论文部分内容阅读
受自然和人为因素的影响，土壤特性在空间分布上呈现非均一性，即土壤特性的空间变异性。人类社会活动对土壤空间变异的影响日渐突出。因此，快速准确地掌握土壤信息的空间演变趋势就必须借助于适用的数学方法。空间插值方法即是研究土壤空间变异的基本手段。改进空间插值方法，以较少的样点来尽可能地反映出一定区域土壤属性信息的空间变异规律，就成为当前研究的一个热点。 本研究以眉山太和镇和尚义镇为试验区，分别以700米和50米为间隔采集了大小两个尺度下的土壤样品80个和30个，以土壤有机质、全钾和有效锰为研究对象，将两个样本分为独立的训练样本和检验样本数据集，在训练样本集的基础上共设计了4种样点布局方案，以广泛应用的克里格法作为对照，研究RBF神经网络技术对土壤属性信息的空间插值能力。 RBF神经网络(RBFNN)即径向基函数神经网络，具有很强的非线性计算能力，是解决非线性系统预测问题的行之有效的研究工具。本研究采用两种不同的输入方式进行网络训练仿真：其一，以地理坐标作为网络输入，以对应的土壤属性信息值作为网络的输出，只在地理坐标和土壤属性信息值之间建立联系，记为地理坐标径向基函数神经网络(CRBFNN)，即网络的输入层节点数为2，输出层节点数为1。其二，以平面坐标x，y和与插值点最邻近的5个已知点作为网络输入，建立插值点与地理坐标和邻近样点之间的对应关系，记为邻近点径向基函数神经网络(NRBFNN)，即网络输入层节点数为7，其中第1、2个节点(神经元)分别输入坐标x和y的值。根据空间距离衰减规律，已知点对插值点的作用与插值点到已知点的距离成负相关。考虑到距离的影响，设定与插值点距离最近的已知点的土壤属性值为网络输入层第3个神经元的输入值；与插值点距离次近的已知点的土壤属性值为第4个神经元的输入值，其余类推。研究结果表明： (1)通过平均绝对偏差、平均相对偏差和误差均方根检验均反映出RBF神经网络的插值精度显著优于克里格插值法。主要结果如下： 无论在大尺度下还是小尺度下，RBF神经网络方法对土壤空间属性值的插值能力均优于克里格法；即使在样点数量减少约50％的情况下，也能保证较高的插值精度，甚至高于克里格法，即RBF神经网络方法以其良好的自学功能和很强的非线性计算能力，比克里格法更好地揭示了土壤属性信息的空间分布规