论文部分内容阅读
本论文依托山西省世界银行贷款节水灌溉二期项目,基本涵盖黄土高原区山西省6个县(市、区)16个试验点土壤实测的165组理化参数和水分特征曲线测定试验,创建了土壤理化参数与水分特征曲线Van Genuchten模型参数样本库。建立了以黄土基本理化参数(黏粒含量、粉粒含量、干容重、有机质含量、全盐量)为预测模型的输入变量,以Van Genuechten模型参数α和参数n作为预测模型的输出变量的多元非线性、灰色-BP人工神经网络、网格搜素与交叉验证-支持向量机三种预测模型的回归模型,并对预测模型的建模样本和实测验证样本进行了误差分析。得到的主要结果和结论如下:(1)以黄土基本理化参数(黏粒含量、粉粒含量、干容重、有机质含量、全盐量)为输入变量,建立Van Genuchten参数的预测模型,即土壤传输函数的思路是可行的。(2)基于黄土质地(黏粒含量、粉粒含量)、干容重、有机质含量以及全盐量所构建的Van Genuechten模型参数α与参数n的多元非线性、灰色-BP人工神经网络以及网格搜索与交叉验证-支持向量机三种预测模型都是可行的,预测精度相对误差在0.89%~10.01%,都在可接受范围。(3)灰色-BP人工神经网络、网格搜索与交叉验证-支持向量机、多元非线性预测模型都可应用于黄土水分特征曲线模型参数的预报。从Van Genuechten模型参数α和参数n所建的多种类型模型的精确度来看,灰色-BP人工神经网络的相对误差的平均值最低,且低于5%;网格搜索与交叉验证-支持向量机的相对误差的平均值低于6%;多元非线性预测模型的相对误差的平均值低于10%。15组检验样本中,灰色-BP人工神经网络的相对误差的平均值低于3%,网格搜索与交叉验证-支持向量机的相对误差的平均值低于5%,多元非线性的相对误差的平均值低于6%。由此说明构建的三种预测模型精确度高,可用于黄土水分特征曲线模型参数的预报。(4)灰色-BP人工神经网络预测模型的精确度最高且预测效果最好。根据预测模型得到参数的预测值,将预测值带回到土壤水分特征曲线Van Genuechten模型经验公式中,然后将得到的预测值的体积含水率与实测值的体积含水率进行相对误差的计算以此判定模型的综合精确度。多元非线性的综合相对误差为2.384%,灰色-BP人工神经网络的综合相对误差为0.514%,网格搜索与交叉验证-支持向量机的综合相对误差为1.207%,结果表明灰色-BP人工神经网络预测模型的精确度最高且预测效果最好。综上所述,经过多种类型土壤水分特征曲线Van Genuechten模型参数预测模型进行的比较与分析,可知灰色-BP人工神经网络预测模型的精确度最高,预测效果相对最好。但是,灰色-BP人工神经网络预测模型较为复杂,相对而言应用不便,也可选用形式简单便于理解和掌握的多元非线性预测模型。因此,本论文所建黄土基本理化参数的黄土水分特征曲线的预测模型,可为不同层次的科技人员和管理者提供获取黄土水分特征曲线模型的方法,也推动和丰富了土壤参数传输函数理论的发展。与此同时,本论文在输入参数的选取方面仍然存在不足之处,在以后的研究中要进一步的完善。此外,对于模型相关指导理论也要进一步研究与深化,以便取得更加稳定和优异的预测效果。