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。