资源描述：
《基于神经网络模型和地统计学方法的土壤养分空间分布预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、应用生态学报摇2013年2月摇第24卷摇第2期摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇ChineseJournalofAppliedEcology,Feb.2013,24(2):459-466基于神经网络模型和地统计学方法的*土壤养分空间分布预测11**231111李启权摇王昌全摇张文江摇余摇勇摇李摇冰摇杨摇娟摇白根川摇蔡摇艳123(四川农业大学资源环境学院,成都611130;四川大学水力学与山区河流开发保护国家重点实验室,成都610065;四川农业大学林学院,四川雅安62501
2、4)摘摇要摇采用径向基函数神经网络模型与普通克里格法相结合的方法,预测川中丘陵区县域尺度土壤养分(有机质和全氮)的空间分布,并与普通克里格法和回归克里格法进行比较.结果表明:各方法对研究区土壤养分的预测结果相似.与多元回归模型相比,神经网络模型对验证样点土壤有机质和全氮的预测值与样点实测值的相关系数分别提高了12.3%和16.5%,表明神经网络模型能更准确地捕捉土壤养分与定量环境因子间的复杂关系.对469个验证样点预测结果的误差分析表明,神经网络模型与普通克里格法相结合的方法对土壤有机质和全氮预测
3、结果的平均绝对误差、平均相对误差、均方根误差较普通克里格法分别降低了6.9%、7.4%、5.1%和4.9%、6.1%、4.6%,降低幅度达到极显著水平(P<0.01);与回归克里格法相比则分别降低了2.4%、2.6%、1.8%和2.1%、2.8%、2.2%,降低幅度达显著水平(P<0.05).关键词摇径向基函数神经网络模型摇普通克里格法摇回归克里格法摇土壤养分文章编号摇1001-9332(2013)02-0459-08摇中图分类号摇S158;TP183摇文献标识码摇APredictionofsoi
4、lnutrientsspatialdistributionbasedonneuralnetworkmodelcombinedwith11231goestatistics.LIQi鄄quan,WANGChang鄄quan,ZHANGWen鄄jiang,YUYong,LIBing,1111YANGJuan,BAIGen鄄chuan,CAIYan(CollegeofResourcesandEnvironment,SichuanAgri鄄2culturalUniversity,Chengdu611130,
5、China;StateKeyLaboratoryofHydraulicsandMountain3RiverEngineering,SichuanUniversity,Chengdu610065,China;CollegeofForestry,SichuanAg鄄riculturalUniversity,Ya爷an625014,Sichuan,China).鄄Chin.J.Appl.Ecol.,2013,24(2):459-466.Abstract:Inthisstudy,aradialbasisf
6、unctionneuralnetworkmodelcombinedwithordinarykrig鄄ing(RBFNN_OK)wasadoptedtopredictthespatialdistributionofsoilnutrients(organicmatterandtotalN)inatypicalhillyregionofSichuanBasin,SouthwestChina,andtheperformanceofthismethodwascomparedwiththatofordinar
7、ykriging(OK)andregressionkriging(RK).Allthethreemethodsproducedthesimilarsoilnutrientmaps.However,ascomparedwiththoseobtainedbymultiplelinearregressionmodel,thecorrelationcoefficientsbetweenthemeasuredvaluesandthepredictedvaluesofsoilorganicmatterandt
8、otalNobtainedbyneuralnetworkmodelincreasedby12.3%and16.5%,respectively,suggestingthatneuralnetworkmodelcouldmoreaccuratelycapturethecomplicatedrelationshipsbetweensoilnutrientsandquantitativeenvironmentalfactors.Theerroranalysesoftheprediction
