基于反向传播神经网络的退化红壤区杉木树干液流模拟.pdf

《基于反向传播神经网络的退化红壤区杉木树干液流模拟.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、浙江大学学报(农业与生命科学版)41(2)：205~212，2015JournalofZhejiangUniversity(Agric．8LLifeSci．)http：／／www．journals．zju．edu．cn／agrE—mail：zdxbnsb@zju．edu．cnDOI：10．3785／j．issn．1008—9209．2014．05．191基于反向传播神经网络的退化红壤区杉木树干液流模拟涂洁，刘琪壕，危骏，胡良(1．南昌工程学院生态与环境科学研究所，南昌330099；2．北京林业大学林学院，北京10

2、0083)摘要以江西退化红壤区杉木人工林为研究对象，采用MATLAB工具箱中的log～sigmoid型函数(tansig)为神经元作用函数，以空气温度、空气相对湿度、平均净辐射、水汽压亏缺为输入变量，液流速率为输出变量，运用贝叶斯正则化算法和Levenberg-Marquardt算法对4000组气象数据和液流数据进行网络训练和检验，构建拓扑结构为4—1O一1的杉木树干液流反向传播(backpropagation，BP)神经网络模型．结果表明：在2种算法下训练样本和检验样本模型输出值与实测值之间线性回归的拟合程度均

3、较高，回归方程的相关系数在0．93以上；训练样本的拟合精度分别为83．57和83．O6，检验样本的仿真精度分别为82．87和82．15．说明该网络模型能够很好地反映液流速率与气象因子之间的非线性函数关系，可为杉木人工林的可持续经营和林地水资源的科学管理提供有效手段．关键词杉木；树干液流；贝叶斯正则化算法；Levenberg—Marquardt算法；反向传播神经网络中图分类号S718文献标志码ASapflowsimulationofCunninghamialanceolataindegradedredsoilreg

4、ionbasedonbackpropagationneuralnetwork．JournalofZh~iangUniversity(Agric．&LifeSei．)，2015，41(2)：205—212TuJie”，LiuQijing。，WeiJun，HuLiang(1．ResearchInstituteofEcology&EnvironmentalSciences。NanchangInstituteofTechnology，Nanchang330099，China2．DepartmentofForestScie

5、nces，BeijingForestryUniversity，Beijing100083，China)SummaryCunninghamialanceolataiscommonlyconsideredtobeoneofthemostimportanttreespeciesforforestrestorationandreconstructioninsubtropicalareaofChina，owingtoitsadvantagesofrapidgrowth，goodqualityandhighyieldperu

6、nitarea．However，theyalsoconsumecertainamountofwaterduringthecourseofgrowthandplayrolesofecologicalbenefits．Therefore，quantitativeresearchontreewaterconsumptioncharacteristicsbytranspirationhasbecomeahotissueinthefieldoftreephysiologicalecologyinrecentyears．Ta

7、kingtheClanceolataplantationindegradedredsoilofJiangxiProvinceastheresearchobject，thelog—sigmoidtypefunction(tansig)ofMATLABtoolboxwasselectedasthetransmissionfunctionfortheroleofneurons．Fourmainfactorsincludingairtemperature，relativeairhumidity，averagenetrad

8、iationandvaporpressuredeficitwerechosenastheinputvariables，andthesapflowvelocitywasselectedastheoutputvariable，totrainandexaminetheneuralnetworkmodelwithBayesianregularizationalgorithmand