单因素土壤墒情预测模型研究

以土壤10、30、50cm深度处的土壤墒情各当前和历史数据不同组合为输入,以30cm处1h后的土壤墒情为预测输出,建立了基于BP神经网络的单因素土壤墒情预测模型。结果表明,模型预测误差约为10%,取得了较好的预测效果。     

尿素对土壤水分传感器测量精度的影响

土壤水分的精准测量对节水灌溉、墒情监测、水肥一体化等领域具有重要意义,土壤氮含量会影响水分传感器的测量。为了消除这种影响,设计了不同尿素质量对不同水分含量土壤样本的监测实验,采用高灵敏度水分传感器并对尿素干扰下的输出电压进行监测,通过称重法监测土壤样本的含水率,使用LCR电桥测试仪监测土壤样本的电容和电阻。为了研究氮含量影响水分测量的机理,根据实验数据建立了三元三次多项式、BP神经网络、深度学习3种预测模型,并对预测结果进行误差分析。结果表明,相同土壤含水率条件下,尿素质量与土壤水分传感器输出值呈周期性的振荡关系。3种预测模型的平均绝对误差分别为0.77%、0.64%、0.75%,BP神经网络模型有98%误差集中在0~2%区间,误差峰值仅为2.07%,确立BP神经网络模型为最佳抗尿素干扰水分预测模型。     

非充分灌溉青贮玉米土壤墒情预报的人工神经网络模型

土壤墒情预报是农田适时适量灌溉与科学管理的基础,田间土壤墒情的变化受降水、灌溉、植株蒸腾、土壤蒸发、根系层下边界水分通量及外界气象因素的影响,关系比较复杂。利用内蒙古锡林浩特市典型草原区的青贮玉米土壤水分试验资料,建立了土壤墒情预报的BP神经网络模型,并利用部分实测资料对网络进行检验,取得了较好的效果。结果表明BP神经网络模型可以对区域土壤水分进行动态预测,方法简便可行。     

基于GM(1,1)模型群的农田土壤墒情短期预测

全面比较和分析了春玉米全生育期内土壤墒情的时空分布特征。结果表明,土壤墒情数据为非平稳时间序列,具有周期性;降水量是影响土壤墒情的重要环境因素,其影响规律具有较大随机性。以不同土层深度（10、30cm,〖JP2〗分别代表2种墒情变化情况）和春玉米不同生育期（4个）交叉组合的土壤墒情作为模型对象,〖JP〗基于GM(1,1)预测方法构建农田土壤墒情短期预测模型群。预测结果表明该子模型的预测精度均较高,平均相对误差均小于2%,其中以苗期10cm处土壤含水率预测效果最佳。考虑降水量的影响,对模型群中参数u进行优化,使得所建土壤墒情短期预测模型群的预测更为准确有效。     

基于神经网络的温室土壤水分动态预测模型研究北大核心

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。     

粗糙度不变假设下的大区域冬小麦墒情多源遥感监测方法

大区域农田墒情遥感定量监测对当代精准农业应用意义重大,但如何提高监测精度一直是该领域的关键问题.融合多源遥感的方法可以充分发挥各种遥感的优势,是提高监测精度的重要技术手段.以河南省中东部为研究区域,利用MODIS、Sentinel数据,结合实测土壤含水量,根据植被覆盖、地表粗糙度和不同湿度的土壤对后向散射的贡献,利用BP神经网络模型构建上述参数的关系,分别对研究区2016年3-6月冬小麦高植被覆盖时期0～10 cm、0～20 cm深度土壤墒情反演.根据地表粗糙度参数的性质,提出了地表粗糙度不变假设,并结合遗传算法优化BP神经网络方法(GA-BP),进行对比实验.结果显示:①植被茂盛期,后向散射系数(σ)及其差值(?σ)与土壤墒情均具有一定的相关性,VV极化优于VH极化,差值优于原值;②在反演0～10 cm与0～20 cm深度土壤墒情时,BPσ、BP?σ、GA-BP?σ模型得到的结果精度均依次提高,其中GA-BP?σ模型的均方根误差0～10 cm为4.07％,0～20cm为3.42％;③3种BP神经网络模型皆与0～20 cm深度土壤墒情相关性较好,预测精度较高.研究表明:中原地区冬小麦全生育期地表粗糙度不变假设是成立的,后向散射系数差值(?σ)与土壤墒情的相关性更好,0～20 cm的根部墒情的遥测敏感度更高,     

基于MEA-BP神经网络的土壤养分评价模型

针对BP神经网络在解决复杂非线性问题时,存在初始权值和阈值随机赋值,网络学习速度慢,局部极小的问题,运用群体搜索能力强的思维进化算法(MEA),寻找出最优的初始权值和阈值,优化BP神经网络的网络结构,建立MEA-BP神经网络的土壤养分等级评价模型。以敦化市黑土的土壤养分数据作为测试集,评价指标选用土壤的有机质、全氮、速效氮、速效磷和速效钾。对比MEA-BP网络预测模型、遗传算法(GA)优化BP网络预测模型和单一的BP网络预测模型,结果表明MEA-BP网络预测模型的均方误差(MSE)最小、决定系数(R^2)最接近1和误差波动最小,可以更准确地反映土壤养分分级特性。     

基于灰色关联分析与RBF神经网络的土壤浸提液电导率预测

采用灰色系统理论中的关联分析方法,对影响土壤浸提液电导率的主要盐分离子类型进行分析,挑选出影响土壤浸提液电导率的主要因素.与此同时,介绍了径向基函数(RBF)神经网络的原理、训练算法,并建立了基于RBF神经网络与灰色关联分析的土壤浸提液电导率预测模型.结果表明,所建模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,预测精度较高,可以应用于生产实践中.     

基于改进樽海鞘优化BP神经网络的土壤墒情预测

针对传统的土壤墒情预测方法精度较低、训练周期长的问题,本文对BP神经网络预测模型进行研究,提出一种改进樽海鞘算法优化BP神经网络的预测方法。首先,在标准樽海鞘群算法(Salp Swarm Algorithm, SSA)中引入变异算子增强种群的多样性,提高算法的全局探索能力;同时,采用动态权重调整策略增强局部开发性能,改善收敛速度,在位置更新过程中加入动态权重,进一步平衡全局探索和局部开发能力;其次,考虑到BP预测网络收敛精度低、易陷入局部最优等缺点,将改进樽海鞘算法引入到BP中形成ASSA-BP的预测模型算法,该算法缩短了训练时间、提高了预测精度。最后,将ASSA-BP与PSO-BP、BP不同预测模型进行对比,结果表明ASSA-BP的最优预测相对误差平均值3.37%,绝对误差平均值0.025 8,比BP模型预测误差有所下降。克服了BP预测模型收敛精度低、易陷入局部最优的缺点,具有更好的鲁棒性和预测精度。     

基于改进的BP神经网络对蓄水坑灌冬季果园土壤温度预测

为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。