留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

薛明 韦波 李娟 陈慈豪 黄敏慧 邹林芯

薛 明, 韦 波, 李 娟, 陈慈豪, 黄敏慧, 邹林芯. 基于改进BP神经网络与支持向量机的土壤墒情预测方法研究[J]. 土壤通报, 2021, 52(4): 793 − 800 doi: 10.19336/j.cnki.trtb.2020052501
引用本文: 薛 明, 韦 波, 李 娟, 陈慈豪, 黄敏慧, 邹林芯. 基于改进BP神经网络与支持向量机的土壤墒情预测方法研究[J]. 土壤通报, 2021, 52(4): 793 − 800 doi: 10.19336/j.cnki.trtb.2020052501
XUE Ming, WEI Bo, LI Juan, CHEN Ci-hao, HUANG Min-hui, ZOU Lin-xin. Forecast Method of Soil Moisture Based on Improved BP Neural Network and Support Vector Machine[J]. Chinese Journal of Soil Science, 2021, 52(4): 793 − 800 doi: 10.19336/j.cnki.trtb.2020052501
Citation: XUE Ming, WEI Bo, LI Juan, CHEN Ci-hao, HUANG Min-hui, ZOU Lin-xin. Forecast Method of Soil Moisture Based on Improved BP Neural Network and Support Vector Machine[J]. Chinese Journal of Soil Science, 2021, 52(4): 793 − 800 doi: 10.19336/j.cnki.trtb.2020052501

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

doi: 10.19336/j.cnki.trtb.2020052501
基金项目: 国家自然科学基金项目(41961063,41461085)、“广西八桂学者”专项经费(2019-79)、广西空间信息与测绘重点实验室基金项目(16-380-25-04)和桂林理工大学博士基金项目(1996015)资助
详细信息
    作者简介:

    薛明:薛 明(1995−),男,广西桂平人,硕士研究生,主要从事遥感与地理信息集成应用研究。E-mail: xueming@glut.edu.cn

    通讯作者:

    E-mail: superweibo@glut.edu.cn

  • 中图分类号: S152.7

Forecast Method of Soil Moisture Based on Improved BP Neural Network and Support Vector Machine

  • 摘要: 为提高土壤墒情预测精度,提出了一种基于遗传算法(GA)、改进粒子群算法(IPSO)、误差反向传播(BP)神经网络和支持向量机(SVM)的土壤墒情组合预测模型(GA_IPSO_BP-SVM)。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GA_IPSO_BP模型,然后对GA_IPSO_BP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GA_IPSO_BP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GA_IPSO_BP和SVM模型,验证和比较提出的GA_IPSO_BP-SVM模型的土壤墒情预测精度。结果表明,GA_IPSO_BP-SVM模型的土壤含水量预测相对误差平均值最小。GA_IPSO_BP与SVM模型组合的GA_IPSO_BP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。
  • 图  1  土壤墒情监测站分布图

    Figure  1.  Distribution of soil moisture monitoring stations

    图  2  GA_IPSO_BP-SVM组合模型结构

    Figure  2.  Structure of GA_IPSO_BP-SVM composite model

    图  3  BP神经网络结构

    Figure  3.  BP neural network structure

    图  4  隔日预测的预测值与实测值对比图

    Figure  4.  Contrast between the predicted and measured values for forecast after one day

    图  5  两日后预测的预测值与实测值对比图

    Figure  5.  Contrast between the predicted and measured values for forecast after two days

    图  6  三日后预测的预测值与实测值对比图

    Figure  6.  Contrast between the predicted and measured values for forecast after three days

    表  1  不同影响因素组合预测精度对比表

    Table  1.   Forecast accuracy comparison of different combined influencing factors

    影响因素
    Influencing factor
    相对误差平均值(%)
    Average value of relative error
    隔日
    After one day
    两日后
    After two days
    三日后
    After three days
    日平均气温 + 平均土壤湿度 + 降雨量 4.86 5.77 7.53
    日平均气温 + 平均土壤湿度 + 土壤含水量 4.55 5.60 6.82
    日平均气温 + 降雨量 + 土壤含水量 3.74 4.45 6.04
    平均土壤湿度 + 降雨量 + 土壤含水量 4.38 5.30 6.75
    日平均气温 + 平均土壤湿度 + 降雨量 + 土壤含水量 3.22 4.06 5.84
    下载: 导出CSV

    表  2  各模型预测精度对比表

    Table  2.   Forecast accuracy comparison of all used models

    预测模型
    Forecasting model
    相对误差平均值(%)
    Average value of relative error
    隔日
    After one day
    两日后
    After two days
    三日后
    After three days
    BP 5.74 6.18 8.25
    GA-BP 4.95 5.17 7.32
    PSO-BP 4.88 5.24 7.54
    IPSO-BP 4.17 4.91 6.89
    GA_IPSO_BP 3.63 4.58 6.37
    SVM 3.89 4.83 6.16
    GA_IPSO_BP-SVM 3.22 4.06 5.84
    下载: 导出CSV
  • [1] 邹文安, 马俊英, 孙晓梅. 基于Excel + VBA技术条件的土壤含水量预测模型[J]. 中国防汛抗旱, 2013, 23(2): 49 − 52. doi: 10.3969/j.issn.1673-9264.2013.02.020
    [2] 蓝 盈. 基于VI-LST特征空间反演土壤湿度的应用研究[D]. 南京: 南京信息工程大学, 2016.
    [3] 李新振. 土壤墒情预报预警系统的设计与实现[D]. 哈尔滨: 东北农业大学, 2017.
    [4] 尚松浩, 雷志栋, 杨诗秀. 冬小麦田间墒情预报的经验模型[J]. 农业工程学报, 2000, 16(5): 31 − 33. doi: 10.3321/j.issn:1002-6819.2000.05.008
    [5] 李 波, 王溥泽, 迟道才, 等. 彭曼模型在给定土壤含水率条件下预测玉米腾发量研究[J]. 沈阳农业大学学报, 2014, 45(6): 719 − 25. doi: 10.3969/j.issn.1000-1700.2014.06.014
    [6] 蒲胜海, 何新林, 何春燕, 等. 新疆棉花膜下滴灌基于消退指数的土壤水分预报方法研究[J]. 节水灌溉, 2008, (8): 5 − 7 + 11. doi: 10.3969/j.issn.1007-4929.2008.08.002
    [7] 董勤各, 许 迪, 章少辉, 等. 基于高精度数值解法的畦灌一维土壤水动力学模型[J]. 灌溉排水学报, 2013, 32(5): 1 − 6.
    [8] Ashis B, Amalendu G. Regression model for prediction of optimum moisture content and maximum dry unit weight of fine grained soil[J]. International Journal of Geotechnical Engineering, 2011, 5(3): 297 − 305. doi: 10.3328/IJGE.2011.05.03.297-305
    [9] Sanghyun K. Time series modeling of soil moisture dynamics on a steep mountainous hillside[J]. Journal of Hydrology, 2016, 536: 37 − 49. doi: 10.1016/j.jhydrol.2016.02.027
    [10] Huang P, Su R, Xu W, et al. Multi-source data-based method for retrieval of soil moisture in grassland[J]. The Journal of Engineering, 2019, 19: 5717 − 5721.
    [11] 李小刚, 王 静, 马友华, 等. 基于BP神经网络的土壤墒情预测精度研究−以肥东县为例[J]. 土壤通报, 2017, 48(2): 292 − 297.
    [12] 李 宁, 张 琪, 杨福兴, 等. 土壤墒情预测自适应遗传神经网络算法研究[J]. 计算机工程与应用, 2018, 54(1): 54 − 59. doi: 10.3778/j.issn.1002-8331.1608-0261
    [13] 冀荣华, 张舒蕾, 郑立华, 等. 基于多值神经元复数神经网络的土壤墒情预测[J]. 农业工程学报, 2017, 33(S1): 126 − 131.
    [14] Zhang Z W, Liu X T. Prediction of long-term gas load based on particle swarm optimization and gray neural network model[J]. Advances in Mechanical Engineering, 2017, 9(7): 1 − 8.
    [15] Cheng Y F, Han J S, Liu B, et al. A prediction method for galloping of transmission lines based on improved neural network[J]. International Journal of Mechanical Engineering and Applications, 2018, 4(4): 126 − 133.
    [16] 任利强, 张立民, 王海鹏, 等. 基于IPSO-GPR的短期负荷区间预测[J]. 计算机工程与设计, 2019, 40(10): 3002 − 3008.
    [17] 谭 峰, 殷 鸣, 彭 骥, 等. 基于集成BP神经网络的数控机床主轴热误差建模[J]. 计算机集成制造系统, 2018, 24(6): 1383 − 1390.
  • 加载中
图(7) / 表(2)
计量
  • 文章访问数:  3326
  • HTML全文浏览量:  186
  • PDF下载量:  110
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-05-25
  • 修回日期:  2021-04-24
  • 刊出日期:  2021-08-06

目录

    /

    返回文章
    返回