BP神經(jīng)網(wǎng)絡(luò)和SVM模型對(duì)施加生物炭土壤水分預(yù)測的適用性

王彤彤, 翟軍海, 何 歡, 鄭紀(jì)勇,2, 涂 川

(1.西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院, 陜西 楊凌 712100; 2.中國科學(xué)院 水利部 水土保持研究所黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點(diǎn)實(shí)驗(yàn)室, 陜西 楊凌 712100; 3.陜西省農(nóng)業(yè)廳, 西安 710003;4.西北農(nóng)林科技大學(xué) 理學(xué)院, 陜西 楊凌 712100; 5.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 重慶 400065)

BP神經(jīng)網(wǎng)絡(luò)和SVM模型對(duì)施加生物炭土壤水分預(yù)測的適用性

王彤彤1, 翟軍海3, 何 歡4, 鄭紀(jì)勇1,2, 涂 川5

(1.西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院, 陜西 楊凌 712100; 2.中國科學(xué)院 水利部 水土保持研究所黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點(diǎn)實(shí)驗(yàn)室, 陜西 楊凌 712100; 3.陜西省農(nóng)業(yè)廳, 西安 710003;4.西北農(nóng)林科技大學(xué) 理學(xué)院, 陜西 楊凌 712100; 5.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 重慶 400065)

生物炭作為土壤改良劑對(duì)半干旱區(qū)土壤水分有良好的吸持作用，為確定施加生物炭對(duì)土壤水分預(yù)測模型適用性的影響，依托黃土高原半干旱區(qū)固原生態(tài)站開展了小區(qū)定位試驗(yàn)。向土壤中施加不同種類及比例的生物炭，定期監(jiān)測土壤水分含量；考慮土壤含水量的非線性特征以及生物炭對(duì)土壤水分的影響，選取BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)兩種模型，建立施加生物炭土壤水分預(yù)測模型。計(jì)算預(yù)測值，并與實(shí)測值對(duì)比，分析相對(duì)誤差；利用RMSE、MRE、MAE和R2評(píng)估BP神經(jīng)網(wǎng)絡(luò)和SVM模型的精度。結(jié)果表明；BP神經(jīng)網(wǎng)絡(luò)預(yù)測值的平均相對(duì)誤差為3.78%，最大誤差為13.14%；SVM模型的平均相對(duì)誤差為0.56%，最大誤差為2.42%。SVM模型的RMSE、MRE、MAE值(分別為0.34～0.17，0.07，0.56～1.27)均小于BP神經(jīng)網(wǎng)絡(luò)的(分別為1.04～1.16，0.47～0.68，3.78～4.57)，且決定系數(shù)R2值SVM模型(0.96～0.99)大于BP神經(jīng)網(wǎng)絡(luò)(0.56～0.64)。BP神經(jīng)網(wǎng)絡(luò)和SVM模型均能很好地預(yù)測施加生物炭的土壤水分，但SVM模型預(yù)測結(jié)果更加穩(wěn)定，精度較高，更適于施加生物炭土壤水分的預(yù)測。該研究可為半干旱地區(qū)生物炭還田土壤水分的預(yù)測及管理提供理論依據(jù)。

土壤水分; 生物炭; 模型預(yù)測; SVM模型; BP神經(jīng)網(wǎng)絡(luò)

土壤水分作為土壤的重要組成物質(zhì)，同時(shí)也是影響土壤生產(chǎn)力的基本因素之一[1]，尤其在黃土高原干旱半干旱區(qū)域，土壤水分是生態(tài)農(nóng)業(yè)建設(shè)的重要基礎(chǔ)物質(zhì),也是決定該區(qū)生態(tài)系統(tǒng)結(jié)構(gòu)和功能的關(guān)鍵因子[2-3]。目前，國內(nèi)外學(xué)者圍繞著農(nóng)田土壤水分轉(zhuǎn)化與有效利用、土壤水分預(yù)測研究方面已做了大量的研究工作，土壤水分預(yù)測是農(nóng)田水資源管理工作的基礎(chǔ)，對(duì)于旱情預(yù)報(bào)有積極意義[4-6]。土壤水分預(yù)測模型主要有：經(jīng)驗(yàn)公式法、水量平衡法、土壤水動(dòng)力學(xué)法、時(shí)間序列模型法、遙感監(jiān)測法、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等[7-8]。其中，人工神經(jīng)網(wǎng)絡(luò)(ANNs)常用來模擬、處理影響因素多、關(guān)系復(fù)雜的系統(tǒng)，為高度非線性動(dòng)態(tài)關(guān)系的時(shí)間序列預(yù)測提供了一條有效途徑。人工神經(jīng)網(wǎng)絡(luò)固有的學(xué)習(xí)能力和適應(yīng)能力，使其在土壤水分預(yù)測中得以應(yīng)用[9]。支持向量機(jī)(SVM)法對(duì)非線性函數(shù)可以精確逼近，具有全局最優(yōu)、泛化能力強(qiáng)等優(yōu)點(diǎn)，它在函數(shù)表達(dá)能力、推廣能力和學(xué)習(xí)效率上都要優(yōu)于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法，其在土壤水分預(yù)測方面已有相關(guān)報(bào)道[10]。

生物炭(bio-char)是生物質(zhì)在缺氧或無氧條件下經(jīng)中高溫?zé)崃呀獾玫降囊活惛缓妓氐?、穩(wěn)定的、高度芳香化的固體產(chǎn)物[11-13]。近年來，生物炭以其具有獨(dú)特的結(jié)構(gòu)和理化特性、豐富的材料來源被人們所關(guān)注，廣泛應(yīng)用于農(nóng)業(yè)、環(huán)境和生態(tài)修復(fù)等領(lǐng)域[14]。大量文獻(xiàn)報(bào)道生物炭可以增大土壤對(duì)水的吸持能力，提高土壤田間持水量，減少土壤水的損失[15-17]。施加生物炭對(duì)土壤水分有顯著影響，而關(guān)于施加生物炭土壤水分預(yù)測模型適用性卻不多見。因此，本文以生物炭還田小區(qū)定位試驗(yàn)測定的水分?jǐn)?shù)據(jù)為研究樣本，考慮到土壤含水量的非線性特征以及施加生物炭的隨機(jī)影響，選取BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)兩種模型，預(yù)測施加生物炭土壤的水分，根據(jù)實(shí)測值評(píng)價(jià)模型優(yōu)劣尋找最佳預(yù)測模型，以期為農(nóng)田生態(tài)系統(tǒng)中生物炭改善土壤性能的適宜性評(píng)價(jià)提供一定的理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)地點(diǎn)設(shè)在中國科學(xué)院固原生態(tài)試驗(yàn)站原州區(qū)站內(nèi)的長期定位試驗(yàn)場(東經(jīng)106°26′—106°30′，北緯35°59′—36°3′ )，屬黃土高原寬谷粱狀丘陵區(qū)。該區(qū)平均海拔1 750 m，氣候?qū)贉貨霭敫珊档貛В蝴溸^渡區(qū)。年平均氣溫6.2℃，最高月(7月份)平均氣溫18.9℃，最低月(1月份)平均氣溫-8.3℃。極端最高氣溫34.6℃，極端最低氣溫-28.1℃，>0℃積溫3 100℃，年均日照時(shí)數(shù)2 518 h，年降雨量472 mm，無霜期152 d。土壤以黑壚土和壤黃土為主，植被由灌叢草原向半干旱典型草原過渡。

1.2 供試材料

本試驗(yàn)選取槐樹皮、桐木鋸末為原料制備生物炭。兩種生物炭均由陜西億鑫生物能源科技開發(fā)有限公司提供，生產(chǎn)時(shí)間為2012年4月，工藝流程為干燥除水—擠壓成型—裝釜加熱至550℃(6～8 h)—?；鹄鋮s。生物炭的基本理化性質(zhì)見表1。

表1 生物炭的基本理化性質(zhì)

注：“—”表示生物炭中不含銨態(tài)氮。

1.3 試驗(yàn)設(shè)計(jì)

鋸末生物炭(JB)和槐樹皮生物炭(HB)均設(shè)置3個(gè)添加比例(1%，3%，5%)，共6個(gè)試驗(yàn)處理及1個(gè)空白對(duì)照(無生物炭添加)，依次記為1%JB，3%JB，5%JB，1%HB，3%HB，5%HB和CK，重復(fù)3次。添加比例按照生物炭與土壤的質(zhì)量百分比進(jìn)行控制。共設(shè)21個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)規(guī)格為2.4 m×2.4 m。為消除系統(tǒng)誤差，各小區(qū)采用完全隨機(jī)區(qū)組設(shè)計(jì)，每個(gè)小區(qū)內(nèi)打鉆布設(shè)Trime-TDR測管1個(gè)，以便利用時(shí)域反射儀(TDR)法監(jiān)測地表以下2 m土層的土壤相對(duì)含水量。儀器為德國產(chǎn)IMKO-PICO-BT。生物炭采用完全混合方式添加，即分別將表層20 cm深的土壤剝離，將生物炭按照設(shè)定的添加比例與剝離的土壤分別充分混合，然后將混合后的土壤回填到原位。所有小區(qū)于2012年5月底建設(shè)完畢，然后在自然條件下凍融干濕交替，不做其他干預(yù)處理，陳化3年，在2015年1月和6月月初測定土壤水分。

2 水分預(yù)測模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

[x11,x12]=mapminmax(x1,0,1);

[y11,y12]=mapminmax(y1,0,1);

x21=mapminmax(′apply′,x2,x12);

net=newff(x11,y11,5,{′tansig′,′purelin′});

net.trainParam.epochs=100 000;

net.trainParam.lr=0.05;

net.trainParam.goal=0.000 01;

[net,tr]=train(net,x11,y11);

y=sim(net,x21);

yy=mapminmax(′reverse′,y,y12);

其中：x1為已知輸入數(shù)據(jù)；y1為已知輸出數(shù)據(jù)；x2為需要預(yù)測數(shù)據(jù)；yy為預(yù)測輸出結(jié)果。

將原始數(shù)據(jù)、訓(xùn)練樣本、測試樣本等作歸一化處理，本文采用mapminmax函數(shù)將數(shù)據(jù)歸一化到[0,1]。訓(xùn)練過程每次選取5個(gè)土層深度的土壤水分值作為已知輸入，緊接著的下個(gè)土層土壤水分值作為已知輸出，迭代訓(xùn)練，構(gòu)建網(wǎng)絡(luò)。按照已定的學(xué)習(xí)算法和訓(xùn)練參數(shù)，用實(shí)際測量的土壤水分歷史統(tǒng)計(jì)數(shù)據(jù)作為教師信號(hào)訓(xùn)練這個(gè)網(wǎng)絡(luò)，使不同的輸入向量得到相應(yīng)的輸出量。當(dāng)計(jì)算輸出值與教師信號(hào)之間的誤差小于設(shè)定的允許值時(shí)，訓(xùn)練結(jié)束。通過實(shí)際訓(xùn)練得出網(wǎng)絡(luò)的收斂曲線。訓(xùn)練完畢之后，保存訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，將需要預(yù)測的樣本輸入網(wǎng)絡(luò)，即可得出結(jié)果，并反歸一化結(jié)果。綜上，BP神經(jīng)網(wǎng)絡(luò)的建模流程見圖1。

圖1BP神經(jīng)網(wǎng)絡(luò)和SVM模型的建模流程

2.2 SVM模型

支持向量機(jī)(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，主要思想是建立一個(gè)分類超平面作為決策曲面，使得正例與反例之間的間隔最大化，不同于人工神經(jīng)網(wǎng)絡(luò)(ANNs)使用經(jīng)驗(yàn)最小化準(zhǔn)則，它使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則以及VC維數(shù)理論，這使得它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢[19-21]。

支持向量機(jī)方法最初用來解決模式識(shí)別問題，在1998年Vapnik提出支持向量回歸(SVR)方法用來解決函數(shù)擬合的問題[22-23]。支持向量機(jī)從功能上分為分類和回歸兩類，本研究中土壤水分預(yù)測模型即以其回歸功能為基礎(chǔ)?？刂浦С窒蛄繖C(jī)回歸的參數(shù)主要有懲罰系數(shù)C、不靈敏損失函數(shù)ε、核函數(shù)類型和核函數(shù)參數(shù)。懲罰系數(shù)C越大，表示經(jīng)驗(yàn)風(fēng)險(xiǎn)越小，即模型越復(fù)雜，泛化能力越差；懲罰系數(shù)C越小，模型越簡單，泛化能力增強(qiáng)，但可能以模型的模擬能力為代價(jià)[23]。ε主要控制支持向量的個(gè)數(shù)，ε越小，支持向量機(jī)個(gè)數(shù)越多，模型越復(fù)雜。已經(jīng)有研究證明，與其他核函數(shù)相比，徑向基核函數(shù)在土壤水分預(yù)測模型中效果更好[24]。因此，文中選擇徑向基(RBF)作為核函數(shù)，其表達(dá)式為：

式中：σ為核函數(shù)參數(shù)。

隨著對(duì)SVM研究的深入，許多研究人員通過增加和改變函數(shù)項(xiàng)、變量或系數(shù)等方法使公式變形，產(chǎn)生出有某方面優(yōu)勢或一定應(yīng)用范圍的變形算法[25]。LIBSVM是臺(tái)灣大學(xué)林智仁(LinChih-Jen)教授等開發(fā)設(shè)計(jì)的一個(gè)簡單、易于使用和快速有效的SVM模式識(shí)別與回歸的軟件包，他不但提供了編譯好的可在Windows系統(tǒng)的執(zhí)行文件，還提供了源代碼，方便改進(jìn)、修改以及在其他操作系統(tǒng)上應(yīng)用。該軟件對(duì)SVM所涉及的參數(shù)調(diào)節(jié)相對(duì)比較少，提供了很多的默認(rèn)參數(shù)，利用這些默認(rèn)參數(shù)可以解決很多問題，并提供交互檢驗(yàn)(CrossValidation)的功能[26]。

LIBSVM于2011年創(chuàng)建，最新版本為3.21，更新于2015年12月14日。本文基于matlab2014，使用libsvm-mat工具包。關(guān)于LIBSVM更詳細(xì)的介紹與參數(shù)學(xué)習(xí)，可以訪問網(wǎng)址[27]。本文通過libsvm-mat的網(wǎng)格參數(shù)尋優(yōu)函數(shù)的調(diào)用，對(duì)懲罰系數(shù)C和核函數(shù)系數(shù)g進(jìn)行最優(yōu)值尋找，其中C，g值的搜索范圍設(shè)置為10-5～105，迭代步長設(shè)為0.5。原始數(shù)據(jù)的輸入、訓(xùn)練過程和測試樣本與BP神經(jīng)網(wǎng)絡(luò)的設(shè)置相同。綜上，SVM的建模流程見圖1。

3 結(jié)果與分析

3.1 BP神經(jīng)網(wǎng)絡(luò)和SVM模型對(duì)施加生物炭土壤水分預(yù)測

本文選擇2015年1月份采樣數(shù)據(jù)，作為樣本，進(jìn)行仿真訓(xùn)練，預(yù)測深層土壤水分，以每個(gè)處理的0—

180 cm土層監(jiān)測的土壤水分?jǐn)?shù)據(jù)作為訓(xùn)練集，預(yù)測190 cm和200 cm處土壤含水量(單位%)，以期對(duì)比分析兩種模型對(duì)于施加生物炭土壤的水分預(yù)測適用性研究。以CK處理為代表，來說明兩種模型的預(yù)測過程，其他試驗(yàn)處理預(yù)測過程類似；圖2為BP神經(jīng)網(wǎng)絡(luò)模型均方誤差變化曲線，圖3為SVM模型參數(shù)C，g尋優(yōu)等高線圖。表2為兩種模型預(yù)測結(jié)果，其中相對(duì)誤差正值說明預(yù)測值大于實(shí)測值，負(fù)值說明預(yù)測值小于實(shí)測值。

從圖2可以看出，CK處理的BP神經(jīng)網(wǎng)絡(luò)模型經(jīng)過17步仿真，訓(xùn)練、測試和驗(yàn)證數(shù)據(jù)均達(dá)到設(shè)定的目標(biāo)值以下，最佳驗(yàn)證集均方誤差為3.243 7×10-5，網(wǎng)絡(luò)訓(xùn)練由于檢驗(yàn)集均方誤差達(dá)到極小值而結(jié)束。從圖3可以看出，CK處理的SVM模型參數(shù)C，g尋找范圍為0～10，經(jīng)過網(wǎng)格尋優(yōu)得到最佳的參數(shù)C=1.8661，g=3.249，輸出擬合精度為98.88%；其他處理的參數(shù)尋優(yōu)結(jié)果見表2。由此可知，不論BP神經(jīng)網(wǎng)絡(luò)還是SVM模型，輸出誤差基本趨向穩(wěn)定，模型收斂性好，均達(dá)到最佳訓(xùn)練效果。

圖2 BP神經(jīng)網(wǎng)絡(luò)均方誤差變化曲線

圖3 SVM模型參數(shù)尋優(yōu)結(jié)果

處理原始數(shù)據(jù)190cm200cmBP神經(jīng)網(wǎng)絡(luò)190cm相對(duì)誤差/%200cm相對(duì)誤差/%SVM模型參數(shù)C參數(shù)g190cm相對(duì)誤差/%200cm相對(duì)誤差/%CK24.4524.2824.0400-1.6822.5317-7.201.93.224.4050-0.1824.42740.611%Jb19.1218.1521.631513.1418.50621.960.70.218.7335-2.0218.58892.423%Jb22.0121.7821.3622-2.9422.32932.520.90.121.9235-0.3921.87590.445%Jb22.6222.5823.63074.4722.78010.8946.30.122.6125-0.0322.58740.031%Hb21.3520.9121.48250.6219.7203-5.6928.70.121.3072-0.2021.00790.473%Hb22.722.5623.76534.6922.0256-2.370.70.222.6215-0.3522.60250.195%Hb23.9923.8523.1953-3.3124.20621.496.10.123.9356-0.2323.90660.24

分析表2可知，BP神經(jīng)網(wǎng)絡(luò)對(duì)7種處理預(yù)測值相對(duì)誤差的絕對(duì)值最大為13.14%，最小為0.62%，平均相對(duì)誤差為3.78%，說明BP神經(jīng)網(wǎng)絡(luò)能夠較好地預(yù)測施加生物炭土壤的深層水分。SVM模型對(duì)190 cm土層深度的土壤水分預(yù)測均低于實(shí)測值，而對(duì)200 cm土層深度的土壤水分預(yù)測均高于實(shí)測值；對(duì)7種處理預(yù)測值相對(duì)誤差的絕對(duì)值最大為2.42%，最小為0.03%，平均相對(duì)誤差為0.56%，說明SVM模型能夠很好地預(yù)測施加生物炭土壤的深層水分。對(duì)比BP神經(jīng)網(wǎng)絡(luò)和SVM模型的預(yù)測結(jié)果，可以明顯看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的相對(duì)誤差較SVM模型較大。且BP神經(jīng)網(wǎng)絡(luò)模型對(duì)同一處理或同一深度預(yù)測結(jié)果較為不穩(wěn)定，波動(dòng)較大，故而造成較大的預(yù)測偏差；而SVM模型對(duì)同一深度預(yù)測結(jié)果相對(duì)誤差同為負(fù)(190 cm)或正(200 cm)，對(duì)相同處理的預(yù)測結(jié)果偏于穩(wěn)定，波動(dòng)較小，據(jù)此可以得知，對(duì)于施加生物炭土壤的深層水分預(yù)測，SVM模型要稍好于BP神經(jīng)網(wǎng)絡(luò)模型。

3.2 土壤水分預(yù)測模型對(duì)比

模擬2015年6月份土壤190 cm和200 cm深處的土壤水分?jǐn)?shù)據(jù)，將1月和6月份數(shù)據(jù)整合，對(duì)比分析SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，見圖4。從大量數(shù)據(jù)統(tǒng)計(jì)顯示，SVM模型預(yù)測結(jié)果更靠近真實(shí)值直線，而BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果較真實(shí)值直線偏離，這說明SVM模型預(yù)測結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，更適于施加生物炭土壤水分的預(yù)測研究。

圖4 BP神經(jīng)網(wǎng)絡(luò)和SVM模型預(yù)測結(jié)果對(duì)比

使用均方根誤差(RMSE)、平均相對(duì)誤差(MRE)、平均絕對(duì)誤差(MAE)、決定系數(shù)(R2)來衡量兩種預(yù)測模型的精度，見表3。RMSE，MRE和MAE均反映了預(yù)測數(shù)據(jù)偏離真實(shí)值的程度，其值越小，表示預(yù)測精度越高；因此可以明顯看出，無論1月份或6月份取樣數(shù)據(jù)，SVM模型的RMSE，MRE和MAE值比BP神經(jīng)網(wǎng)絡(luò)的值小，說明SVM模型預(yù)測精度明顯高于BP神經(jīng)網(wǎng)絡(luò)模型。決定系數(shù)(R2)越趨向于1，表明自變量對(duì)因變量的解釋程度越高[28]；以真實(shí)值為x軸，預(yù)測值為y軸，當(dāng)R2越趨向于1，方程y=x參考價(jià)值越高，表明預(yù)測值越趨向于真實(shí)值，因此可以明顯看出，SVM模型的R2都在0.9以上，BP神經(jīng)網(wǎng)絡(luò)模型的R2都在0.6左右，說明SVM模型的擬合優(yōu)度更好。SVM模型更適合施加生物炭土壤水分的預(yù)測。

表3 BP神經(jīng)網(wǎng)絡(luò)和SVM模型的誤差指標(biāo)分析

4 討 論

從上述兩種模型預(yù)測結(jié)果分析來看，BP神經(jīng)網(wǎng)絡(luò)和SVM模型均能很好地應(yīng)用于施加生物炭土壤的水分預(yù)測。針對(duì)BP神經(jīng)網(wǎng)絡(luò)模型，尹健康等[9]利用BP人工神經(jīng)網(wǎng)絡(luò)，建立土壤水分預(yù)測模型應(yīng)用于煙田土壤，預(yù)測效果良好，平均相對(duì)誤差為9%左右；而本研究將該模型應(yīng)用于施加生物炭的土壤水分預(yù)測，平均相對(duì)誤差為3.78%左右，亦取得良好的預(yù)測效果。從SVM模型角度分析，本研究在SVM模型的基礎(chǔ)理論上，對(duì)懲罰系數(shù)C和核函數(shù)系數(shù)g進(jìn)行尋優(yōu)處理后模擬，得到應(yīng)用于施加生物炭土壤的水分預(yù)測模型，平均相對(duì)誤差為0.56%且數(shù)值預(yù)測穩(wěn)定，得到良好的預(yù)測結(jié)果，這與張強(qiáng)[10]，丁鐵山[24]，Gill[29]等利用SVM模型，直接建立土壤水分預(yù)測模型，預(yù)測非施加生物炭土壤水分，精度較高，結(jié)果相互一致。

然而，SVM模型比BP神經(jīng)網(wǎng)絡(luò)更加穩(wěn)定，精度較高，分析形成差異的原因，聶春燕等[30]對(duì)比了支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)模型對(duì)土壤水力學(xué)參數(shù)的預(yù)測效果，認(rèn)為樣本量和輸入?yún)?shù)量對(duì)預(yù)測效果影響很大，尤其是樣本量，在相同條件下，支持向量機(jī)模型預(yù)測效果優(yōu)于神經(jīng)網(wǎng)絡(luò)模型，這與本文研究結(jié)果一致。筆者主要認(rèn)為：從理論基礎(chǔ)分析，支持向量機(jī)比人工神經(jīng)網(wǎng)絡(luò)模型更具有優(yōu)勢；因?yàn)橹С窒蛄繖C(jī)從嚴(yán)格的數(shù)學(xué)理論出發(fā)，論證和實(shí)現(xiàn)了在小樣本情況下最大限度地提高預(yù)測的可靠性，得到全局最優(yōu)解，有效避免了神經(jīng)網(wǎng)絡(luò)易陷入的局部極值問題。同時(shí)，在實(shí)際應(yīng)用過程中，支持向量機(jī)不需要過多的先驗(yàn)信息和使用技巧，而人工神經(jīng)網(wǎng)絡(luò)方法往往需要過多的使用技巧和大量的樣本數(shù)據(jù)才能得出比較滿意的結(jié)果。

5 結(jié) 論

本文通過生物炭還田小區(qū)定位試驗(yàn)，選取BP神經(jīng)網(wǎng)絡(luò)和SVM模型，建立施加生物炭的土壤水分預(yù)測模型，探究模型適用性研究，得出如下結(jié)論：

(1) BP神經(jīng)網(wǎng)絡(luò)預(yù)測值的平均相對(duì)誤差為3.78%，最大誤差為13.14%；SVM模型的平均相對(duì)誤差為0.56%，最大誤差為2.42%。不受施加生物炭類型和添加比例的影響，BP神經(jīng)網(wǎng)絡(luò)和SVM模型都能很好地預(yù)測土壤水分。

(2) SVM模型的RMSE、MRE、MAE值均小于BP神經(jīng)網(wǎng)絡(luò)的，且決定系數(shù)R2值SVM模型大于BP神經(jīng)網(wǎng)絡(luò)。SVM模型預(yù)測結(jié)果更加穩(wěn)定，精度較高，更適于施加生物炭土壤水分的預(yù)測研究。

[1] 傅伯杰,楊志堅(jiān),王仰麟,等.黃土丘陵坡地土壤水分空間分布數(shù)學(xué)模型[J].中國科學(xué):D輯,2001,31(3):185-191.

[2] 白天路,楊勤科,申佳.黃土高原丘陵溝壑小流域土壤水分垂直分布變異特征及影響因子[J].生態(tài)學(xué)雜志,2009(12):2508-2514.

[3] 劉志鵬,邵明安.黃土高原小流域土壤水分及全氮的垂直變異[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(5):71-77.

[4] 李光,應(yīng)杰,劉長榮.土壤水分預(yù)測模型的研究[J].南水北調(diào)與水利科技,2010,8(4):95-98.

[5] 劉洪斌,武偉,魏朝富,等.土壤水分預(yù)測神經(jīng)網(wǎng)絡(luò)模型和時(shí)間序列模型比較研究[J].農(nóng)業(yè)工程學(xué)報(bào),2003,19(4):33-36.

[6] Downer C W, Ogden F L. Prediction of runoff and soil moistures at the watershed scale: Effects of model complexity and parameter assignment[J]. Water Resources Research, 2003,39(3):276-290.

[7] 陳天華,唐海濤.基于ARM和GPRS的遠(yuǎn)程土壤墑情監(jiān)測預(yù)報(bào)系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(3):162-166.

[8] 許秀英,衣淑娟,黃操軍.土壤含水量預(yù)報(bào)現(xiàn)狀綜述[J].農(nóng)機(jī)化研究,2013,35(7):11-15.

[9] 尹健康,陳昌華,邢小軍,等.基于BP神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測[J].電子科技大學(xué)學(xué)報(bào),2010,39(6):891-895.

[10] 張強(qiáng),黃生志,陳曉宏.基于支持向量機(jī)的土壤濕度模擬及預(yù)測研究[J].土壤學(xué)報(bào),2013,50(001):59-67.

[11] Marris E. Putting the carbon back: Black is the new green[J]. Nature,2006,442(7103):624-626.

[12] Shrestha G, Traina S J, Swanston C W. Black carbon′s properties and role in the environment: a comprehensive review[J]. Sustainability, 2010,2(1):294-320.

[13] Ahmad M, Rajapaksha A U, Lim J E, et al. Biochar as a sorbent for contaminant management in soil and water: A review[J]. Chemosphere, 2014,99(3):19-33.

[14] 陳溫福,張偉明,孟軍.生物炭與農(nóng)業(yè)環(huán)境研究回顧與展望[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào),2014,33(5):821-828.

[15] 王丹丹,鄭紀(jì)勇,顏永毫,等.生物炭對(duì)寧南山區(qū)土壤持水性能影響的定位研究[J].水土保持學(xué)報(bào),2013,27(2):101-104.

[16] Karhu K, Mattila T, Bergstr?m I, et al. Biochar addition to agricultural soil increased CH4 uptake and water holding capacity: Results from a short-term pilot field study[J]. Agriculture, Ecosystems & Environment, 2011,140(1):309-313.

[17] Basso A S, Miguez F E, Laird D A, et al. Assessing potential of biochar for increasing water-holding capacity of sandy soils[J]. Gcb Bioenergy, 2013, 5(2): 132-143.

[18] 王彤彤,張劍,涂川,等.IPSO-BP神經(jīng)網(wǎng)絡(luò)在渭河天水段水質(zhì)評(píng)價(jià)中的應(yīng)用[J].環(huán)境科學(xué)與技術(shù),2013,36(8):175-181.

[19] Guyon I, Weston J, Barnhill S, et al. Gene selection for cancer classification using support vector machines[J]. Machine Learning,2002,46(1/3):389-422.

[20] Support vector machines: theory and applications[M]. Springer Science & Business Media, 2005.

[21] Shahraiyni H, Ghafouri M, Shouraki S, et al. Comparison between active learning method and support vector machine for runoff modeling[J]. Journal of Hydrology and Hydromechanics,2012,60(1):16-32.

[22] Brereton R G, Lloyd G R. Support vector machines for classification and regression[J]. Analyst, 2010, 135(2): 230-267.

[23] 張?zhí)m影,龐博,徐宗學(xué),等.基于支持向量機(jī)的石羊河流域徑流模擬適用性評(píng)價(jià)[J].干旱區(qū)資源與環(huán)境,2013,27(7):113-118.

[24] 丁鐵山,董汝瑞,溫季.基于支持向量機(jī)理論的土壤水分預(yù)測模型研究[J].人民黃河,2011,33(3):68-73.

[25] 王慧勤,雷剛.基于LIBSVM的風(fēng)速預(yù)測方法研究[J].科學(xué)技術(shù)與工程,2011,11(22):5440-5442.

[26] Chang C C, Lin C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology,2011,2(3):389-396.

[27] Chih-Chung Chang and Chih-Jen Lin. LIBSVM -A Library for Support Vector Machines [EB/OL]. http:∥www.csie.ntu.edu.tw/-cjlin/libsvm/index.html, 2015-12-14.

[28] 王彤彤,吳旺旺,張小平,等.甘肅省能源利用碳足跡估算與分析[J].湖北農(nóng)業(yè)科學(xué),2016,55(2):349-353.

[29] Gill M K, Asefa T, Kemblowski M W, et al. Soil moisture prediction using support vector machines1[J]. Journal of the American Water Resources Association,2006,42(4):1033-1046.

[30] 聶春燕,胡克林,邵元海,等.基于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的土壤水力學(xué)參數(shù)預(yù)測效果比較[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào),2010(6):102-107.

ApplicabilityofBPNeuralNetworkModelandSVMModeltoPredictingSoilMoistureUnderincorporationofBiocharintoSoils

WANG Tongtong1, ZHAI Junhai3, HE Huan4, ZHENG Jiyong1,2, TU Chuan5

(1.CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China; 2.StateKeyLaboratoryofSoilErosionandDrylandFarmingontheLoessPlateau,InstituteofSoilandWaterConservation,CAS&MWR,Yangling,Shaanxi712100,China; 3.AgricultureDepartmentofShaanxiProvince,Xi′an710003,China; 4.CollegeofScience,NorthwestA&FUniversity,Yangling,Shaanxi712100,China; 5.CollegeofComputerScienceandTechnology,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China)

As a soil amendment, biochar has a good effect on the soil moisture in the semi-arid area. In order to know the effect of adding biochar on soil water content prediction model, a district positioning experiment was carried out in semi-arid Guyuan ecology research station on the Loess Plateau. In the experiment, different kinds and amounts of biochar were added to soil and the soil water contents were monitored regularly. In consideration of soil water nonlinear characteristic and random effect of adding biochar, BP Neural Network model and SVM (Support Vector Machine) model were selected to build water content prediction model for biochar-added soil and the applicability of the two models were finally evaluated according to the measured data and predicted data by using RMSE, MRE, MAE andR2to assess the precision. The results showed that the average relative error value of BP Neural Network model was 3.78% and the max relative error value was 13.14%, while the average relative error value of SVM model was 0.56% and the max relative error value was 2.42%, respectively. The RMSE, MRE, MAE value of SVM model(0.34～0.17, 0.07 and 0.56～1.27, respectively) were less than BP Neural Network model(1.04～1.16, 0.47～0.68 and 3.78～4.57 respectively), and theR2value of SVM model (0.96～0.99) were greater than BP Neural Network model(0.56～0.64), respectively. BP Neural Network model and SVM model both performed well in predicting soil water content and the prediction results of SVM model were more steady and precise. So the SVM model is the appropriate model to predict water content in biochar-added soil. The reuslt can provide theoretical evidence for prediction and management of moisture in the biochar-added soil in the semi-arid area.

soil moisture; biochar; prediction model; SVM model; BP neural network model

2016-05-20

：2016-06-14

國家自然科學(xué)基金“生物炭對(duì)黃土高原不同質(zhì)地土壤水文過程影響及機(jī)理的定位研究”(41571225)

王彤彤(1993—),男,甘肅天水人,碩士研究生,研究方向?yàn)橥寥牢廴九c修復(fù)。E-mal:tongtwang@163.com

鄭紀(jì)勇(1974—),男,山東聊城人,博士,副研究員,主要從事農(nóng)田生態(tài)系統(tǒng)研究。E-mal:zhjy@ms.iswc.ac.cn

S152.7

：A

：1005-3409(2017)03-0086-06