基于神经网络模型的安徽省土壤pH预测

发布时间：2021-09-02 12:08

　　以土壤pH为研究对象,利用一般反向传播（Back propagation,BP）神经网络模型、带回溯的弹性反向传播（Resilient back propagation with backtracking, RPROP-WB）神经网络模型、不带回溯的弹性反向传播（Resilient back propagation without backtracking, RPROP-OB）和最小绝对梯度反向传播（Smallest absolute gradient resilient back propagation, SAG-RPROP）神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差（RMSE）、绝对平均误差（MAE）及决定系数（R²）为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预... 

【文章来源】：江苏农业学报. 2019,35(05)北大核心CSCD

【文章页数】：5 页

【文章目录】：
1 材料与方法
    1.1 区域概况
    1.2 数据来源
        1.2.1 土壤数据
        1.2.2 地形数据
        1.2.3 归一化植被指数(NDVI)和增强植被指数(EVI)
        1.2.4 气候数据
    1.3 研究方法
    1.4 模型构建与评价
2 结果与分析
    2.1 安徽省土壤pH统计特征
    2.2 不同模型精度分析
    2.3 安徽省土壤pH空间分布制图
3 结 论


【参考文献】：
期刊论文
[1]应用集成BP神经网络模型预测土壤有机质空间分布[J]. 江叶枫,郭熙,叶英聪,孙凯,饶磊.  江苏农业学报. 2017(05)
[2]土壤酸碱度与榨菜根肿病的关系分析[J]. 蒋欢,彭玉梅,董代文,闫玉芳,吴朝军,王旭祎.  南方农业学报. 2017(09)
[3]基于GARBF神经网络的土壤有效锌空间插值方法研究[J]. 董敏,王昌全,李冰,唐敦义,杨娟,宋薇平.  土壤学报. 2010(01)
[4]基于RPROP神经网络算法的旋转机械故障诊断模型[J]. 杨克俭,梁佳成,王艳秋.  硅谷. 2008(23)
[5]基于近红外光谱技术的土壤参数BP神经网络预测[J]. 郑立华,李民赞,潘娈,孙建英,唐宁.  光谱学与光谱分析. 2008(05)



本文编号：3378983