陇中黄土丘陵沟壑区人工草地土壤水蚀预测模型

发布时间：2021-10-30 10:23

　　针对陇中黄土丘陵沟壑区土壤水蚀过程复杂且难以有效预测的问题,以定西市安家沟水土保持试验站2005—2016年1～12月人工草地径流场试验数据为主要来源,将流域月降雨量、月侵蚀性降雨量、月径流量、月降雨强度、径流场面积、径流场坡度、土壤砂粒含量、土壤粘粒含量8个因子作为输入因子,月土壤水蚀量作为输出,运用偏最小二乘法（Partial Least-Squares Regression,PLSR）和长短期记忆（Long Short-Term Memory,LSTM）循环神经网络建立人工草地土壤水蚀预测模型,并利用BP（Back Propagation）、RNN（Recurrent Neural Network）、LSTM常见神经网络模型,对模型的有效性进行评估。结果表明:PLSR将模型8个输入因子减少为4个,从而有效解决LSTM神经网络模型对样本数量要求过高的问题; PLSR和LSTM神经网络模型的结合可以有效提高模型对人工草地土壤水蚀过程的预测精度和收敛速度,预测结果的平均相对误差小于4%,相关系数高于其他3种神经网络模型,而迭代次数、均方根误差和平均绝对误差均低于其他3种模型;研究发现坡... 

【文章来源】：干旱区地理. 2020,43(02)北大核心CSCD

【文章页数】：8 页

【部分图文】：

LSTM神经网络模型细胞单元结构图

首先根据PLSR交叉有效性原则从输入的t个自变量x1,x2,…,xt中提取m个主成分t1,t2,…,tm,经“归一化”处理后输入到LSTM神经网络模型的隐藏层,当数据t1,t2,…,tm输入结束后,LSTM神经网络模型的细胞单元对输入数据进行计算,并将隐藏层最终状态hm传输到输出层,经“去归一”化处理后得到最终的预测结果y,如图2所示。2 结果与分析

本研究以月水蚀性降雨量x1、月降雨强度x2、月径流量x3、径流场坡度x4为自变量,月水蚀量y为因变量,建立基于 PLSR-LSTM神经网络的人工草地土壤水蚀预测模型。2.2 PLSR-LSTM神经网络模型的训练及参数调整

【参考文献】：
期刊论文
[1]LSTM的单变量短期家庭电力需求预测[J]. 王旭东,严珂,陆慧娟,叶敏超.  中国计量大学学报. 2018(02)
[2]基于BP神经网络的三峡库区土壤侵蚀强度模拟[J]. 刘婷,邵景安.  自然资源学报. 2018(04)
[3]基于中国土壤流失方程模型的区域土壤侵蚀定量评价[J]. 王略,屈创,赵国栋.  水土保持通报. 2018(01)
[4]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[5]基于ABC-BP的土壤侵蚀量预报模型研究[J]. 王权威,唐莉.  水力发电. 2017(09)
[6]基于RNN的空气污染时空预报模型研究[J]. 范竣翔,李琦,朱亚杰,侯俊雄,冯逍.  测绘科学. 2017(07)
[7]基于PCA和BP神经网络的径流预测[J]. 聂敏,刘志辉,刘洋,姚俊强.  中国沙漠. 2016(04)
[8]TRMM数据在中国降雨侵蚀力计算中的应用[J]. 王凯,陈璐,马金辉,刘飞.  干旱区地理. 2015(05)
[9]基于CCA的坡面尺度生物结皮空间分布[J]. 张朋,卜崇峰,杨永胜,叶菁,张晓萍,石志华.  生态学报. 2015(16)
[10]坡度对黔西北地区坡面产流产沙的影响[J]. 张兴奇,顾礼彬,张科利,杨光檄,顾再柯.  水土保持学报. 2015(04)



本文编号：3466561