论文部分内容阅读
土壤适宜性评价的目的在于揭示土壤对不同农业用途的适宜性与限制性,为确定最适宜的用地方式提供依据。土壤的适耕性及其对作物的宜种性,是移民安置区土地整治开发与移民安置的基本条件之一,关系到安置区种植业发展方向、种植业模式、农业生产的发展水平、移民安置的数量和方式等重大问题。深入调查了解安置区内土壤的类型、性状并对其适宜性进行评价,可为移民安置区的土地利用提供科学依据。目前土壤适宜性评价实际工作所采用的传统评价方法存在一定的局限性和不合理性。因此,本文尝试将人工神经网络方法引入土壤适宜性评价,采用BP算法建立土壤适宜性评价模型并用于实际的移民安置区土壤适宜性评价,从而为土壤适宜性评价提供一种客观、准确的评价方法。本文在参阅前人研究成果的基础上,对土壤适宜性评价BP人工神经网络模型进行了三方面的改进,其一是选择改进的L-M(Levenberg-Marquardt)学习规则作为BP神经网络训练函数,迭代循环较少次后训练误差收敛到最小,提高了网络训练速度;其二是对网络模型的专家样本(训练样本)进行了扩充,即在以国家制定的土壤质量标准所构成的训练样本的基础上,在每级临界值之间随机生成15组训练样本,从而提高了模型的鲁棒性和识别的准确性;其三是采用基于黄金分割理论的优化算法对BP网络模型隐含层节点数进行了选优,快速确定了最优隐层节点数,从而提高了网络模型的性能。本文最终确定改进后的BP网络模型结构为9-7-1,训练均方误差为0.00033。将该模型运用于溪洛渡水电站移民安置区土壤适宜性评价,并与经验指数和法、偏最小二乘回归法的评价结果进行对比,结果表明:经验指数和法受人为主观因素影响较大,评价结果与另外两种方法的评价结果显著不同;BP神经网络的模型误差及评价误差均小于偏最小二乘回归法,即基于BP神经网络模型的土壤适宜性评价具有更高的精度。研究表明,本文建立的基于BP人工神经网络的土壤适宜性评价模型为土壤评价工作提供了一种简单、客观、实用的评价方法。