基于主成分分析单一参数入渗模型的BP神经网络模型

利用标定理论建立较大尺度上的单一参数入渗模型,在此基础上基于主成分分析建立其BP神经网络模型。结果表明:利用主成分分析可将研究区域土壤容重、有机质含量、砂粒含量、粗粉粒含量和粘粒含量综合成3个主成分;基于主成分分析建立的BP神经网络模型预测的标定因子的RMSE为0.4186,除偏大或偏小的标定因子,利用预测的标定因子预测的累积入渗量与实测值比较接近,可利用所建模型对较大尺度上的单一参数入渗模型进行预测。     

Green-Ampt模型与Philip入渗模型的对比分析

土壤入渗是田间水循环的重要组成部分,国内外学者提出了具有不同特点和用途的入渗模型。该文通过对比分析了具有明确物理意义的Philip入渗模型和Green-Ampt入渗模型,建立了两模型参数间的内在关系,并利用一维垂直入渗实验资料对理论关系进行了比较。发现Philip入渗模型对参数精度要求较高,而Green-Ampt入渗模型对参数要求较低     

用BP神经网络预测土壤入渗参数时隐层神经元数分析

为了用BP神经网络更准确地预测土壤入渗参数,分析了不同隐层神经元数下,预测值与实测值的关系曲线,以及在同一训练目标误差下,不同隐层神经元数、训练曲线的变化及能否达到训练目的,得出了最优隐层神经元数。隐层神经元数的确定,为土壤传输函数的研究奠定了基础。     

微咸水入渗条件下Philip模型与Green-Ampt模型参数的对比分析

近年来，国内外学者对土壤入渗特征进行了大量研究，提出了具有不同特点和用途的入渗模型。随着土壤水分运动理论的发展，模型的发展日益趋于简单化、数值化、理论化，各模型之间的关系越来越紧密，许多学者试图通过对土壤入渗模型中特征参数的对比分析，建立模型参数间的关系，从而为获取相关土壤入渗参数提供手段，便于土壤入渗模型的实际应用。描述土壤水分入渗过程的模型很多，其中Philip和Green-Ampt入渗模型具有明确的物理意义，应用较广泛。王全九等建立了Philip和Green-Ampt两个入渗模型参数间的理论关系，并用实验结果进行了合理性验证。在利用淡水入渗的情况下，发现利用Green-Ampt参数推求Philip公式的参数适用于计算短历时的累积入渗量，而利用Philip模型推求的Green．Ampt参数对于长短入渗时间的累积入渗量计算的精度都比较高。利用淡水入渗得出如上结论，那么当用微咸水入渗时，入渗过程中发生复杂的物理化学作用，所建立的参数关系是否仍然成立？入渗水的矿化度对计算精度的影响如何？都是值得探讨的问题，需要进一步分析研究。本文利用室内进行的垂直一维微咸水入渗实验资料，分别用Philip和Green-Ampt两个入渗模型处理实验资料，分析不同水质对入渗参数的影响，并应用王全九建立的理论关系式互推模型参数，验证该公式在微咸水入渗情况下的精度及分析水质对计算精度的影响。     

基于短历时Philip入渗公式的产流模型

在分析积水入渗条件下短历时Philip入渗公式特点基础上,建立了基于短历时Philip积水入渗公式的降雨产流模型。模型显示地表积水时刻与雨强平方成反比。利用降雨强度为0.082 cm/min、坡度为15°情况下实测累计降雨产流量推求了模型参数吸渗率,并利用获得的S分别计算了雨强为0.214 cm/min、坡度为5°,雨强为0.133 cm/min、坡度为5°和雨强为0.133 cm/min、坡度为15°情况下累积径流量,相对于实测累积径流过程,计算相对误差都在10%内,可以满足精度要求,说明基于短历时Philip入渗公式建立的降雨产流模型可以用于描述坡面降雨产流过程。     

Green-Ampt模型参数简化及与土壤物理参数的关系

简化模型表达形式从而减少参数个数,对于Green-Ampt入渗模型的实际应用具有重要的现实意义。该文通过推导湿润锋处平均基质吸力与Philip模型中土壤吸湿率关系基础上提出了简化的Green-Ampt入渗模型,基于新疆222兵团两块壤质土壤田块上土壤水分入渗试验资料,分析了Green-Ampt简化入渗模型参数与土壤物理参数之间的关系,建立了模型参数与土壤物理参数之间的定量经验转换函数。结果表明,入渗参数A(组合参数)与土壤初始含水率呈对数负相关,相关系数为0.77,A与土壤紧实度和黏粒含量均呈指数负相关,相关系数分别为0.70和0.74。饱和导水率Ks与土壤紧实度和黏粒呈指数负相关,相关系数分别为0.74和0.73。A和Ks与土壤初始含水率、土壤紧实度和黏粒含量呈高度和中度多元线性相关,相关系数分别为0.9和0.79。研究表明Green-Ampt简化入渗模型能够在一定精度下分析土壤入渗过程。     

基于神经网络及灰色关联分析的土壤入渗研究

入渗系水分自土表垂直向下进入土壤的过程,也包括侧向及向上进入土壤的过程[1],它是自然界水循环中的一个重要环节。土壤入渗研究对于减少地表径流、降低土壤侵蚀和搞好生态环境建设等方面具有重要的理论及现实意义,国内外许多学者投入了大量的研究工作,并取得了诸多重要的研究成果。达西定律开创了入渗研究的土壤物理学途     

基于BP神经网络的土壤水力学参数预测

为了获取区域土壤水分和溶质运移模拟所需的土壤水力学参数,利用黄淮海平原曲周县的试验资料建立基于BP神经网络的土壤转换函数模型。本文采用土壤粒径分布、容重、有机质含量等土壤基本理化性质,来预测土壤饱和导水率Ks、饱和含水量sθ、残余含水量θr、以及van Genuchten公式参数α、n的对数形式ln(α)和ln(n),并与多元线性逐步回归方法进行比较。t检验结果表明,BP神经网络训练和预测得到的模拟值与实测值之间吻合很好,该方法具有较高的预测精度。通过对平均相对误差的比较,得出在粒径分布的基础上增加容重、有机质含量等输入项目,可以提高部分土壤水力学参数的预测精度,而有些参数的预测精度反而降低。以误差平方和为标准的比较结果表明,BP神经网络模型的预测效果总的来看要优于多元线性回归法。     

土壤有机质含量对土壤入渗能力及参数影响的试验研究

基于土壤质地为壤土的大田水分入渗试验,分析了有机质含量对大田土壤水分入渗能力和考斯加科夫入渗模型参数的影响。研究表明：土壤有机质对大田土壤入渗能力和入渗模型参数的影响都比较明显,土壤累积入渗量随着土壤有机质含量的增加而增大;入渗模型参数k和α值随土壤有机质含量的增加而减小。研究结果对于土壤入渗能力预测模型的建立和地面灌水技术参数的优化具有一定价值。     

四种入渗模型对斥水土壤入渗规律的适用性

土壤斥水性影响入渗,进而影响作物产量。国外学者进行了一定的研究,但在中国研究的还很少。该文基于实测资料探讨几种常规的入渗模型在斥水土壤中的适用性。采用室内土柱进行积水入渗试验,对比了不同积水高度和斥水度条件下的土壤入渗规律,并采用4种模型分析了土壤入渗率变化特征。结果表明,累积入渗量随入渗历时的变化可用幂函数描述,不斥水土壤累积入渗量明显大于斥水土壤;累积入渗量与湿润锋推进距离呈良好的线性关系;利用Green-Ampt模型、Philip模型、Kostiakov公式和指数公式对入渗率与入渗历时间的关系进行拟合,其中Kostiakov公式更接近于实测值,其他模型拟合效果因斥水程度等因素的不同而异。     

利用BP神经网络由特征气象要素预测土壤湿度

土壤湿度的实测数据量因地面观测网的稀疏不均和观测时间的不连续而十分有限,而其作为气象、农业、水文、环境等学科领域的重要研究内容,数据量的匮乏直接影响了研究工作的顺利进行。地面常规气象数据的观测频率较高(逐日/时),提供了丰富的大气及土壤状态信息,从地气交互作用的普遍性出发,对气象要素与土壤湿度之间的作用关系进行研究,拟借助人工神经网络良好的函数模拟能力,建立以多气象要素为网络输入、以土壤湿度为网络输出的BP神经网络。通过主成分分析筛选特征要素、选择训练函数、确定合理的隐层神经元个数等来精细化网络。以甘肃省2008年8、9月份的AB报(土壤湿度数据)和A报(气象观测数据)资料进行了实验,建立BP神经网络,最终获得了较好的土壤湿度预测结果。     

基于BP神经网络的草根加筋土本构模型

用室内三轴试验方法得到了草根加筋土的应力-应变关系,并基于试验结果建立了素土和混和草根加筋土的BP神经网络本构模型.模型计算结果与试验结果对比分析表明,该神经网络本构模型具有很高的拟和精度和良好的泛化能力,能充分体现岩土材料的非线性关系.利用莫尔-库仑准则拟合得到的加筋土的强度指标分析了草根加筋土的护坡机理.研究结果对于合理建立草根土的本构关系和深入认识植被护坡机理具有指导意义.     

BP神经网络在降雨侵蚀力预测预报中的应用研究

降雨侵蚀力反映由降雨引起土壤侵蚀的潜在能力,是建立通用土壤流失方程USLE的最基本因子之一。由于降雨侵蚀力计算过程中所需资料较难收集,给其计算增加了难度。运用BP神经网络方法对降雨侵蚀力与地理之间的关系进行研究,建立降雨侵蚀力BP神经网络模型。对福建省46个地域的降雨侵蚀力进行研究,结果表明:所建立的降雨侵蚀力BP神经网络模型对模拟预测福建不同地域的降雨侵蚀力,平均模拟精度为96.81%,平均预测精度为95.68%,达到了较为理想的效果。这不仅为降雨侵蚀力的预测预报提供了科学依据,而且也为BP神经网络在水土保持研究中的应用开辟了新的思路。     

宿州春季重旱发生年份的灰色神经网络预测模型

宿州春季严重干旱序列数据偏少,可用传统GM（1,1）模型进行预测,但由于序列变化幅度较大,预测效果不理想。本文利用灰色与BP神经网络组合模型对宿州春季重旱发生年份进行预测,即首先弱化序列变化幅度,并改进GM（1,1）模型导数信息处理方式,构建可逼近精度目标的m—GM（1,1）预测模型,然后应用BP神经网络对m—GM（1,1）模型的残差进行拟合,对m—GM（1,1）预测模型进行修正。结果表明,灰色神经网络组合模型的精度（｜Q｜=0．0045）比单一的1．7-GM（1,1）模型（｜Q｜=4．18）和传统的单一GM（1,1）模型精度（｜Q｜=9．36）提高许多。预测2005年后的下一个宿州市春季严重干旱发生年份为2009年,可以作为预报当地春季干旱时的参考,并结合其他方法作进一步预测,为当地防灾减灾提供科学依据。     

基于BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

黄土湿陷性与土性指标的关系及其预测模型

[目的]充分挖掘现有黄土湿陷试验资料的价值,建立基于黄土湿陷性机理的湿陷系数预测模型。[方法]以山西省中部黄土为例,基于前期开展的原位大型浸水试验及配套的室内试验资料,首先按物理意义的异同将黄土土性指标分为7大类,而后通过黄土物理力学参数与湿陷系数散点图,对各土性指标与湿陷系数的相关性从土力学与工程地质学角度进行了深入的分析和讨论,再利用偏相关分析定量地给出湿陷系数与各土性指标的相关性及相关程度排序。[结果]根据排序剔除了相关性非常小的液、塑限及塑性指数这一大类指标,其余6大类指标中相关性由高到低依次为:取土深度、孔隙比、干密度、压缩模量、饱和度、颗粒组成C_(5~15μm),并将上述结果引入RBF神经网络,建立了基于黄土湿陷性机理的、参数选取较为全面、建模方法较为科学的湿陷系数预测模型。[结论]通过非母体数据的验证表明模型精度可以满足工程应用的需要,研究过程与结果可加深对黄土湿陷机理的认识。     

用Philip模型参数推求湿润锋平均基质吸力Sf准确性

修改的适用自然降水入渗的Green—Ampt模型是模拟坡面降水入渗、产汇流的常用手段,该模型中一个重要参数——湿润锋平均基质吸力Sf的准确取值对提高计算精度有重要作用。在分析Philip入渗模型和Green—Ampt入渗模型的基础上,建立了两模型参数间的转化关系,并尝试用Philip模型参数间接推求Green—Ampt模型中的参数Sf。通过对积水入渗资料的处理和用降水产流资料进行准确性检验,结果发现,对黄土高原黑垆土而言,用Philip模型参数间接推求Green—Ampt模型中的湿润锋平均基质吸力Sf是可行的,与直接用Green—Ampt模型获得的Sf值具有相同的精度。