沉积物粒度组分空间预测的神经网络残余kriging方法

发布时间：2021-11-27 17:51

　　针对近海表层沉积物粒度组分空间变异的尺度差异性,提出了基于广义回归神经网络残余kriging的沉积物粒度组分空间预测方法,并以海州湾沉积物粒度数据为基础,分析了其在沉积物粒度组分空间预测和底质类型制图中的应用效果。结果表明,广义回归神经网络残余kriging方法能够获得比普通kriging方法更高的沉积物粒度组分空间预测精度,并且其底质类型的总体空间预测精度达到85%以上,相应的Kappa系数也在0.8以上,显示底质制图的预测类型与样本的实测类型具有较高的一致性。新方法对于开展定量化的沉积物粒度组分空间预测和底质类型制图具有参考价值。 

【文章来源】：海洋通报. 2020,39(03)北大核心CSCD

【文章页数】：9 页

【部分图文】：

沉积物采样站位及其底质类型（Folk）分布图

以研究区域30 m格网中心点的坐标和水深数据作为网络输入变量，以沉积物粒度组分对数比转换后的数据作为网络的输出变量，来构建GRNN空间预测模型。模型运行前，用插值数据集作为训练样本对网络进行训练。通常情况下，当训练样本确定后，GRNN训练的本质就是对模式层高斯函数的平滑参数σ的选优过程（张仲荣，2017;Donald et al,1991）。本文采用交叉验证法，以均方根误差（RMSE）最小为目标来确定最优平滑参数σ。图2是平滑因子σ相对于训练样本均方根误差的曲线图。从图2可以看出，当σ分别为6 540 m和6 360 m时，变量ln(xclay/xsand）和ln(xsilt/xsand）分别取得最小的RMSE值，因此利用GRNN对ln(xclay/xsand）、ln(xsilt/xsand）空间分布的全局趋势进行预测时，其最优的平滑参数应分别为6 540 m和6 360 m。基于给定的最优平滑参数可获得ln(xclay/xsand）和ln(xsilt/xsand）的最优GRNN预测结果分布图（图3a,b），该图表现出明显的由西南向东北的渐变性，与实际调查情况相符，说明GRNN模型在捕捉粒度组分转换变量的空间分布趋势方面是有效的。图3 基于GRNNRK的沉积物粒度组分变量ln(xclay/xsand）和ln(xsilt/xsand）的空间分布趋势（a,b）、残差（c,d）及其加和分布图（e,f)

图2 平滑因子σ相对于训练样本均方根误差的曲线图将插值数据集各样点的ln(xclay/xsand）和ln(xsilt/xsand）值分别减去其各自的GRNN预测结果（即趋势值），可得到各个样点ln(xclay/xsand）和ln(xsilt/xsand）的残差值。样品残差值的空间变异性可用半方差函数来刻画。图4a,b是去趋势后的样品残差半方差散点图及其拟合理论模型。从图4a,b可以看出，变量ln(xclay/xsand）和ln(xsilt/xsand）残差的半方差均可用球状模型来拟合，模型的变程都在5 km左右，并且其块金值与基台值的比值分别为0.05和0.03，均小于0.25，说明粒度组分转换变量残差的空间变异性在5 km尺度范围内表现出明显的结构性和强烈自相关性。图4c,d是基于插值数据集ln(xclay/xsand）和ln(xsilt/xsand）的半方差函数图，它反映了ln(xclay/xsand）和ln(xsilt/xsand）在未去除趋势情况下的空间变异特征，其变程值为16 km，几乎是其相应残差变程值的3倍，显示其在更大的空间范围内存在自相关性。

【参考文献】：
期刊论文
[1]基于对数比转换方法的沉积物粒级组分空间预测与底质类型制图[J]. 刘付程,彭俊.  海洋科学. 2015(06)
[2]辽东湾表层沉积物粒度分布特征及其地质意义[J]. 徐东浩,李军,赵京涛,胡邦琦,白凤龙,窦衍光.  海洋地质与第四纪地质. 2012(05)
[3]海州湾表层沉积物粒度的空间变异特征[J]. 刘付程,张存勇,彭俊.  海洋科学. 2010(07)
[4]基于栅格叠合的沉积物底质图生成方法[J]. 杨康,张永战.  第四纪研究. 2007(05)

博士论文
[1]基于混合模型的地下水埋深时空预测方法研究[D]. 张仲荣.兰州交通大学 2017



本文编号：3522774