基于bp神經(jīng)網(wǎng)絡(luò)的太湖典型農(nóng)田土壤水分動(dòng)態(tài)模擬

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

2、03)江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目作者簡(jiǎn)介:林潔，碩士研究生。通訊作者:陳效民，教授，博導(dǎo)，研究方向?yàn)樗临Y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(luò)的太湖典型農(nóng)田土壤水分動(dòng)態(tài)模擬［J］南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，35(4):140－144基于BP神經(jīng)網(wǎng)絡(luò)的太湖典型農(nóng)田土壤水分動(dòng)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(xué)資源與環(huán)境科學(xué)學(xué)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(gè)時(shí)間段的逐日氣象資料和土壤水分資料，運(yùn)用BP(backpropagation)神經(jīng)網(wǎng)絡(luò)和缺省因子分析法確定影響該地區(qū)土壤水分動(dòng)態(tài)的主要?dú)庀笠蜃?降水量、蒸發(fā)量、平均氣溫和平均地表溫度以及平均風(fēng)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(dòng)態(tài)模擬的BP神經(jīng)網(wǎng)絡(luò)模型。利用100組實(shí)測(cè)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用剩余的64組實(shí)測(cè)樣本進(jìn)行檢驗(yàn)。結(jié)果表明:

4、0～14cm和14～33cm土壤含水量模擬的平均相對(duì)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(xùn)練樣本和檢驗(yàn)樣本的精度(PA)都在087以上。因此，BP神經(jīng)網(wǎng)絡(luò)用于太湖典型農(nóng)田的土壤水分動(dòng)態(tài)模擬是可行的。關(guān)鍵詞:土壤水分動(dòng)態(tài)敏感性因子BP神經(jīng)網(wǎng)絡(luò)模型太湖流域中圖分類號(hào):S2741文獻(xiàn)標(biāo)志碼:A文章編號(hào):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(dòng)態(tài)的監(jiān)測(cè)及預(yù)測(cè)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(shù)研究的基礎(chǔ)，其對(duì)水資源的合理配置與管理、灌溉計(jì)劃、干旱評(píng)估、土壤溶質(zhì)運(yùn)移研究等都起著重要作用。因此，土壤水分的預(yù)測(cè)對(duì)作物生長(zhǎng)、節(jié)水灌溉及適時(shí)、適量施肥等都具有重要意義［2－3］。長(zhǎng)期以來，研究人員從不同的角度，運(yùn)用不同的方法，對(duì)土壤水分的模擬和預(yù)測(cè)進(jìn)行了大量研究

11、［4－6］。土壤水分的增長(zhǎng)和消退過程的受制因素很多，它不僅與土壤性質(zhì)有關(guān)，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(shí)，影響土壤水分的因素復(fù)雜，即使按地區(qū)來進(jìn)行分析，也會(huì)因下墊面的土壤、植被、地質(zhì)、地貌和水文地質(zhì)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(guān)系為較復(fù)雜的非線性關(guān)系，致使土壤水分變化規(guī)律也比較復(fù)雜。在進(jìn)行土壤水分動(dòng)態(tài)預(yù)測(cè)時(shí)，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(yù)測(cè)結(jié)果的差異較大。目前，一種新的隨機(jī)性模型———人工神經(jīng)網(wǎng)絡(luò)模型已逐漸應(yīng)用于水質(zhì)評(píng)價(jià)、地下水動(dòng)態(tài)預(yù)測(cè)等研究中［7－11］。這是因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)法可以在不清楚變量之間的確切關(guān)系時(shí)快速找尋多個(gè)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(xué)學(xué)報(bào)第35卷12方法121BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)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(shí)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(guān)因素的演化過程。BP神經(jīng)網(wǎng)絡(luò)間連接權(quán)在網(wǎng)絡(luò)的學(xué)習(xí)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(quán)所構(gòu)成的網(wǎng)絡(luò)能實(shí)現(xiàn)學(xué)習(xí)樣本中輸入矢量與輸出矢量間特定的映射關(guān)系，權(quán)的分布體現(xiàn)了各輸入分量在輸入矢量中所占特征強(qiáng)度的分布。該網(wǎng)絡(luò)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(luò)的學(xué)習(xí)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(gè)過程

14、的反復(fù)運(yùn)用使得誤差信號(hào)最小，當(dāng)誤差達(dá)到人們所希望的要求時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束［16］。122輸入、輸出變量選取及樣本預(yù)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(fēng)速、平均相對(duì)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(dòng)態(tài)變化BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)在確定輸入和輸出變量以后，首先要對(duì)輸入和輸出變量進(jìn)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(duì)樣本的輸出歸一化處理。123敏感性分析方法分別對(duì)平均氣溫、最高氣溫、最低氣溫、降水量、蒸發(fā)量、平均風(fēng)速、平均相對(duì)濕度、平均地表溫度等進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的缺省因子檢驗(yàn)，即通過對(duì)各輸入因子的缺省分別進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的建立、檢驗(yàn)，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(duì)各個(gè)缺省因子的響應(yīng)程度:Ri=RMSEiRMSE，式中:Ri為第i個(gè)因子敏感性指數(shù)，RMS

16、Ei為缺省第i個(gè)因子時(shí)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(dòng)態(tài)對(duì)第i因子越敏感。本研究在進(jìn)行敏感性分析時(shí)建立的全因子模型為1個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)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(xùn)練函數(shù)采用一步割線算法(trainoss)。該模型設(shè)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?jǐn)?shù)據(jù)作為訓(xùn)練樣本，余下的64組數(shù)據(jù)作為檢驗(yàn)樣本。經(jīng)過反復(fù)調(diào)整隱含層的神經(jīng)元個(gè)數(shù)來確定網(wǎng)絡(luò)結(jié)構(gòu)，最終確定的網(wǎng)絡(luò)結(jié)構(gòu)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(píng)價(jià)方法選取平均相對(duì)誤差和模擬精度反映土壤水分動(dòng)態(tài)模型的模擬效果［17］。1)平均相對(duì)誤差(MARE):反映模擬值對(duì)實(shí)測(cè)值的平均相對(duì)誤差大小，模擬無誤差時(shí)等于零。2)均方根誤差(RMSE):反映模擬值對(duì)實(shí)測(cè)值的平

18、均偏離程度。取值大于或等于零，模擬無誤差時(shí)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(cè)值在其均值附近的偏離之間的相關(guān)性。PA∈［－1，1］，當(dāng)PA=1表明模擬值與觀測(cè)值分別對(duì)自身的均值和標(biāo)準(zhǔn)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(shí)測(cè)值^ym為模擬平均值ym為實(shí)測(cè)平均值σ^y為模擬值標(biāo)準(zhǔn)差σy為實(shí)測(cè)值標(biāo)準(zhǔn)差i為樣本序號(hào)。2結(jié)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(dòng)態(tài)模型的8個(gè)輸入因子逐一進(jìn)行缺省，建立7因子土壤水分動(dòng)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(xùn)練樣本、檢驗(yàn)樣本分別等同于8因子模型，同時(shí)采用相同的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。通過缺省因子檢驗(yàn)法對(duì)不同7因子模型分析，從