用高流量集中水流预测土壤分散率

在壤土和沙壤土地上采用高流量集流沟道来确定耕作对土壤分散率的影响。耕作地块上的土壤分散率要比免耕土壤大得多。基于线性恒定参数的土壤分散模型,耕作上的土壤可蚀性比免耕土的大７倍。免耕土的临界剪应力值是耕作土的２倍。当上壤可蚀性和临界剪应力值与用吊式穿透仪、十字板剪切仪测定的土壤强度系数的田间测定值相关时,土壤分散模型的决定系数有所提高。落锥系数比剪切系数更适合于模拟土壤的可蚀性和临界剪应力。线性方程和指数方程都可用来模拟土壤的分散率。土壤的可蚀性和临界剪应力都是土壤强度的线性函数,基于土壤极限剪应力的指数方程是用高流量集中水流预测土壤分散率的推荐模式。     

多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比

[目的]为了探讨多种两步模式三维制图方法的准确度影响因素及其规律。[方法]以华南典型丘陵区1个面积约5 km²的林场内土壤有机碳为研究对象,分别使用样条函数、指数函数和幂函数作为深度函数,普通克里格和随机森林作为水平制图方法,以及两步模式的2种不同制图形式(称为形式A和B),进行土壤有机碳含量的三维预测制图,并探究不同的深度函数、水平制图方法或制图形式对两步模式三维制图结果的影响规律。[结果](1)深度函数在很大程度上决定制图结果在垂直和水平方向上的变异,表现在制图结果的变异在3个深度函数之间差异较大,其中指数函数上的变异最大,幂函数上最弱,而水平制图方法(普通克里格与随机森林)对制图结果的垂直变异影响不大,但对表层的空间变异影响较大;(2)样条函数由于模拟的深度曲线与实测点吻合得最好,因而准确度最好,表现在基于样条函数的三维制图一致性相关系数(CCC)为0.72～0.75,均高于同种制图形式下的其他函数(CCC为0.64～0.74),而水平制图方法中普通克里格的制图效果好于随机森林,表现在前者的CCC为0.67～0.75,后者的CCC为0.64～0.72;(3)...     

滑坡变形的多因素小波神经网络预测模型

小波神经网络模型结合了小波变换良好的时频局域化性质及传统神经网络具有的自学习功能,具有良好的逼近与容错能力。以某水电工程区的典型滑坡为例,在对滑坡的基本特征、滑坡变形与主要影响因素相关关系进行分析的基础上,选择滑坡位移速率和对滑坡位移起控制作用的降雨2个因素,建立了滑坡变形的小波神经网络预测模型,并与其他多因素小波神经网络模型进行了比较。结果表明,所建的滑坡多因素小波神经网络模型的预测精度总体均比较高,其中以位移速率和降雨量建立的2因素小波神经网络模型的预测精度最高,优于其他小波神经网络模型。     

基于神经网络方法的土壤流失量预测研究

生产建设项目土壤流失量的预测直接关系到建设项目的水土保持分析、评价和防治措施体系的布局,目前常用的预测方法因其局限性、不合理性以及精度差等问题往往难以实现准确预测。将人工神经网络的BP算法引入到土壤流失量预测中,将降雨侵蚀力、土壤可蚀性、坡长、坡度、水土保持措施作为影响土壤流失量的主要因子,并以17个生产建设项目水土保持监测实例作为学习样本和检测样本,建立了基于神经网络方法的土壤流失量预测模型。预测结果表明,该模型拟合和预测精度高,具有很强的应用价值,能够满足工程应用需要。     

基于R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

基于BP神经网络的森林生态系统健康预测

森林的健康状况将直接影响全球生态稳定和全人类的可持续发展,而对森林健康预测是人们了解森林生态状况的重要手段。在选定森林健康评价指标的基础上,建立了一个3层BP神经网络模型,并应用于鹫峰国家森林公园森林健康预测。预测验证结果表明,基于神经网络预测森林生态系统健康具有良好的合理性与可靠性。并为了构建一个准确稳定的森林健康预测模型,给出了一些相关建议。     

省域农村发展可持续性评价的BP法

可持续发展是当今研究的一个热点问题,与此密切关联的对可持续性状态进行评价的方法也层出不穷;然而,迄今为止,可持续发展方面的研究中,还没有一种评价体系和预测方法,能得到普遍应用和认可。拟运用BP算法的良好的预测功能,以27个省区的反映各省农村可持续性发展状况的16项指标作为输入变量,以赋值量化的可持续性状况作为训练目标,进行网络训练;之后,根据训练好的网络,对未参与训练的其它4个省区的农村发展可持续性状况进行预测;最后,将预测的结果与该4省区已知的农村可持续发展状况进行比较和评价。本方法尝试的结果表明,BP法能较好地用在对省域农村发展可持续性进行预测和评价上。     

基于GF-1遥感数据预测区域森林土壤有机质含量

为探索国产卫星GF-1预测土壤有机质(SOM)的能力,本研究以广东省云浮市的罗定市为研究区,以GF-1多光谱遥感影像衍生的9个遥感变量和DEM提取的9个地形水文变量为预测因子,建立2种人工神经网络模型(A模型:地形水文;B模型:地形水文+遥感),对5个土壤深度(L1:0～20 cm,L2:20～40 cm,L3:40～...     

基于Elman动态神经网络的土壤墒情预测研究

土壤墒情是一个非线性、时空异质性和动态不确定过程,利用Elman动态神经网络对研究区临沂站和平邑站土壤水分含量进行了预测。结果表明,所建立的网络模型能够对土壤墒情进行成功模拟,预测的土壤水分值与观测值吻合得较好,模拟精度较高。临沂站和平邑站模拟土壤墒情的平均绝对误差分别为1.08%和1.07%,平均相对误差为10.2%和11.0%。Elman动态神经网络模型利用其独特的非线性、非凸性和适应时变特性的能力从时空变率复杂的土壤水分运移系统中找出一定的演变规律,为土壤水分预测提供了一种有效可靠的方法。为了更好地验证该方法的优越性,还需要更多的样本数据,更多的区域和更全面的敏感影响因素来验证,以及更深层次的理论研究和分析。     

基于Logistic回归和RBF神经网络的土壤侵蚀模数预测

[目的]寻求估算土壤侵蚀模数的新方法,并通过GIS实现对土壤侵蚀空间分布情况的预测。[方法]采用土壤侵蚀模数作为判别条件,分别验证基于Logistic回归和RBF神经网络而建立的土壤侵蚀预报模型的适用性,进而构建并验证改进模型——LOG-RBF神经网络土壤侵蚀预测模型。[结果](1)Logistic回归模型判别目标土地是否发生土壤侵蚀的优势明显,未发生和发生土壤侵蚀的预测正确率分别为77.4%和97.9%,总预测正确率为94.9%。(2)RBF神经网络模型估计土壤侵蚀模数的能力较强,模拟结果的相对误差和平方和误差分别为0.612%和13.292,R2为0.57。(3)LOG-RBF神经网络土壤侵蚀预测模型预测结果的相对误差和平方和误差比RBF神经网络模型模拟结果分别降低了0.157%和2.601。R2为0.82,拟合程度上优于RBF神经网络模型。随着土壤侵蚀模数的增大,错估现象呈逐渐减少趋势。通过受试者工作特征曲线的判别,LOG-RBF神经网络模型的曲线下面积值比RBF神经网络模型大0.063,模型判断的准确性更高。[结论]利用LOG-RBF神经网络土壤侵蚀预测模型可更准确地估计土壤侵蚀模数,基于GIS能够预测土壤侵蚀的空间分布情况。     

盐碱土壤Philip入渗模型参数的神经网络预报模型

以改良盐碱土壤、提供入渗参数为研究目的,在山西省北部的4种盐碱荒地进行了系列入渗试验和基本理化参数测定试验。基于误差反向传播算法(Back Propagation算法),建立了盐碱地土壤基本理化参数与Philip入渗模型参数之间的神经网络预报模型。预测所得Philip入渗模型参数的平均相对误差如下:稳渗率A为4.30%、吸渗率S为0.31%,预测值与实测值吻合程度高。研究结果表明,基于盐碱地土壤条件,选择土壤体积含水率、容重、质地、有机质含量、全盐量以及p H作为预报模型输入变量,Philip入渗模型参数为输出变量的BP神经网络的预报模型是可行的。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。