论文部分内容阅读
为了解决土壤水分特征曲线获取困难这一问题,简化对曲线的获取方式,本文基于土壤水分特征曲线与Gardner模型,研究对象为山西农耕田的黄土,进行了土壤水分特征曲线的相关测定与拟合,测定了相关土壤基本理化参数与模型的参数并获取了它们之间的对应关系,以土壤传输函数理论为依托试图建立土壤水分特征曲线Gardner模型参数的非线性多元分析预测模型、BP神经预测模型、网格搜索与交叉验证—支持向量机预测模型。主要结论如下:(1)通过机理分析与关联度分析最终得到关于Gardner模型参数主要的影响因素为:土壤质地、土壤干密度、土壤有机化合物、土壤全盐量。它们之间的关联度顺序为土壤粉粒>土壤干密度>土壤全盐量>土壤有机化合物>土壤粘粒。通过单因素分析得到各影响因子与Gardner模型参数的函数关系为:土壤质地与Gardner模型参数成对数关系;土壤干密度与Gardner模型参数呈线性关系;土壤有机化合物含量与Gardner模型参数程对数关系;土壤全盐量与Gardner模型参数呈指数函数关系。(2)建立于Gardner模型参数a与b的非线性多元分析模型的建模样本的平均相对误差分别为10.1%与11.8%,在12%以内,检验样本的平均相对误差分别为9.5%与7.7%,在10%以内;BP网络模型建模样本的平均相对误差分别为9.5%与0.6%,在10%以内,检验样本的平均相对误差分别为5.1%与0.13%,在6%以内;支持向量机模型的建模样本的平均相对误差分别为5.7%与4.9%,在6%以内,检验样本的平均相对误差分别为4.0%与4.77%,在5%以内。(3)对以上三种模型的精度分析分析可知,用三种模型预测预报土壤水分特征曲线Gardner模型参数a与b都是可行的。通过对三种模型多方面进行分析,最终推荐支持向量机预测模型为最适合黄土地区的土壤水分特征曲线Gardner模型参数的预测模型。本文基于土壤传输函数理论建立了三种关于Gardner模型参数的预测模型,不仅为实际的农田工作人员提供了简便的土壤水分特征曲线获取方法,而且扩充了土壤传输函数的相关理论。但是在研究中,对于影响因素的选取或许不够全面,因此在今后的工作学习中应该对该方面进行更为深入的研究与探索,扩充土壤类型与基本理化参数的数据,优化所完成的预测模型,同时创建更新的土壤传输函数预测模型,进一步的提高预测的精度。