基于BP神经网络的土壤侵蚀预测模型对比

根据《中国水土保持公报》数据资料,基于反向传播(back propagation,简称BP)神经网络模型、万有引力搜索算法(gravitational search algorithm,简称GSA)和人群搜索算法(seeker optimization algorithm,简称SOA)优化的BP神经网络模型,研究以土壤类型、地形、坡度、植被措施、降水为输入,以土壤侵蚀模数为输出的BP、GSA-BP和SOABP模型对土壤侵蚀量的预测,并采用典型监测点的实测数据对模型进行验证。结果表明,3种模型均具有较高精度,可用于土壤侵蚀量的定量预测,其中SOA-BP模型的预测效果最优。本研究成果将为水土流失监测工作提供有效支持。     

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。     

基于遗传算法-鲸鱼算法优化反向传播神经网络的土壤参数预测

传统的土壤参数预测常采用物理、化学等方法,在预测准确性上存在较大误差,且易受到人为因素的影响。基于反向传播(BP)神经网络及其改进算法的土壤参数预测方法虽然不受人为因素的影响,但仍有较大的误差。为进一步提高神经网络预测精度,使用遗传算法-鲸鱼算法(GA-WOA)的混合算法优化BP神经网络,以此建立农业土壤参数预测模型,并与多种现有算法进行对比。结果显示,所提算法在农业土壤参数预测方面具有很强的适用性和更高的准确性。     

基于BP神经网络的武汉市分层水温预报模型探究

为探讨武汉市分层水温的变化特征及预报方法,本文以武汉市金银湖为例,利用2019-2020年地面观测和分层水温资料,分析气温、气压、蒸发、地温、日照及辐射等气象要素对垂向水温变化的影响,建立武汉地区基于拟牛顿法反向传播(back propagation,BP)神经网络的20cm、40cm、60cm及80cm等层次水温预报模型。仿真结果表明：拟牛顿法BP神经网络的水温预报模型能够表达水温和气象要素的非线性关系,平均预报准确率超过90%,具有较高的预报精度。     

基于非成像高光谱的高山松叶绿素估算模型研究

以云南省香格里拉县建塘镇的高山松为研究对象,使用ASD Field Spec 3便携式野外地物光谱仪测定高山松叶片光谱,并在实验室测定叶片样本的叶绿素含量。经光谱分析技术及统计相关分析法进行光谱数据的分析处理,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,建立与叶绿素含量间的单变量估测模型和双隐层BP神经网络预测模型,并采用决定系数(R~2)、均方根差(RMSE)和相对误差(RE)进行精度检验。结果表明,单变量模型以一阶微分光谱反射率的三次函数模型为最优模型,其R~2、RMSE、RE分别为0.511、1.297 6mg/g、10.06%,而基于双隐层BP神经网络最优模型的R~2、RMSE、RE分别为0.637、0.384 1mg/g、9.47%,精度达到90.53%,经比较得出其具有较优的预测能力,充分体现BP模型的可行性,为快速、准确的估测高山松叶绿素含量提供有利的理论依据。     

基于MEA-BPNN-F模型的土壤有机质空间分布预测

以江西省万年县为例,根据万年县测土配方数据,构建以思维进化算法、BP神经网络、四方位搜索法三者结合的模型(MEA-BPNN-F模型),同时加入高程和坡度信息来预测万年县耕地土壤有机质的空间分布,并与普通克里金法(OK模型)、以地理坐标为输入的BP神经网络模型(BPNN-G模型)、以高程和坡度作为辅助变量同时利用四方位搜索法加入邻近信息的BP神经网络模型(BPNN-F模型)进行比较。结果表明:4种模型的预测精度表现为MEA-BPNNF>BPNN-F>BPNN-G>OK。应用MEA-BPNN-F模型预测精度最高、效果最好,比较符合土壤有机质地学运动规律及实际情况。该模型克服了BP神经网络全局搜索能力差和收敛速度慢的缺点,提高了BP神经网络的泛化能力。     

基于GA-BP神经网络的温室番茄病害诊断

为了提高温室番茄病害自动识别率,采用P2P无线网络摄像机定点远程监控与数码相机采集设备相结合的方法获取材料,通过分治中值滤波算法和分水岭算法分离复杂背景下的叶片并提取病斑,提取病斑特征参数并最终选择6个颜色参数、4个形状参数、3个纹理参数,改进传统的差反向传播(error back propagation,简称BP)算法,建立遗传算法优化的误差反向传播(genetic algorithm error back propagation,简称GA-BP)番茄病害识别模型。结果表明,GA-BP模型能快速有效地识别番茄叶片病害,对番茄早疫病、晚疫病、叶霉病的识别率分别达到92.50%、91.25%、95.50%。该模型解决了BP神经网络收敛速度慢、寻优不精确的问题,高效地实现了温室番茄病害的诊断。     

基于MEA-BPNN-F模型的土壤有机质空间分布预测

以江西省万年县为例,根据万年县测土配方数据,构建以思维进化算法、BP神经网络、四方位搜索法三者结合的模型(MEA-BPNN-F模型),同时加入高程和坡度信息来预测万年县耕地土壤有机质的空间分布,并与普通克里金法(OK模型)、以地理坐标为输入的BP神经网络模型(BPNN-G模型)、以高程和坡度作为辅助变量同时利用四方位搜索法加入邻近信息的BP神经网络模型(BPNN-F模型)进行比较。结果表明:4种模型的预测精度表现为MEA-BPNNFBPNN-FBPNN-GOK。应用MEA-BPNN-F模型预测精度最高、效果最好,比较符合土壤有机质地学运动规律及实际情况。该模型克服了BP神经网络全局搜索能力差和收敛速度慢的缺点,提高了BP神经网络的泛化能力。     

GRNN和Elman神经网络在水体溶解氧预测中的应用

针对池塘溶解氧浓度受较多因素影响的复杂性,选择基于广义回归网络(general regression neural network,简称GRNN)、Elman神经网络和BP(back propagation)神经网络算法构建关于溶解氧的预测模型,并将模型应用于水产养殖池塘溶解氧的预测中,力求找到能够长期预测池塘溶解氧浓度的有效方法。研究结果表明,GRNN和Elman神经网络模型的拟合效果均比BPNN(back propagation neural network)的拟合效果好,且有较高的预测精度,平均相对误差绝对值分别为7.48%、11.03%。同时,GRNN和Elman网络模型的算法稳定,计算复杂性低,因此2个模型适合对溶解氧浓度进行预测,有一定的应用价值,可以为水产养殖管理提供依据。     

基于BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。     

东北地区稻田土壤氮含量无人机高光谱反演建模研究

土壤氮元素是土壤肥力的一个重要指标,掌握土壤氮元素含量的变化是观测农作物的发育状况及时空变化规律等的基础。利用高光谱对土壤氮元素进行反演,可为精准农业地表土壤元素快速测定提供参考。为实现对土壤中氮元素含量的快速测定,以沈阳农业大学海城试验田为例,对土壤原始反射率进行了一阶导数变换,运用等距特征映射算法(isometric feature mapping,lsomap)、竞争性自适应重加权采样法(competitive adapative reweighted sampling, CARS)对一阶导数光谱数据进行降维并提取出相关特征。运用BP神经网络(back propagation neural network,BPNN)、GA优化(GA-BPNN)以及经过NSGA-Ⅲ优化后的BP神经网络(NSGA-Ⅲ-BPNN)3种分析方法建立土壤全氮的高光谱反演模型,并利用决定系数(R²)和均方根误差(root mean square error,RMSE)对反演模型进行评价。结果表明：经过ISOMAP进行的降维相对于CARS能有效的对特征进行提取。优化后的神经网络模型建立的...     

应用集成BP神经网络模型预测土壤有机质空间分布

基于2014年江西省万年县测土配方施肥数据,以地理坐标、高程和坡度以及邻近样点信息作为网络的输入变量,采用集成BP神经网络模型(BPNN-Ada模型)预测土壤有机质的空间分布,并与未集成的BP神经网络模型(BPNN模型)和普通克里金模型(OK模型)进行比较。结果表明,3种模型的预测精度大小顺序为BPNNAda模型BPNN模型OK模型。集成BP神经网络模型预测精度最高,效果最好,比较符合土壤有机质地学分布规律及实际情况。BPNN-Ada模型克服了BP神经网络局部搜索能力差和易陷入全局最优的缺点,提高了BP神经网络的泛化能力。     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.     

模糊方法改进的反向传输神经网络预测南美白对虾养殖的水质

在南美白对虾高密度、规模化围塘养殖生产中,水质参数的监测、评价及预警是至关重要的。以杭州市某南美白对虾基地日常养殖水质为研究对象,选取温度、pH值、溶解氧、氧化还原电位等4项指标作为预测参数,建立拓扑结构为40-14-4的3层前馈反向传输(back propagation,BP)神经网络模型,即以连续10个时间单位的预测变量为输入层,隐含层节点数为14个,输出层变量为温度、pH值、溶解氧和氧化还原电位。为克服传统BP神经网络存在的收敛速度慢、易陷入震荡和泛化能力不强等缺点,采用模糊方法优化了自适应变步长BP神经网络算法,缩短了BP神经网络的训练时间,提高了网络收敛效率与稳定度。结果表明,以模糊方法改进的BP神经网络(FABPM)方法具有收敛速度快、预测精度高、稳定度好等特点,对选取的4项水质指标都给出了较好的训练与预测结果,预测的平均相对误差小于2.5%,从而为水产养殖水质预测与评价提供了一种新方法。     

基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演

利用美国SVC HR-1024I型地物光谱仪对盆栽玉米叶片进行光谱测定,同时用SPAD-502叶绿素仪测定叶片的叶绿素含量。基于实测光谱的微分处理结果,获取光谱位置、光谱面积、植被指数3个方面的11个光谱特征参数(spectral characteristic parameters,SCP),分析这11个SCPs与叶绿素含量的相关性,并对这些参数进行主成分分析(principal component analysis,PCA);然后,利用这11个SCPs及其PCA结果建立误差反向传播(error back propagation,BP)神经网络输入因子,并构建了玉米叶片叶绿素含量BP反演模型(简称SCP-PCA-BP模型)。另外,选取与叶绿素含量相关性较高的8个SCP,建立常规的线性回归模型并预测叶绿素含量。反演结果表明:SCP-PCA-BP反演的预测值与实测值之间的决定系数(r2)达到0.968 7,均方根误差(RMSE)为0.893 9;而用线性回归模型反演时,只有基于SCP中微分光谱蓝边面积、面积比值、归一化面积参数的预测效果较好,其中归一化面积的预测效果最好,预测值与实测值之间r2为0.704 0,RMSE为2.895。因此可知,与常规的线性回归模型相比,SCP-PCA-BP反演模型在预测玉米叶片叶绿素方面具有更好的预测效果。     

高光谱成像技术结合遗传算法和BP神经网络的南疆骏枣总糖含量建模分析

为考察南疆骏枣的总糖含量与高光谱数据的对应关系,采用高光谱成像技术结合遗传算法和反向传播(back propagation,简称BP)神经网络的方法对南疆骏枣进行总糖含量建模分析,采用不同预处理方法处理原始光谱数据,并用遗传算法进行波长变量的选择,回归分析分别采用偏最小二乘法(PLS)和BP神经网络(BP-ANN),从线性和非线性回归方式上建立校正模型分析。结果表明,用多元散射校正(MSC)进行预处理好于其他预处理方式。在回归分析上,BP-ANN预测南疆骏枣总糖含量的模型好于PLS,预测相关系数(Rp)和预测标准偏差(RMSEP)分别为0.918 4和0.931 0。由结果可知,利用近红外高光谱成像技术对南疆骏枣总糖含量进行预测是可行的。     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测

【目的】探索高分一号卫星影像在新疆落叶松林林分郁闭度估测中的应用潜力,为高分一号卫星影像用于林分郁闭度定量估测提供技术方法。【方法】以新疆布尔津林场为研究区,以阿尔泰山西段新疆落叶松林为试验对象,基于高分一号PMS多光谱影像和DEM数据,利用遥感和GIS技术,采用多元逐步回归和BP神经网络2种方法对新疆落叶松林分郁闭度进行估测。【结果】从模型验证结果可以看出,BP神经网络模型(决定系数R~2=0.713,均方根误差RMSE=0.082,相对均方根误差rRMSE=0.175,估测精度EA=82.401%)对新疆落叶松林林分郁闭度的估测要明显优于多元逐步回归模型(R~2=0.692,RMSE=0.085,rRMSE=0.182,EA=81.680%),且BP神经网络模型建模时R~2=0.714,与其精度验证时的R~2=0.713非常接近,说明模型的稳定性良好。【结论】2种模型的估测精度均高于80%,这说明高分一号PMS数据在新疆落叶松林林分郁闭度估测方面具有一定的潜力。     

基于反向传播神经网络的退化红壤区杉木树干液流模拟

以江西退化红壤区杉木人工林为研究对象,采用MATLAB工具箱中的log-sigmoid型函数(tansig)为神经元作用函数,以空气温度、空气相对湿度、平均净辐射、水汽压亏缺为输入变量,液流速率为输出变量,运用贝叶斯正则化算法和Levenberg-Marquardt算法对4 000组气象数据和液流数据进行网络训练和检验,构建拓扑结构为4-10-1的杉木树干液流反向传播(back propagation,BP)神经网络模型.结果表明:在2种算法下训练样本和检验样本模型输出值与实测值之间线性回归的拟合程度均较高,回归方程的相关系数在0.93以上;训练样本的拟合精度分别为83.57%和83.06%,检验样本的仿真精度分别为82.87%和82.15%.说明该网络模型能够很好地反映液流速率与气象因子之间的非线性函数关系,可为杉木人工林的可持续经营和林地水资源的科学管理提供有效手段.