基于ANN技术的大型灌区节水改造后农田水环境预测研究-论文.pdf

《基于ANN技术的大型灌区节水改造后农田水环境预测研究-论文.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、基于ANN技术的大型灌区节水改造后农田水环境预测研究韦曙光(贵州省水利水电勘测设计研究院贵州贵阳550002)摘要：本文以中国黄河河套灌区为案例，监测该第Ⅱ试验区位于河套灌区中游，永刚分干渠的西济支渠系区域的水盐动态，并对其多年的水文、地下水资料进行了统，灌溉面积2．71×10mz，盐渍化很轻，完成渠系衬砌。分析。将三个不同尺度的试验区作为研究对象，采用人工第Ⅲ试验区位于河套灌区西部，包括3条干渠系统，灌溉面神经网络技术中的BP、R．BF模型对该区域的农田地下水积1．42×10hm，设有裸地潜水蒸发观测设施。文以

2、及土壤的水盐变化进行了系统的预测．并将预测结果2．2地下水文预测与采用传统的有限元数值法和水均衡法得到的结果进行第1试验区BP模型与RBF模型预测结果基本一致，表2中了比较。灌季地下水埋深平均下降0．29～0．62m，冻季平均下降0．290．42关键词：ANN技术；农田水环境；大型灌区节水改造m；灌季潜水水质增高O．27～0．60g／L，冻季水质增高0．200．50g／I。在资源短缺的今天，水资源一度成为人们的关注热点，全世第Ⅱ试验区采用BP模型进行预测，下水年均埋深下降界开展了很多有关水资源的研究，但是这些研究

3、多以河流、湖泊0．7m。对I、Ⅱ试验区进行有限单元法预测，发现两试验区地下水的研究居多，对农田水环境的研究比较少，但是农田水环境却会埋深平均下降0．53m及0．57m，数值接近。对灌区的生态农业产生巨大的影响，因此加强农田水环境的研究第Ⅲ试验区用快速BP，RBF及水均衡法进行预测，快速BP十分必要，传统的农田水环境预测方法也应当与时俱进。人工神法预测结果居中，为0．57m，可作为灌区总体预测成果。经网络技术(ANN)的兴起为农田水环境的预测提供了强大的技2．3农田土壤水盐中尺度区域监测术支撑，具有很大的优势。本文

4、采用二维人工神经Kriging最优插值法进行研究，克服了少数定位监测点对区域性大面积水盐动态代表性不足的问题，1模型结构与算法在严重返盐时期进行土壤含水率和电导值的多年系统观测。I、实践研究表明，在ANN技术中，误差逆向传播方法(简称Ⅱ试验区结果表明，上一年秋灌储水量时，下一年土壤的水盐含Be)模型比较成熟，但是因为土壤水盐一地下水动态受到多种因量也基本稳定。素的影响，因此采用快速BP法和径向基函数(简称RBF)模型进3研究结果分析行实验对比与验证分析。1．1模型输入输出因子分析大型灌区节水改造后农田水环境预测具

5、有复杂性，研究表本研究将中国黄河河套灌区1986～2001年的水文数据作为明，在使用传统的有限元数值法和水均衡法无法进行水环境预测样本，选择2002～2005年水文资料中的灌溉引水量、排水量、蒸或者预测较为困难时，使用ANN技术获得水环境预测结果真实发量、降雨量、平均气温作为主要输入因子，选择地下水埋深为输可信，ANN技术切实可行。出因子，经过分析与标准化处理之后进行模型模拟。研究发现，在节水设定的条件下，潜水量会大量下降，作物在1．2隐含层数选择生长期之内会减少对耕层土壤的地下水补给量，这一时期有必要BP模型选

6、择的隐含层数多为3层，通过对本案例中不同输调整灌溉制度，但是这一情况又有助于防治灌区春季土壤返盐。入因子进行选择层数分别为3和4的模拟检验与预测比较后发预测结果表明地下水有微咸化趋势，但是并不会超过原地下水矿现，在保证相同收敛误差的情况下，4个输入因子的3层模拟效果化划分级别。要优于4层，因此在输入因子数较少的情况下推荐选择3层模进行节水改造之后依旧保持秋季储水灌溉，开灌之前的土壤型，本文选择3层模型。墒情依旧能够维持在田间持水率附近，进行适当的农业保墒措1．3隐含层单元数选择施，作物生长初期的土壤不会出现缺水状

7、况，但是要防止冻融作ANN结构设计中最为关键的步骤是隐含层神经元节点单元用导致潜在盐分向表层运动。数的选择，它会直接影响到网络对复杂问题的映射能力。本文将分析研究期问水盐系统的监测结果发现，在排水不通畅、灌研究区域多年的水文资料与相关因子作为训练样本，对不同的隐渠未衬砌的情况下，灌区的农田水环境存在环境安全阀值，有关含层单元数进行了训练检验，发现检验误差呈现抛物线型，也就与环境安全阀值的量化与细化问题还要进行进一步的研究。是说存在合理的单元区间以及最佳的隐含层单元数。从整体上4结语将，4层的拟合精度略微优于3层，

8、有4个输入因子的BP模型，其3层模型要比4层更加敏感。人工神经网络技术(ANN)的兴起为农田水环境的预测提供了强大的技术支撑，与传统的水环境预测相比，人工神经网络技1．4学习速率选择术具有很大的优势，可以在常规方法无法解决实际问题或者使用根据BP模型特点，学习速率决定每一次循环训练中可产生效果不佳的情况下，以及实际问题不能够用一般的数学模型进行的权值变化量较小，一般来讲，