基于bp神經(jīng)網(wǎng)絡的太湖典型農(nóng)田土壤水分動態(tài)模擬

1、:nauxbnjaueducn收稿日期:2011－08－29基金項目:國家公益性行業(yè)(農(nóng)業(yè))科研專項(2009030

2、03)江蘇高校優(yōu)勢學科建設工程資助項目作者簡介:林潔，碩士研究生。通訊作者:陳效民，教授，博導，研究方向為水土資源利用與環(huán)境和土壤與環(huán)境物理過程，Email:xmchen@njaueducn。林潔，陳效民，張勇，等基于BP神經(jīng)網(wǎng)絡的太湖典型農(nóng)田土壤水分動態(tài)模擬［J］南京農(nóng)業(yè)大學學報，2012，35(4):140－144基于BP神經(jīng)網(wǎng)絡的太湖典型農(nóng)田土壤水分動態(tài)模擬林潔，陳效民，張勇，潘根興，張旭輝(南京農(nóng)業(yè)大學資源與環(huán)境科學學院，江蘇南

3、京210095)摘要:收集太湖典型農(nóng)田2010年10—12月和2011年3—6月2個時間段的逐日氣象資料和土壤水分資料，運用BP(backpropagation)神經(jīng)網(wǎng)絡和缺省因子分析法確定影響該地區(qū)土壤水分動態(tài)的主要氣象因子(降水量、蒸發(fā)量、平均氣溫和平均地表溫度以及平均風速)，以這些主要影響因子作為輸入變量建立該地區(qū)土壤水分動態(tài)模擬的BP神經(jīng)網(wǎng)絡模型。利用100組實測樣本對神經(jīng)網(wǎng)絡進行訓練，用剩余的64組實測樣本進行檢驗。結果表明:

4、0～14cm和14～33cm土壤含水量模擬的平均相對誤差(MARE)最大為00629，均方根誤差(RMSE)最大為1764，不同土壤層次的訓練樣本和檢驗樣本的精度(PA)都在087以上。因此，BP神經(jīng)網(wǎng)絡用于太湖典型農(nóng)田的土壤水分動態(tài)模擬是可行的。關鍵詞:土壤水分動態(tài)敏感性因子BP神經(jīng)網(wǎng)絡模型太湖流域中圖分類號:S2741文獻標志碼:A文章編號:1000－2030(2012)04－0140－05Simulationofsoilmoist

5、uredynamicsbasedontheBPneuralwkinthetypicalfarmlofTaiLakeregionLINJie，CHENXiaomin，ZHANGYong，PANGenxing，ZHANGXuhui(CollegeofResourcesEnvironmentalSciences，NanjingAgriculturalUniversity，Nanjing210095，China)Abstract:Themete

6、ologicaldatasoilmoisturedataoftwotimeintervals(October，2010toDecember，2010，March，2011toJune，2011)inthetypicalfarmlofTaiLakeregionwerechoseninthisstudyByusingBP(backpropagation)neuralwkdefaultfactmethod，themainmeteologica

7、lfactsaffectingsoilmoisturedynamicwereconfirmed，whichwereprecipitation，evapation，averagetemperature，averagesurfacetemperaturetheaveragewindspeedABPneuralwkmodelfsimulatingthesoilmoisturedynamicinstudyareawasestablished10

8、0groupsofmeasuredsamplewereusedtotraintheneuralwk，whiletheremaining64groupswereusedfmodeltestTheevaluationstardofmodelsimulationshowedabettersimulatedresults(themaximalMARERMSEofsoilmoisturesimulationin0－14cmlayer14－33cm

9、layerwere006291764respectively，whilebothprecisionsweremethan087)，whichindicatedthatBPneuralwkcouldbeusedfthesimulationofsoilmoisturedynamicintypicalfarmlofTaiLakeregionwasfeasibleKeywds:soilmoisturedynamicsensitivityfact

10、BPneuralwkmodelTaiLakeregion土壤水分動態(tài)的監(jiān)測及預測是合理安排作物種植和正確制定灌溉制度的前提［1］，也是土地持續(xù)利用、水資源規(guī)劃與管理、節(jié)水農(nóng)業(yè)技術研究的基礎，其對水資源的合理配置與管理、灌溉計劃、干旱評估、土壤溶質運移研究等都起著重要作用。因此，土壤水分的預測對作物生長、節(jié)水灌溉及適時、適量施肥等都具有重要意義［2－3］。長期以來，研究人員從不同的角度，運用不同的方法，對土壤水分的模擬和預測進行了大量研究

11、［4－6］。土壤水分的增長和消退過程的受制因素很多，它不僅與土壤性質有關，還涉及到根系層與外界的水分交換，如:降水、灌溉、蒸發(fā)和根系層下邊界水分通量等。同時，影響土壤水分的因素復雜，即使按地區(qū)來進行分析，也會因下墊面的土壤、植被、地質、地貌和水文地質條件的不同而使不同地區(qū)的具體影響因素也不同。并且這些因素與土壤水分之間的關系為較復雜的非線性關系，致使土壤水分變化規(guī)律也比較復雜。在進行土壤水分動態(tài)預測時，由于涉及的影響因素較多，參數(shù)的選取

12、較為困難，因此，預測結果的差異較大。目前，一種新的隨機性模型———人工神經(jīng)網(wǎng)絡模型已逐漸應用于水質評價、地下水動態(tài)預測等研究中［7－11］。這是因為人工神經(jīng)網(wǎng)絡法可以在不清楚變量之間的確切關系時快速找尋多個變量之間的聯(lián)系。土壤水分記錄儀：http:www.trsfyq.com南京農(nóng)業(yè)大學學報第35卷12方法121BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡的神經(jīng)元采用的傳遞函數(shù)通常是Sigmoid型可微函數(shù)，所以可以實現(xiàn)輸入和輸出間的任意非線性映射，從而可

13、以逼近土壤水分本身及其相關因素的演化過程。BP神經(jīng)網(wǎng)絡間連接權在網(wǎng)絡的學習過程中不斷得到修正，使輸入層與隱含層之間、隱含層與輸出層之間的兩組權所構成的網(wǎng)絡能實現(xiàn)學習樣本中輸入矢量與輸出矢量間特定的映射關系，權的分布體現(xiàn)了各輸入分量在輸入矢量中所占特征強度的分布。該網(wǎng)絡由輸入層、隱含層及輸出層組成。本研究的輸入層主要是影響土壤水分的氣象因子，輸出層為土壤含水量。BP神經(jīng)網(wǎng)絡的學習過程由輸入數(shù)據(jù)的正向傳播和誤差反向傳播兩部分組成，這兩個過程

14、的反復運用使得誤差信號最小，當誤差達到人們所希望的要求時，網(wǎng)絡的學習過程就結束［16］。122輸入、輸出變量選取及樣本預處理選取逐日平均氣溫、最高氣溫、最低氣溫、降水量、蒸發(fā)量、平均風速、平均相對濕度、平均地表溫度作為輸入變量，土壤水分作為輸出變量，初步建立土壤水分動態(tài)變化BP神經(jīng)網(wǎng)絡模型。BP神經(jīng)網(wǎng)絡在確定輸入和輸出變量以后，首先要對輸入和輸出變量進行歸一化處理，使得輸入、輸出數(shù)據(jù)規(guī)范化。由于本研究所采用的Sigmoid函數(shù)的取值范圍

15、是［－1，1］，所以采用Matlab中的Premnmx函數(shù)對樣本的輸出歸一化處理。123敏感性分析方法分別對平均氣溫、最高氣溫、最低氣溫、降水量、蒸發(fā)量、平均風速、平均相對濕度、平均地表溫度等進行BP神經(jīng)網(wǎng)絡模型的缺省因子檢驗，即通過對各輸入因子的缺省分別進行神經(jīng)網(wǎng)絡模型的建立、檢驗，根據(jù)其均方根誤差與全因子模型均方根誤差的比值Ri來確定輸出因子對各個缺省因子的響應程度:Ri=RMSEiRMSE，式中:Ri為第i個因子敏感性指數(shù)，RMS

16、Ei為缺省第i個因子時模型的均方根誤差，RMSE為全因子模型的均方根誤差。Ri值越大表示土壤水分動態(tài)對第i因子越敏感。本研究在進行敏感性分析時建立的全因子模型為1個3層的BP神經(jīng)網(wǎng)絡模型，其隱含層及輸出層傳遞函數(shù)分別采用雙曲正切函數(shù)(tansig)及線性函數(shù)(purelin)，訓練函數(shù)采用一步割線算法(trainoss)。該模型設定的最大迭代次數(shù)1000，誤差期望值001。選取2010年10月23日—12月31日和2011年3月11日—

17、4月9日共100組氣象數(shù)據(jù)及土壤水分數(shù)據(jù)作為訓練樣本，余下的64組數(shù)據(jù)作為檢驗樣本。經(jīng)過反復調整隱含層的神經(jīng)元個數(shù)來確定網(wǎng)絡結構，最終確定的網(wǎng)絡結構為8∶5∶1。雙曲正切傳遞函數(shù)為:f(x)=2(1e－2x)－1。124模擬效果評價方法選取平均相對誤差和模擬精度反映土壤水分動態(tài)模型的模擬效果［17］。1)平均相對誤差(MARE):反映模擬值對實測值的平均相對誤差大小，模擬無誤差時等于零。2)均方根誤差(RMSE):反映模擬值對實測值的平

18、均偏離程度。取值大于或等于零，模擬無誤差時等于零。3)模擬精度(PA):反映模擬值在其均值附近的偏離與觀測值在其均值附近的偏離之間的相關性。PA∈［－1，1］，當PA=1表明模擬值與觀測值分別對自身的均值和標準差歸一化后是一樣的，即模擬無誤差。MARE=1n∑ni=1|^y(i)－y(i)|y(i)，RMSE=∑ni=1［^y(i)－y(i)］2n－槡1，PA=∑ni=1［^y(i)－^ym］［y(i)－ym］(n－1)σ^yσy。式中

19、:樣本數(shù)為n^y(i)為模擬值y(i)為實測值^ym為模擬平均值ym為實測平均值σ^y為模擬值標準差σy為實測值標準差i為樣本序號。2結果與分析21缺省因子法敏感性分析將已初步建立的土壤水分動態(tài)模型的8個輸入因子逐一進行缺省，建立7因子土壤水分動態(tài)模型。為使7因子模型與8因子模型具有可比性，在缺省因子的建模過程中所采用的訓練樣本、檢驗樣本分別等同于8因子模型，同時采用相同的BP神經(jīng)網(wǎng)絡學習算法。通過缺省因子檢驗法對不同7因子模型分析，從