基于神经网络的冬小麦生育期日土壤水分预测模型研究

发布时间：2021-05-12 07:34

　　准确掌握土壤水分动态变化,对精准制定灌溉计划至关重要。采用五道沟实验站2018-2019年蒸渗仪日土壤水和同期7个气象要素（气温、降雨、水面蒸发、日照时数、风速、绝对湿度、地温）资料,采用BP神经网络方法建立冬小麦生育期不同土层（10、30、50 cm）的土壤水分预测模型,模型分别为BP（7-9-1）、BP（7-12-1）和BP（7-14-1）,并用遗传算法优化上述BP神经网络模型。结果表明:两种模型均可用于冬小麦生育期土壤水分预测,其中遗传算法优化BP神经网络能够更好提高预测精度,且随着土层厚度增加,预测精度提高。BP神经网络土壤水分预测10、30、50 cm土层平均相对误差分别为6.2%、4.0%、2.9%;遗传BP神经网络土壤水分预测10、30、50 cm土层平均相对误差为3.8%、1.7%、1.3%。 

【文章来源】：节水灌溉. 2020,(11)北大核心

【文章页数】：4 页

【文章目录】：
0 引 言
1 实验研究概况
    1.1 实验站概况
    1.2 资料选取与研究方法
2 结果与分析
    2.1 冬小麦生育期实测土壤水分变化特征分析
    2.2 BP神经网络模型的建立
        2.2.1 输入层输出层的确定
        2.2.2 隐含层节点数的确定
        2.2.3 BP神经网络的创建和训练参数的确定
        2.2.4 BP神经网络模型确定和检验
    2.3 遗传算法优化神经网络模型
3 结 论


【参考文献】：
期刊论文
[1]随州土壤水分周年变化特征及对农业的影响[J]. 周泽民,郝元甲.  湖北农业科学. 2019(15)
[2]基于支持向量机方法的土壤水分特征曲线预测模型[J]. 李彬楠,樊贵盛.  节水灌溉. 2019(01)
[3]基于PCA-SVR的冬小麦土壤水分预测[J]. 聂红梅,杨联安,李新尧,封涌涛,任丽,张彬.  土壤. 2018(04)
[4]基于ARIMA模型的贵州省黄壤墒情预测研究[J]. 李军,张和喜,蒋毛席,方小宇.  人民黄河. 2010(08)
[5]基于秋季降水量的春播关键期土壤墒情预测[J]. 马晓刚.  中国农业气象. 2008(01)
[6]ARIMA模型预测土壤墒情研究[J]. 杨绍辉,王一鸣,郭正琴,董亚峰.  干旱地区农业研究. 2006(02)
[7]土壤水分预测神经网络模型和时间序列模型比较研究[J]. 刘洪斌,武伟,魏朝富,谢德体.  农业工程学报. 2003(04)

硕士论文
[1]滴灌棉田土壤墒情预测研究[D]. 何帅.石河子大学 2015



本文编号：3183017