基于RBF神经网络的土壤侵蚀预测模型研究

土壤侵蚀的物理机理十分复杂,用数学方式难以描述.针对土壤侵蚀过程的模糊性、随机性、非线性等特点,将RBF神经网络的理论与方法应用到土壤侵蚀预测中.以杏木小流域为研究对象,应用RBF神经网络方法构建土壤侵蚀预测模型,以汛期降雨量、径流系数、土壤容量、有机质含量及孔隙度土壤侵蚀因子作为模型的输入层变量,输出层变量为年土壤侵蚀模数.通过模拟训练和预测,RBF神经网络取得的结果较好,能够有效地预测土壤侵蚀,且与常见的BP神经网络土壤侵蚀预测模型相比,RBF神经网络得到的预测结果精度更高.RBF神经网络模型将土壤侵蚀预测问题转化为影响因子和年侵蚀模数的非线性问题,该模型的模拟与预测为复杂的土壤侵蚀规律研究提供了新途径.     

基于核函数支持向量回归机的耕地面积预测

科学预测耕地保有量是耕地保护的基础,对缓解用地矛盾、保证粮食安全具有重要指导意义。为探讨不同核函数支持向量回归机(support vector regression,SVR)对耕地面积预测的影响,该文以惠州市为例,分别采用多元回归、BP神经网络及3种不同核函数SVR建立耕地面积预测模型并进行对比试验。预测结果精度分析显示,RBF核函数SVR预测结果平均相对误差为0.54%,均方根误差为0.007,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.12%及0.012,精度次之;多项式核函数SVR预测结果对应误差为分别为2.71%及0.032,高于BP神经网络模型,但低于多元回归模型。研究表明,在现有3种常用核函数SVR耕地面积预测模型中,基于RBF核函数SVR模型预测能力最强,其次是sigmoid核函数;而多项式核函数则效果较差。     

基于数量化理论Ⅲ的滑坡变形组合预测研究

[目的]探讨基于数量化理论Ⅲ的组合预测模型在滑坡变形组合中的适用性,为滑坡变形组合预测提供新的思路。[方法]选取GM(1,1)、支持向量机、BP神经网络及MC预测作为滑坡变形的单一预测模型,并利用数量化理论Ⅲ分析单项预测的相对误差区间的重要性,进而确定区间权重,再结合预测误差确定的组间权重,综合确定组合预测的权值。[结果]组合预测结果相对误差的平均值为1.1%,方差为0.16。[结论]组合预测较单一预测模型的预测精度及稳定性都有较大的提高。     

基于PCA-RBF神经网络的烟田土壤水分预测

为建立烟田土壤水分预测模型以利于烟区种植的规划和管理,该文提出了基于主元分析（PCA）与径向基函数（RBF）神经网络模型的烟田土壤水分预测方法。首先,利用PCA消除原始输入层数据的相关性,以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明,烟田土壤水分PCA-RBF神经网络预测模型具有较好的预测效果,平均预测精度达到96.02%,与全要素误差反向传播（BP）神经网络和RBF神经网络相比,平均预测精度分别提高5.20%和6.06%,完全符合实际烟区种植规划的需求,为研究其他类型的土壤水分预测提供了参考。     

BP神经网络和GM（1，n）模型在吉林省四平市建设用地面积预测中的应用比较

[目的]科学准确地预测城市建设用地,有利于把握城市发展的速度,了解城市化发展进程,为相关政府部门掌握土地利用情况,制定土地总体规划提供科学依据。[方法]把四平市作为研究对象,从"城市—农村"合力视角构建影响因子,利用因子分析探讨影响建设用地扩张的相关性,对指标进行筛选,在此基础上利用BP神经网络和灰色模型对四平市2012,2013和2014年建成区面积进行预测,最后对预测结果进行比较分析。[结果]通过预测与比较分析可知,BP神经网络结果的相对误差分别为0.8%,1.1%和2%,而灰色GM(1.1)模型预测结果相对误差分别为0.04%,0%和3.2%。可以看出,BP神经网络预测出的结果与实际相比较误差均在2%以内。[结论]BP神经网络预测的结果较精确,运用该方法可以有效提高预测的精度。     

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。     

植被格局特征对大理河流域侵蚀产沙的响应

为了进一步研究植被覆盖FBM(fractional brownian motion)分形维数在不同流域中对植被覆盖特征的综合效果及作为固定参数代替现有的植被量化指标在实际的水文、土壤侵蚀等预测模型中的应用,该文通过对大理河流域上中下游青阳岔、李家河和曹坪3个水文站控制流域的降雨、径流和产沙等资料的全面综合分析,以次降雨径流侵蚀功率作为侵蚀外营力输入,通过对站控流域地貌特征FBM分形维数、植被景观格局FBM分形维数和NDVI植被指数作为描述下垫面特征,以地理信息系统(GIS)为平台,利用GIS和RS技术,构建大理河流域侵蚀产沙量多元线性回归模型,并通过2组不同参数预测结果对比,结果表明:以植被格局分形维数为植被量化参数的模型输沙模数模拟值与实测值之间的相对误差和绝对误差比以NDVI为植被量化参数的小;在38场次暴雨洪水中,基于植被格局分形维数为植被量化参数的模型次暴雨输沙模数模拟值与实测值之间的相对误差小于10%、20%、50%的分别占总场次的34.21%、55.26%、86.85%;38场次暴雨输沙模数的模拟值和实测值之间的平均相对误差为25.19%,其中模拟值与实测值绝对误差小于300 t/km2有31场,植被格局FBM分形维数可以更好反映植被覆盖与水土流失之间的关系,并且分析得到植被格局分形维数与土壤侵蚀强度之间呈负相关关系,决定系数为0.5066,即土壤侵蚀强度随着植被格局FBM分析维数的增大呈减小趋势,说明植被格局FBM分形维数对土壤侵蚀强度的影响较大.     

动态聚类最近邻法在湖库蓝藻水华预测中的应用

[目的]探索湖库蓝藻水华的有效预测方法,为水环境污染防治关键问题的解决提供科学依据。[方法]结合蓝藻水华演化中表现出的混沌类随机特点,提出一种基于有效性函数优化的动态聚类算法,以实现蓝藻水华动态、小范围近邻优化预测的目的。首先,基于动态聚类算法对监测数据进行典型类的客观划分,为后续有效减小搜索空间,提高预测精度奠定基础;而后采用粒子群算法优化得到各类的最佳近邻个数,以确定参与回归建模的观测值数量;最后依据最近邻观测数据建立动态回归预测模型。[结果]采用太湖金墅监测站点2011年叶绿素a浓度测定值进行建模,之后对2012年叶绿素a浓度进行短期预测。新建模型的预测值与实际值运行趋势一致,且相对误差为12.02%,而基于传统聚类线性回归算法的相对误差为15.21%,基于BP神经网络预测算法的相对误差为19.51%,相空间重构算法的相对误差为38.42%。[结论]算例结果表明该方法的预测精度相对较高,证明了所提优化预测方法的可行性与有效性。     

基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型

针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题,提出了一种以误差反向传播算法神经网络(back-propagation neural network,BPNN)为核心,平均影响值法(mean impact value,MIV)为数据预处理方法,粒子群算法(particle swarm optimization,PSO)为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系,使用实地采集的颗粒饲料生产数据对模型进行训练和测试,测试结果显示实际值与模型预测值呈显著正相关,决定系数R2均在0.94以上;平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平,各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本BPNN模型预测结果对比可以发现,MIV-PSO-BPNN预测模型预测性能有显著提升,各输出误差优化幅度从39.55%~91.80%不等,平均优化幅度分别达到84.99%和56.95%;同时相对误差变化趋势图显示MIV-PSO-BPNN预测模型具有更优的预测稳定性,相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路,可为饲料行业高效低耗生产提供理论依据。     

基于随机森林算法的耕地面积预测及影响因素重要性分析——以甘肃省庆阳市为例

[目的]分析耕地面积变化影响因素的重要性,以便科学预测耕地资源数量,为保护耕地资源服务。[方法]以属于黄土高原地区的甘肃省庆阳市为例,尝试采用随机森林算法构建耕地面积预测模型,与BP神经网络模型的预测结果进行对比,并对耕地面积变化影响因素重要性进行排序。[结果]随机森林算法预测结果的相对误差和均方根误差均小于BP神经网络的,预测精度高,结果稳定。它预测出2020,2025,2030年的耕地面积分别为4.515×10~5,4.513×10~5,4.512×10~5 hm~2,呈现减少的趋势;主要影响因素重要程度排序为:农业机械总动力农业人口地区生产总值固定资产投资额。[结论]随机森林算法适合于耕地面积预测,且能够测度耕地面积变化影响因素的重要程度。     

基于机器学习的东非植被变化因子重要性分析

[目的]基于机器学习算法对东非植被变化进行因子重要性分析,测度不同算法在各情况下的精度差异及适用性,为保护、恢复和促进可持续森林管理、水土流失综合防治提供科学依据。[方法]以东非9个国家2001—2020年的归一化植被指数(normalized difference vegetation index, NDVI)变化为研究对象,选取影响东非植被变化的2个气候因子及5个人类活动因子作为自变量,利用随机森林(random forest, RF)、BP神经网络(BP neural networks, BP)、支持向量机(support vector machines, SVM)、遗传算法(genetic algorithm, GA)、径向基神经网络(radial basis function, RBF)、卷积神经网络(convolutional neural networks, CNN)6种机器学习算法建立NDVI预测模型,以决定系数(R²)、平均绝对误差(MAE, mean absolute error)、平均相对误差(MRE, mean relative error...     

基于不同风蚀模型的区域土壤风蚀变化及影响因素研究——以内蒙古自治区为例

基于遥感数据、气象数据等,利用RWEQ模型和风蚀预报模型对内蒙古自治区2000—2017年土壤风蚀进行评估并分析其驱动因素。结果表明：（1） RWEQ模型（R²=0.85,P<0.01）和风蚀预报模型（R²=0.43,P<0.01）的预测值与¹³⁷Cs示踪技术风蚀的值具有较好的相关性,其中RWEQ模型预测精度更好。（2）时间上,RWEQ和风蚀预报模型模拟的结果均表明2000—2017年内蒙古自治区土壤风蚀呈下降的趋势,下降趋势分别为0.73,1.18 t/（hm²·a）,2个模型模拟的土壤风蚀模数在2011年均达到最低值。空间上,2000—2017年,2个模型的模拟结果均表明内蒙古自治区土壤风蚀以微度和轻度侵蚀为主,其中剧烈侵蚀在整个研究区的占比较小（RWEQ 1.79%,风蚀预报模型5.45%）,主要分布于北方风沙区的西南部。趋势上,89.74%（RWEQ）和72.05%（风蚀预报模型）的土壤风蚀模数呈下降趋势,其中显著降低的区域主要分布于北方风沙区的巴丹吉林沙漠和乌兰布和沙漠。（3）大风天数对土壤风蚀具有显著影响,随着大风天数的增多,土壤风蚀呈显著上升趋势,植被覆盖度和降水量的增长在一定程度上可抑制土壤风蚀的进程。     

基于USLE模型的2001—2015年江西省土壤侵蚀变化研究

[目的]准确估算区域土壤侵蚀量并掌握其动态变化,指导区域水土保持规划。[方法]基于通用土壤流失方程(USLE)模型,利用遥感数据、气象数据、DEM等数据测算2001,2015年的土壤侵蚀模数,分析2001—2015年江西省土壤侵蚀强度的动态变化特征。[结果]江西省土壤侵蚀状况在2001—2015年得到一定程度的改善,2001年土壤侵蚀模数为7 042.4t/(km^2·a),2015年土壤侵蚀模数为6 375.3t/(km^2·a),降低了约9.5%;全省大部分地市的土壤侵蚀强度降低,其中抚州市、宜春市、赣州市、萍乡市等4市的平均土壤侵蚀模数下降幅度最为显著;但也有少量地市的土壤侵蚀呈进一步扩大趋势,主要有九江市、南昌市、新余市;土壤侵蚀强度转移矩阵表明江西省大部分区域侵蚀强度等级不变,部分地区侵蚀强度等级向低一级转移;2001—2015年52.7%的面积土壤侵蚀强度等级不变,25.8%的面积土壤侵蚀强度等级降低一级。[结论]江西省土壤侵蚀状况总体上有所好转,但部分地市的土壤侵蚀进一步扩大,水土流失的形势依然十分严峻。     

基于GIS与RUSLE模型的喀斯特地区土壤侵蚀研究——以贵州省为例

[目的]对贵州省土壤侵蚀进行快速定量研究,为土壤侵蚀治理工作和土地利用决策提供科学依据。[方法]在GIS技术的支持下,利用日降雨量、土壤类型、土地利用、DEM,MODIS-NDVI等数据,结合RUSLE模型估算研究区土壤侵蚀量。[结果]研究区的2010年年均土壤侵蚀模数为880.81t/(km~2·a),属轻度侵蚀。大部分区域主要以小于500t/(km~2·a)的微度侵蚀为主,占研究区总面积的59.60%。土壤侵蚀面积(轻度侵蚀以上)达71 164.14km~2,占总面积的40.40%。强度以上土壤侵蚀面积达10 431.60km~2,占总面积的5.91%,主要分布在研究区西北部和东北部,以及北部大楼山、武陵山、东南部苗岭以及西部乌蒙山等地势较高以及中东部乌江,西南部北盘江等河流流域。[结论]林地、耕地和草地以及海拔在600~1 600m之间的区域是今后水土流失防治的重点区域。     

基于人工神经网络的土壤颗粒组成制图

以浙江西苕溪流域为研究区,综合考虑地形和土壤类型等信息,采集典型土壤样本,测定土壤颗粒组成,并基于土壤颗粒组成与景观位置和特征之间的关系,利用径向基函数(RBF)神经网络建立了高程、坡度、平面曲率、剖面曲率、径流强度系数和地形湿度指数6个地形因子与土壤颗粒组成之间的非线性映射关系,预测土壤颗粒组成的空间分布。验证结果表明,RBF神经网络方法能够挖掘出地形因子信息与土壤颗粒组成之间的非线性映射关系,其预测精度较高,模型稳定性较好,是一种低成本、高效率的制图方法。     

基于中国土壤流失方程模型的区域土壤侵蚀定量评价

[目的]用中国土壤流失方程(CSLE模型)对区域土壤侵蚀定量计算的方法进行初步探索,以期提高土壤侵蚀监测精度,有效、客观地反映水土流失治理效果。[方法]采用CSLE模型、遥感解译与统计分析相结合的方法,对准格尔旗境内的皇甫川流域进行土壤侵蚀定量评价。[结果]研究区2015年侵蚀总量1.38×10~7 t,年均侵蚀模数4 920.23t/(km^2·a)。土壤侵蚀强度以中度为主,轻度和强烈次之。[结论]用CSLE模型进行土壤侵蚀定量分析,综合考虑了降雨、土壤、植被、地形、措施等多项因子,可用于区域土壤侵蚀定量研究。     

南汀河流域土壤侵蚀的时空分异

[目的]分析南汀河流域坡面土壤侵蚀的时空分异特征,为流域水土保持和边疆生态环境建设提供科学参考。[方法]基于通用土壤流失方程(USLE),运用RS和GIS技术计算南汀河流域1990,2000及2010年3个时段的土壤侵蚀模数。[结果]3个时段内研究区侵蚀模数呈现先升后降的趋势,年均侵蚀模数从24.75t/(hm2·a)升到30.05t/(hm2·a),然后降为25.87t/(hm2·a)。3个时段内,流域内强烈侵蚀及其以上的侵蚀面积仅占总侵蚀面积的19.94%,但对流域总侵蚀量的贡献高达73.56%。1990—2000年,强烈及强烈以下侵蚀面积减少了1 059.85km2,强烈侵蚀以上的侵蚀面积则增加了112.29km2;2000—2010年,微度侵蚀面积有小幅增加,其余侵蚀等级的侵蚀面积都有所下降。当坡度小于20°时,侵蚀模数随着坡度的增加而增加,坡度超过20°后,侵蚀模数有降低的趋势;从海拔上看,高侵蚀模数区域主要位于海拔500~2 000m范围。[结论]流域内的土壤侵蚀治理已初见成效,但在局部地区,土壤侵蚀仍有加剧现象。     

基于GIS和RUSLE的高山峡谷区土壤侵蚀研究——以云南省泸水县为例

[目的]研究区域土壤侵蚀,揭示水土流失的空间分异规律,为区域水土保持和生态农业建设提供理论指导依据。[方法]应用GIS和RUSLE模型对云南省泸水县的土壤侵蚀进行研究。RUSLE模型中的因子包括降雨侵蚀力、土壤可蚀性、坡度坡长因子、植被覆盖和水土保持措施因子,运用GIS空间分析模块,获取泸水县土壤侵蚀模数空间分布图,根据SL 190-2007的分级标准进行土壤侵蚀强度分级,并分析该区土壤侵蚀强度空间分布格局。[结果](1)从各强度侵蚀面积上看,泸水县2014年土壤侵蚀以微度侵蚀为主,占总面积的86.86%,但从平均土壤侵蚀模数看,土壤侵蚀量为4.24×10~6 t,平均侵蚀模数为1 373.1t/(km~2·a),土壤侵蚀强度属于轻度侵蚀;(2)土壤侵蚀较严重区与未利用地、耕地空间分布基本一致,在坡度25°~50°的范围内,侵蚀面积占总侵蚀面积的75%,并且在该坡度段上的耕地面积占总耕地的63%,剧烈侵蚀集中分布在未利用地上,中度以上剧烈以下强度侵蚀集中分布在该坡度段上的耕地上,说明该坡耕地、未利用地对土壤侵蚀的贡献最大,要加强对未利用地的生态治理。[结论]坡度大,陡坡垦殖和未利用地的不合理利用是该区土壤侵蚀加重的主要原因,坡度在25°以上的地区不适宜耕种,应优化农业产业结构如实施退耕还林还草等措施,才能有效的保持水土。