基于GARBF神经网络的土壤有效锌空间插值方法研究

以土壤有效锌为研究对象,构建遗传径向基函数(GARBF)神经网络对该元素属性值进行空间插值,以训练样本集的测定值与预测值之间的决定系数、逼近误差及检验样本的插值误差为评判标准,比较GARBF神经网络、径向基函数(RBF)神经网络、普通克里格(Ordinary Kriging)的拟合能力和空间插值能力。结果表明:同一区域两种抽样方案(a、b)下三种插值方法对训练样本的拟合能力为GARBF>RBF>Or-dinary Kriging。以平均绝对误差和误差均方根作为插值精度的评价指标,GARBF与RBF神经网络相比,训练样本的逼近误差分别降低0.22～0.25(a方案)和0.10～0.11(b方案),检验样本的插值误差分别降低0.13～0.11(a方案)和0.02～0.13(b方案);GARBF神经网络与Ordinary Kriging相比,训练样本的逼近误差分别降低1.12～1.40(a方案)和1.45～1.88(b方案),检验样本的插值误差分别降低0.20～0.24(a方案)和0.14～0.32(b方案),GARBF神经网络的误差最小,插值精度最高。从GARBF神经网络的插值图可以看出,遗传算法避免了神经网络容易陷入局部最优点,扩大了对土壤中相关空间信息的搜索范围,在一定程度上避免了类似克里格插值的"平滑效应"。