基于BP人工神经网络的膜下滴灌作物水分响应及农田墒情预报模型研究

来源 :新疆农业大学 | 被引量 : 0次 | 上传用户:vertra
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
人工智能(Artificial Intelligence)是人类发展到计算机时代的又一个梦想,为知识学习和获取自动化、知识表达方式普适性、搜索求解高效率和全局化、智能体活化于环境等多个方面系统提供了可能。为满足土壤-作物-大气系统(SPAC)深入研究及复杂系统建模优化的需要,本文针对SPAC系统特有的复杂性,以人工智能技术中重要分支人工神经网络(Artificial Neural Network简写ANN)为建模、系统优化工具,SPAC为研究对象,充分利用人工智能技术的自适应能力、非线性、全局优化等特点,将其运用于该领域多个问题的解决中。就人工神经网络在膜下滴灌条件下的作物水分响应(Crop Response to Water简写CRW)和土壤墒情预报中的运用进行了探索性的研究,为SPAC复杂系统多参非线性问题的求解开辟了新路。论文取得了以下研究成果:(1)由于现有作物水分响应模型的数学结构和敏感指标的表达对某些作物品种、受旱形式及生长环境等存在着不适性,传统建模方法仍有诸多不便之处。本文依据人工神经网络的基本原理在充分吸收其最新理论研究成果的基础上,以膜下滴灌试验得到的实测棉花产量和各生育阶段水分资料为样本建立了基于BP神经网络的棉花作物水分响应模型。在不同供水量下对棉花产量的模拟预测表明,该模型能够正确反映棉花产量与水分关系的一般规律。BP神经网络在作物水分响应模型的建模和产量模拟预测中是值得借鉴的理论和有效工具。本文开拓了膜下滴灌条件下棉花水分响应模型建模理论的新思路。(2)建立了两种三层结构的BP人工神经网络模型预报土壤墒情。预报土层0-60cm土壤平均含水量的BP(6,8,1)模型的最大相对误差为10%,平均相对误差为2.0%,最大绝对误差为5.0%,平均绝对误差为1.0%;预报土层20-40cm土壤平均含水量的BP(5,8,1)模型的最大相对误差为15.0%,平均相对误差为1.0%,最大绝对误差为11%,平均绝对误差1.0%。建立的两种模型均能满足实际生产要求。
其他文献
本文通过2005-2006年在山东省惠民县进行的冬小麦田间试验,利用高精度IKONOS卫星获取了冬小麦拔节期的冠层卫星图像,结合基于土壤植株测试的冬小麦氮营养诊断和氮肥推荐技术,对
在我国南方热带、亚热带地区分布有大量的可变电荷土壤,可变电荷土壤的一个重要特点是既可以吸附阳离子也可以吸附阴离子,而且对某些离子具有一定程度的专性吸附。离子的专性吸
我国是传统的农业大国,并且拥有世界上最多的人口,耕地质量的高低对我国农业的生产和发展起着决定性作用,绝大多数的农业生产活动都是在土地上进行的,因此必须掌握现有耕地质量、
土壤重金属污染危害大、造成的后果严重,不仅会造成环境污染问题,还会进一步造成粮食安全问题,从而危害人类身体健康。本试验采用田间小区的方式,利用光谱、叶绿素荧光、光合技术
无损检测技术是近年来发展起来的一种高新技术,是二十一世纪备受瞩目的尖端技术,目前在工业、农业及医药行业中得到了广泛的应用。近红外技术是其中的一种重要技术,因近红外光谱