论文部分内容阅读
土壤侵蚀已成为我国面临的最严峻的生态环境问题之一,开展土壤侵蚀预测是有效进行水土流失监测、水土保持措施效果评估的重要基础工作；土壤侵蚀预测模型正是实施这一工作的有效手段。当前有关土壤侵蚀预测模型已有多种,如经验、物理、分布式和概念等模型,但这些模型都需要大量的长系列历史数据,而我国水土保持试验观测存在起步晚等现实条件,观测数据有限。因此,寻找在较短系列数据基础上准确预测其土壤侵蚀的模型,成为当前研究的热点和难点。本研究利用地处川中丘陵区的遂宁水土保持试验站6个径流小区1991～2000年的观测数据,采用基于Matlab的BP神经网络和支持向量机(SVM)两种人工智能技术,对该区分别进行了5因子、9因子、10因子及特定耕作方法下的坡面土壤侵蚀建模及预测,探讨了川中丘陵区土壤侵蚀的BP神经网络和SVM建模预测的方法、推广潜力及模型优化的途径。研究中对试验区的顺坡垄作、横坡垄作等11种耕作方法的P值进行了定量化,并将其作为输入因子之一用于BP神经网络和SVM预测建模,取得很好的效果。其主要结果如下：1、针对研究区,降雨量、降雨历时与土壤侵蚀存在极显著相关关系,植被覆盖率与土壤侵蚀存在显著相关关系,而雨强等因素与土壤侵蚀的相关关系不显著。通过对水土保持措施因子(P)值的计算,本研究确定出不同耕作方法间的保土效果排序为：横坡垄作(加档且中部开沟)>横坡垄作(加档)>等高带状沟垄>(深翻平整后)闲置>横坡垄作(未加档)>斜坡20°垄作>斜坡25°垄作>顺坡垄作>闲置>斜坡30°垄作>顺坡垄作(中间开沟)；而同种耕作方法的P值在坡度不同时有所不同,坡度15°时的P值为坡度10°时的1.46～2.03倍。2、对样本进行归一及反归一化时,归一化范围为[0.05,0.95]时预测效果达到最佳。对于单隐含层的BP网络,目前尚未有确定的公式可以计算隐含层的神经元数量,但本研究发现,在6N(N为输入输出因子数之和)范围内存在较佳甚至最佳的隐含层神经元数。建模时,训练样本数及输入因子对输出因子的决定系数的大小对建模效果有较大影响,训练样本数越多、输入因子决定系数越大,建模效果越好。SVM对训练样本数及输入因子决定系数的大小较BP神经网络更敏感,同等条件下的建模预测,SVM在建模效果上均比BP神经网络要好,特别是当训练样本数较多、输入因子对输出因子决定系数较高时,SVM模型在拟合及预测效果上均明显优于BP神经网络。3、在川中丘陵区,前期降雨因子、水土保持措施因子(P)对土壤侵蚀有较大影响,在进行建模时应对前期降雨因子、P值加以量化并作为输入因子方可得到较好的建模效果。而对某一种耕作方法单独建模,采用地形、降雨、前期降雨及植被覆盖率等因子为输入因子建模时,可达到较好预测效果。4、对于川中丘陵区的坡面土壤侵蚀预测,只要训练样本足够并选择适当的输入因子,采用BP神经网络、SVM等人工智能技术建模预测,均可获得较为满意的结果。