典型文献
基于平均影响值算法和BP神经网络的根区土壤湿度估算
文献摘要：
为了探讨基于地表特征信息应用人工神经网络计算根区土壤湿度(root zone soil moisture,RZSM)的可行性,利用中国境内4个典型区域的农田生态系统野外台站的地表和根区土壤水分实测数据,结合6种气象数据和2种植被指数数据构建了不同深度根区土壤湿度的反向传播(back propagation,BP)神经网络计算模型,采用决定系数R2、均方根误差(root mean squared error,RMSE)和平均绝对误差(mean absolute error,MAE)3个指标来评估4个站点不同土层深度的模型性能,并使用平均影响值(mean impact value,MIV)算法得到9个地表特征变量的重要性.结果表明:在20～90 cm和20～100 cm深度,模型的平均R2值分别为0.79、0.69、0.66、0.56、0.51和0.47;RMSE为1.91％、2.17％、2.51％、2.71％、2.82％和3.08％;MAE为1.44％、1.61％、1.75％、1.89％、2.04％和2.35％,表明BP神经网络模型能够较好地拟合不同气候和土壤类型区域站点的根区土壤湿度,但模型性能和对土壤湿度的估算精度随土壤深度的增加而降低.地表特征信息的重要性计算结果表明,表层土壤湿度是根区土壤湿度计算模型中最为重要的特征,多个地面特征之间的相互作用为辅助条件,且不同特征在不同气候区和土壤类型区对RZSM的影响情况也不一致.
文献关键词：
土壤湿度;时序变化;BP神经网络;平均影响值(MIV)算法
中图分类号：
作者姓名：
袁玲;方秀琴;郭晓萌;杨露露;张晓祥;任立良
作者机构：
河海大学水文与水资源学院, 南京210098;河海大学海岸灾害及防护教育部重点实验室, 南京210024
文献出处：
引用格式：
[1]袁玲;方秀琴;郭晓萌;杨露露;张晓祥;任立良-.基于平均影响值算法和BP神经网络的根区土壤湿度估算)[J].科学技术与工程,2022(17):6911-6919
A类：
平均影响值算法,RZSM
B类：
根区土壤,土壤湿度,特征信息,信息应用,人工神经网络,root,zone,soil,moisture,国境,典型区域,农田生态系统,野外台站,土壤水分,气象数据,植被指数,数数,不同深度,反向传播,back,propagation,决定系数,mean,squared,error,RMSE,平均绝对误差,absolute,MAE,不同土层,土层深度,模型性能,impact,value,MIV,特征变量,土壤类型,类型区,区域站,估算精度,土壤深度,表层土壤,湿度计,不同气候区,影响情况,时序变化
AB值：
0.333091
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
