习时间短,网络运算速度快,性能稳定等优点;通过模型评价结果和检验值的验证,发现用径向基函数神经网络模型评价土地适宜性,具有评价精度高,使用方便,适应性强等优点,因此可望将其用于区域土地资源生态环境分类评价研究．     

基于径向基函数神经网络的植烟土地适宜性评价

在Matlab7.0环境下, 根据人工神经网络的理论和方法, 以重庆市彭水县植烟土地的实测数据及评价标准构建径向基函数神经网络模型, 并进行模型训练及样本评价;在ArcGIS技术支持下, 进行不同尺度土地适宜性评价及精度检验. 结果表明: 采用最近邻聚类学习算法选取聚类中心, 模型具有较强非线性处理能力和逼近能力, 并具有学习时间短, 网络运算速度快, 性能稳定等优点;通过模型评价结果和检验值的验证, 发现用径向基函数神经网络模型评价土地适宜性, 具有评价精度高, 使用方便, 适应性强等优点, 因此可望将其用于区域土地资源生态环境分类评价研究.     

霍邱县耕地土壤小麦适宜性评价

土地(壤)评价是农业科学领域一项重要的基础工作。近年来,GIS技术被广泛用于农业用地作物种植适宜性评价,并已成为土地适宜性评价中重要的技术手段。作物适宜性评价是针对某种作物在特定地域种植的适宜性程度做出的结论性评价。客观评价耕地资源的作物种植适宜性,对于合理开发利用耕地资源、维护和提高耕地资源的作物生产力、保证县域农产品产量和质量供给具有十分重要的意义。     

基于GIS的园地适宜性评价研究——以湖南零陵区为例

为了明确湖南省零陵区园地的适宜程度,以土地适宜性评价理论为基础,将GIS技术和评价方法有机结合,对区域内园地的适宜等级进行划分。结果表明:该区域高度适宜、适宜、勉强适宜和不适宜等级的园地面积分别为4 672.80、10 937.72、1 604.64和422.74 hm2;针对各等级区域的特点提出了其今后发展的方向和重点。     

基于经验指数和法的贵州施秉太子参产地土壤适宜性评价

土壤适宜性评价是针对具体作物在特定地域种植的土壤适宜度所做出的定性、定量和定位的结论性评价,具有实践性、经验性、客观性及应用性的特点。本论文在采集、分析施秉县种植区70个土壤样品理化性质的基础上,基于GIS技术,采用检验指数和方法对复杂地理环境条件下的土壤适宜性评价进行研究,得出土壤适宜性评价结果以及适宜性评价图。     

基于MATLAB 6.x的BP人工神经网络的土壤环境质量评价方法研究

对基于MATLAB 6．x的BP人工神经网络工具箱进行了简要的介绍,并将BP人工神经网络应用到土壤环境质量现状评价中。编制了基于MATLAB 6．x土壤环境质量评价程序,并对影响评价结果的训练集的构建、隐层神经元数量的选择、训练过程的建立等问题进行了探讨。结果表明,用随机函数rand或线性函数linspace内插生成网络的训练集是可行的,BP网络隐层的传递函数为tansig。神经元数量为5（用rand函数生成训练集）或8（用linspace函数生成训练集）,输出层的传递函数为purelin,神经元数量为1。训练集中加入一定的噪声更有利于提高网络的识别能力。在此基础上,将构建的网络应用到实际土壤环境质量评价中,并将评价的结果与其他评价方法得出的结果进行了比较,表明BP人工神经网络应用到土壤环境质量评价中是切实可行的。     

基于BP人工神经网络算法的苹果制干适宜性评价

【目的】 建立苹果原料制干适宜性评价模型,实现基于苹果原料指标预测干制品品质的目标,为苹果制干专用化原料的筛选提供方法依据,为明确苹果干制品品质形成的基础物质提供数据支持。【方法】 以来自7个不同主产区的21个主栽品种,共34份苹果鲜果样本为研究对象,运用多种数据处理方法建立苹果脆片品质综合评价模型与苹果原料制干适宜性评价模型。（1）利用压差闪蒸干燥方法制备34份苹果鲜果的脆片样本,测定苹果脆片17项品质指标,采用因子分析进行降维并筛选得到苹果脆片品质评价核心指标,运用层次分析法得到脆片核心指标权重值,构建脆片品质综合评价模型并计算得到脆片综合评价得分。（2）测定34份苹果鲜果样本22项品质指标,与脆片核心指标进行相关性分析并筛选出与脆片品质相关的果实特征指标。选用29个样本以果实特征指标为输入,对应脆片综合评价得分为输出,利用误差反向传播（Error Back Propagation, BP）神经网络算法构建学习模型;其余5个样本为验证样本,评价学习模型的预测准确性。变换3组学习样本构建3个学习模型,对比3个模型的预测准确性,验证建模方法的合理性与稳定性。【结果】 苹果脆片L*值、脆度、膨化度、可滴定酸含量、可溶性糖含量和粗蛋白含量被确定为不同样本脆片品质综合评价的核心指标,构建的苹果脆片品质综合评价模型为Y_综合得分=L*值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。34个苹果鲜果样本制得的脆片综合得分范围为0.2069—0.7933,存在较大差异,得分排名前3的苹果样本为‘辽宁华红’‘辽宁华金’和‘山东烟富6号’,排名最后的苹果样本为‘陕西秦冠’。基于脆片核心指标与苹果果实品质指标相关性分析结果,筛选出苹果果实的果形指数、果肉a*值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标作为果实制干适宜性评价的特征指标。以果实特征指标值为输入层,对应苹果脆片综合评分为输出层,建立BP神经网络学习模型,可实现苹果原料制干适宜性的定量预测。该方法建立的学习模型有较高的预测准确性与稳定性,变换学习样本得到的3个学习模型的预测值与实际值相对误差均不超过10%,实际值与模型预测值线性拟合后决定系数R ²均大于0.95。【结论】 苹果制干适宜性可由果实的果形指数、果肉a*值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标进行评价,建立的适宜性评价模型可实现基于苹果原料指标定量预测其制干适宜性。     

基于BP神经网络的大气环境质量评价模型

依据BP人工神经网络原理,以MATLAB为工具,建立了某市大气环境质量评价模型,评价了该市1月上旬大气环境质量状况,并与灰色聚类法、模糊综合评价法的评价结果进行比较,得到了较为一致的评价结果。     

基于BP神经网络的数字识别

介绍了字符识别的几种方法及神经网络的基本原理,并将BP神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP神经网络的数字识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。     

基于MATLAB下BP网络在力学反问题中的应用

存简介MATLAB语言和BP神经网络的基础上,建立了薄板力学参数反求的BP模型,调用了MATLAB软件中的神经网络工具箱,模型经过训练,并应用于实例求解,取得了良好的效果.表明运用BP神经网络进行力学反问题求解是可行的.同时,运用MATLAB神经网络工具箱,免去了繁琐的编程工作,计算效率明显提高.     

BP神经网络的土壤肥力评价研究

为给用户提供准确、科学的施肥指导。在建立BP神经网络评价模型的基础上,构建了以黑龙江850农场为研究区域的土壤肥力评价的空间信息平台,实现地块肥力等级在线评价及等级空间分布。因BP神经网络方法不需要人为干预,更具有客观评判性,与相关方法进行比较,该评价方法能更有效地对该农场的土壤肥力进行正确的评价。     

Spatial Interpolation of Soil Nutrients Based on BP Neural Network

以广东省增城市为研究对象,采集了全市内200个土壤样点,利用 BP神经网络插值方法对研究区土壤的氮和磷进行空间插值预测,将插值结果与土壤样点实测值进行对比,得到预测数据的误差均方根。结果表明, BP神经网络的插值精度比克里格高,在样点较少的情况下,BP神经网络的插值结果克服了克里格插值方法的平滑效应。 BP神经网络对插值的样本数据的分布类型没有要求,比传统插值方法有更强的泛化能力,是一种可替代的插值方法。     

基于MATLAB下BP网络在力学反问题中的应用*

 在简介MATLAB语言和BP神经网络的基础上,建立了薄板力学参数反求的BP模型,调用了MATLAB软件中的神经网络工具箱,模型经过训练,并应用于实例求解,取得了良好的效果。表明运用BP神经网络进行力学反问题求解是可行的。同时,运用MATLAB神经网络工具箱,免去了繁琐的编程工作,计算效率明显提高。     

基于BP神经网络的土壤贮水量预报模型研究

[目的]为实现作物的实时灌溉提供科学依据。[方法]利用实测气象资料、桓台县节水灌溉试验站2008～2009冬小麦试验资料等建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用Trainlm算法进行模型训练,对试验田的土壤贮水量进行预测。[结果]基于BP神经网络的土壤贮水量预报模型的泛化能力较强;在冬小麦日耗水量较大的拔节、扬花、灌浆3个时期,该模型的预报精度较高,稳定性较好。[结论]基于BP神经网络的土壤贮水量预报模型在冬小麦耗水较大时期的模拟值具有较高的精度。