未来智库 > 神经网络论文 > 基于神经网络土壤水分预测研究

基于神经网络土壤水分预测研究

发布时间:2018-05-09 11:24:00 文章来源:未来智库    
    【关键词】土壤水分;BP神经网络;预测
    Research of Soil moisture content Forecast Based on Neural Network
    【Abstract】Soil moisture prediction is an important indicator of weather is forecast runoff, irrigation and drainage and other issues important reference factor, has been the focus of the study the majority of meteorologists. In this paper, artificial neural network method and a soil moisture prediction model to predict soil moisture in field studies. Prediction results show that: Artificial neural network prediction model of soil water for soil moisture forecast to more accurate prediction of field soil water score, and has good prediction accuracy.
    【Key words】Soil in the field;BP neural network ;Forecast
    
    0.引言
    随着极端气候变化出现次数的日益频繁,天气预报变得异常复杂,尤其是土壤水分的预测越来越显得复杂和难以确定。常用的土壤水分预测模型很多[1],但是这些模型在实际应用中受制的因素很多,不能很好的满足气象预报工作。因此,建立一种参数便于获得、形式相对简单、且理论基础坚实,并且能够满足实际需要的土壤水分预测模型具有重要的理论意义和实用价值。人工神经网络因其固有的学习能力和适应能力,使神经网络在预测和预报、图像处理、模式识别、自动控制、组合优化问题、智能决策、经济和医疗等领域都有及其广泛的应用,解决了许多传统的数学方法难以解决的问题,在现实应用中发挥了及其重要的作用。近年来,神经网络开始在气象预测中得以应用,并取得一定的成果[2-6],本文以人工神经网络基本理论为基础,利用神经网络的智能算法构建BP神经网络,对土壤水分预测进行研究,建立土壤水分预测模型。
    1.BP神经网络的基本原理
    BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的联接强度取值ωij和隐层节点与输出节点之间的联接强度υjt以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。由于三层BP神经网络可以满足大多数建模要求,所以在此以三层神经网络介绍其模型的实现。
    2.基于BP算法模型实现过程
    2.1对数据进行归一化处理。
    2.2初始化网络,再按照下列公式计算[8-9]:
    式中:I,O分别为隐含层的输入值及输出值;S为输出层的输入值;y为网络输出结果;t为训练集中目标值的实测值;p,q分别为输入层及隐含层节点数;n为样本数量;w1,w2分别为隐含层与输入层以及输出层与隐含层神经元的连接权;b1,b2分别为隐含层和输出层神经元的阈值;E为误差平方和;f1,f2分别为隐层及输出层传递函数。
    3.BP神经网络预测模型设计实现
    由BP神经网络算法原理可知,BP神经网络:首先,根据提供的样本资料,通过调整各层之间的权值,使之达到预定的拟合精度要求;其次,通过输入层的输入,依据学习训练阶段得到的权值,给出的输出量即为预报值。其设计具体步骤有。
    3.1输入因子选取
    选取地表下10cm、20cm 、30cm、40cm和50cm五个层面的土壤水分值和对土壤水分变化影响显著的气温、空气湿度和降雨量作为输入因子,共8个变量作为网络预测模型的输入因子。
    3.2输出因子选取
    由于农田的耕作层通常为地表下20-50cm,所以选取30cm这一中间层的土壤水分为输出因子,进行土壤水分预测研究。
    3.3训练样本选取
    4月和5月两个月是春播的关键时期,也是本文要研究的重点预测时期。因此,选取2000-2009年实际测量的土壤水分值和气象信息为样本数据,以确保样本的数据量充足,并具有代表性,以求涵盖各种情形。
    3.4网络结构的确定
    由于三层神经网络能够逼近任意函数,所以我们选用单隐层的BP网络结构[15]。根据以上分析,网络输入因子为8个,输出因子为1个,根据隐层节点的求解公式[16]和实际验证得出最优的隐层节点数为17个。因此,网络的拓扑结构为:10-22-1。
    3.5预测实现
    设定神经网络参数,将输入、输出数据输入网络,对网络进行训练。当训练结果符合设定标准时,训练结束,将此时的神经网络的结构和参数保存起来。用训练好的神经网络对2010年4月和5月的土壤水分进行预测,结果反归一化处理,得预测值与实测值如表1所示。
    表1模型预测值与实测值分析
    Table 1 Analysis of forecasted results
    BP神经网络预测的平均绝对误差为1.02%,预测结果表明:基于BP神经网络建立的模型有较好的预测精度,符合建模要求,适用于土壤水分的预测。
    4.结论
    研究结果表明,采用BP神经网络建模技术,对土壤水分变化情况进行预测研究是有效可行的。并且预测结果和实际测量的结果比较接近,能满足春播关键时期,气象部门对农业生产的指导作用。■
    
    【参考文献】
    [1]王振龙,高建峰. 实用土壤墒情监测预报技术[M]. 中国水利水电出版社,2006,11:80-84.
    [2]赵冬玉,夏光滨. 基于人工神经网络在天气预报系统中的应用[J]. 计算机与信息技术,2008,12:25-27.
    [3]冯利华. 神经网络在天气预报中的应用[J]. 信息与控制,2001,4:365-367.
    [4]普布贵吉,周明君. 神经网络方法在高原天气预报中的应用[J]. 西藏科技,2007,9:75-77.
    [5]苗春生,段婧. 人工神经网络方法在短期天气预报中的应用[J]. 江南大学学报(自然科学版),2007,6:648-653.
    [6]刘德,李晶. BP神经网络在长期天气过程预报中的应用试验[J]. 气象科技,2006,3:250-253.

转载请注明来源。原文地址:https://www.7428.cn/vipzj17192/
 与本篇相关的热门内容: