水分特征曲线Gardner模型参数的预测模型对比分析

为实现土壤水分特征曲线Gardner模型参数的预测以及精度的对比,以山西省黄土高原区农耕土壤为试验材料,进行了土壤水分特征曲线的系列试验,构建了土壤水分特征曲线Gardner拟合模型参数a、b和对应的土壤基本理化参数的数据样本;采用BP神经网络与支持向量机两种预报模型对土壤水分特征曲线Gardner模型参数a、b实现了预测,并对预测精度进行了对比。研究结果表明:随着两种模型输入变量的增加,两种预报模型的精度都得到提高;当输入变量为土壤质地、土壤容重、土壤有机质含量、土壤无机盐含量时,两种预报模型对参数a、b的平均相对误差值均在6%以下,预测模型具有可行性;同时,相比于BP神经网络而言,支持向量机预报模型精度相对较高,而且预测结果波动空间较小,离散程度较低。该成果一方面丰富了Gardner模型参数的土壤传输函数创建的途径,更为Gardner模型参数预测模型的选择提供了依据。     

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。     

基于灰色理论—BP神经网络方法的表层土壤容重预测

以山西省黄土高原区15个试验点的年度跟踪监测样本为依据,利用灰色关联理论与BP神经网络相结合的方法,构建了表层土壤容重与土壤基本理化参数和累积接收水量之间的土壤传输函数预报模型。结果表明:影响表层土壤容重的7个土壤理化参数对于土壤容重的关联度均大于0.6;基于BP神经网络,以关联度较高的土壤粉粒含量、土壤砂粒含量、累积接收水量、体积含水率、有机碳含量和全盐量作为输入变量对表层土壤容重进行预测是可行的,预测值与实测值高度吻合,预测结果相对误差的平均值为0.41%,预测精度较高;检验样本预测结果相对误差的平均值为1.05%,误差完全在可接受范围内。研究结果可为黄土区土壤容重的获取提供新思路,为科学指导农田农事和灌溉管理提供理论支撑。     

田间持水率土壤传输函数研究

基于不同土壤质地、结构、有机质含量条件下的田间持水率测定,分析了影响田间持水率的主导因素。利用多元线性、非线性模型和BP神经网络模型,建立了田间持水率与常规土壤理化性能参数间的不同传输函数。结果表明:土壤干容重、粉粒含量、黏粒含量以及土壤有机质含量等常规土壤理化性能参数对田间持水率都有较大影响;通过这些传输函数预测田间持水率都是可行的,具有较高的预测精度(相对误差小于10%),BP神经网络模型预测效果最好(相对误差3.24%)。     

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。     

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。     

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。     

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。     

冻融条件下土壤水分入渗参数BP预报模型研究

为提高季节性冻土区冬季储水灌溉的灌水质量和效果,基于冬季冻土期的大量田间冻土入渗试验样本,建立了基于BP神经网络模型的Kostiakov三参数入渗模型参数的预测模型,实现了利用土壤基本理化参数地表土壤容重、含水率及冻结土壤特有参数冻土层厚度、灌溉水温、土壤温度对入渗模型参数的预报。通过BP神经网络对数据样本和入渗参数进行的非线性逼近训练和误差分析,得到其平均相对误差都小于5%,在可接受范围内。这表明基于基本理化参数及特有影响参数建立的Kostiakov土壤入渗经验模型的三参数预报模型是可行的。研究结果对于冬季冻融土壤灌溉技术参数的确定有重要的支撑作用。     

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。     

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。     

黄土耕作农田地表土壤(0～2cm)容重的多元非线性预报模型

为给黄土高原区地表土壤容重参数的获取提供技术支撑,以山西省15个试验点的年度跟踪监测样本为依据,在用灰色关联理论对输入变量进行灰色排序,并对函数进行显著性检验和精度检验的基础上,采用多元非线性方法,建立了以地表(0~2 cm)土壤基本理化参数和累积接收水量为输入变量,以地表(0~2 cm)土壤容重为输出变量的多元土壤传递函数。研究表明:地表(0~2 cm)土壤容重与地表(0~2 cm)土壤基本理化参数和累积接收水量等输入变量间的关联度程度很好;以地表土壤黏粒含量、粉粒含量、累积接收水量、有机质含量、体积含水率和全盐量作为输入变量对地表土壤容重进行多元非线性预报是可行的。建模样本和检验样本相对误差的平均值分别为5.24%和5.88%,预测精度完全在可接受范围。     

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。     

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。     

土壤水分入渗参数的非线性预报模型

以山西地区黄土高原区土壤为研究对象,通过实施大量大田耕作土壤水分入渗试验,获取了Kostiakov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入渗模型系数的求解。结果表明,常规土壤理化参数土壤含水率、体积质量、粉粒、砂粒和有机质质量分数作为非线性预报模型的输入参数是合理的,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8%以下。因此,用土壤常规理化参数对土壤水分入渗参数进行非线性预报是可行的。     

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。     

土壤田间持水量的非线性预报模型研究

基于大田耕作土壤理化参数试验以及田间持水量测定试验数据,首先利用单因素法分析了土壤结构、有机质含量和土壤质地与田间持水量的关系;在单因素分析的基础上建立了具有不同输入变量的土壤田间持水量非线性多元模型结构,利用MATLAB程序语言对不同模型结构进行了非线性回归分析,最终选定回归系数均显著且平均误差最小(5.608%)拟合度最高(0.799 3)的模型结构作为田间持水量的最佳非线性预报模型,并进行实例预测验证其可行性,实现了利用土壤常规理化参数对田间持水量的预测。     

考虑土壤结构变形的Kostiakov入渗模型参数非线性预报模型

以山西黄土高原区头水地及以后各次灌水的土地为研究对象,通过实施大量大田耕作土壤水分入渗试验,获取了Kostiakov三参数累积入渗量模型的实测大样本,考虑每个生产周期第一次灌水过程中表层土壤结构的变形特性,建立了Kostiakov三参数累积入渗量模型的参数与土壤理化参数间的非线性关系函数。研究表明,常规土壤理化参数土壤含水率、密度、黏粒含量、粉粒含量和有机质作为土壤入渗参数非线性预报模型的输入变量是合理的,所建立的非线性关系模型高度相关,土壤入渗参数的实测值与预测值的相对误差可控制在9%以下;考虑到第一次灌水过程中表层土壤结构的变形特性,对表层土壤结构进行修正,更加真实地反映土壤结构对入渗参数的影响,并为各灌水时期提供科学合理的节水依据。