以土壤pH為研究對象,利用一般反向傳播（Back propagation,BP）神經網(wǎng)絡模型、帶回溯的彈性反向傳播（Resilient back propagation with backtracking, RPROP-WB）神經網(wǎng)絡模型、不帶回溯的彈性反向傳播（Resilient back propagation without backtracking, RPROP-OB）和最小絕對梯度反向傳播（Smallest absolute gradient resilient back propagation, SAG-RPROP）神經網(wǎng)絡模型進行安徽省土壤pH的預測及制圖,選用均方根誤差（RMSE）、絕對平均誤差（MAE）及決定系數(shù)（R²）為評價標準,比較3種改進的神經網(wǎng)絡模型與一般BP神經網(wǎng)絡模型對于土壤pH的預測能力。結果表明:研究區(qū)域內,4種神經網(wǎng)絡模型的擬合能力高低依次為:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2種模型與BP神經網(wǎng)絡模型的預測精度一致,4種模型中預... 

【文章來源】：江蘇農業(yè)學報. 2019,35(05)北大核心CSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
1 材料與方法
    1.1 區(qū)域概況
    1.2 數(shù)據(jù)來源
        1.2.1 土壤數(shù)據(jù)
        1.2.2 地形數(shù)據(jù)
        1.2.3 歸一化植被指數(shù)(NDVI)和增強植被指數(shù)(EVI)
        1.2.4 氣候數(shù)據(jù)
    1.3 研究方法
    1.4 模型構建與評價
2 結果與分析
    2.1 安徽省土壤pH統(tǒng)計特征
    2.2 不同模型精度分析
    2.3 安徽省土壤pH空間分布制圖
3 結 論


【參考文獻】：
期刊論文
[1]應用集成BP神經網(wǎng)絡模型預測土壤有機質空間分布[J]. 江葉楓,郭熙,葉英聰,孫凱,饒磊.  江蘇農業(yè)學報. 2017(05)
[2]土壤酸堿度與榨菜根腫病的關系分析[J]. 蔣歡,彭玉梅,董代文,閆玉芳,吳朝軍,王旭祎.  南方農業(yè)學報. 2017(09)
[3]基于GARBF神經網(wǎng)絡的土壤有效鋅空間插值方法研究[J]. 董敏,王昌全,李冰,唐敦義,楊娟,宋薇平.  土壤學報. 2010(01)
[4]基于RPROP神經網(wǎng)絡算法的旋轉機械故障診斷模型[J]. 楊克儉,梁佳成,王艷秋.  硅谷. 2008(23)
[5]基于近紅外光譜技術的土壤參數(shù)BP神經網(wǎng)絡預測[J]. 鄭立華,李民贊,潘孌,孫建英,唐寧.  光譜學與光譜分析. 2008(05)



本文編號：3378983