基于GARBF神经网络的土壤有效锌空间插值方法研究

被引:26
作者
董敏 [1 ]
王昌全 [1 ]
李冰 [1 ]
唐敦义 [2 ]
杨娟 [1 ]
宋薇平 [1 ]
机构
[1] 四川农业大学资源环境学院
[2] 不详
关键词
GARBF神经网络; RBF神经网络; 普通克里格; 空间插值;
D O I
暂无
中图分类号
S153 [土壤化学、土壤物理化学];
学科分类号
摘要
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"。
引用
收藏
页码:42 / 50
页数:9
相关论文
共 16 条
[1]   不同输入方式下RBF神经网络对土壤性质空间插值的误差分析 [J].
李启权 ;
王昌全 ;
岳天祥 ;
李冰 ;
杨娟 ;
史文娇 .
土壤学报, 2008, (02) :360-365
[2]   基于微种群遗传算法和RBF神经网络的散乱数据重建方法 [J].
郭丽霞 ;
康宝生 .
计算机应用与软件, 2008, (01) :33-35
[3]   基于Kriging方法的空间数据插值研究 [J].
曾怀恩 ;
黄声享 .
测绘工程, 2007, (05) :5-8+13
[4]   基于模糊理论和遗传算法的神经网络权值优化 [J].
李钰 ;
孔凡国 .
上海工程技术大学学报, 2007, (02) :130-133
[5]   基于遗传算法和梯度下降的RBF神经网络组合训练方法 [J].
姜鹏飞 ;
蔡之华 .
计算机应用, 2007, (02) :366-368+372
[6]   基于ANN的土壤重金属分布和污染评价研究 [J].
胡大伟 ;
卞新民 ;
许泉 .
长江流域资源与环境, 2006, (04) :475-479
[7]   土壤速效钾养分含量空间插值方法比较研究 [J].
石小华 ;
杨联安 ;
张蕾 .
水土保持学报 , 2006, (02) :68-72
[8]   基于土壤生物空间异质性分析的空间土壤生态学研究 [J].
李明辉 ;
何风华 ;
申卫军 ;
林永标 ;
陈章和 .
土壤, 2005, (04) :375-381
[9]   空间数据建模中的内插方法讨论 [J].
邹汾生 ;
董军义 .
中国钨业, 2004, (04) :36-40
[10]   基于人工神经网络的田间信息插值方法研究 [J].
何勇 ;
张淑娟 ;
方慧 .
农业工程学报, 2004, (03) :120-123