土壤是一个复杂的动态体系 网络, 含水量, 动态, 影响

topyq2003

土壤是一个复杂的动态体系。土壤水分记录仪显示，影响土壤特性及动态变化的的各因子之间有着复杂的交互作用。人工神经网络由于具有对非线性系统预测的良好特性，可以有效的刻画其具有的不确定、多输入、复杂的非线性特征，近年来被国内外学者广泛应用于土壤的研究和预测上。
　　在土壤溶质运移和土壤养分方面，王金满等在土壤质地、土壤容重和含水量一定的情况下，把土壤溶质运移时间和运移距离看作影响土壤溶质运移的主要参数，建立2个输入单元和1个输出单元的三层BP网络，对一维垂直土柱Ｃａ2+的穿透试验进行了模拟和预测，该BP网络预测模型能较好能反映溶质穿透过程中，土壤溶质含量与运移时间和距离的动态关系，可用来预测土壤溶质含量的时空变化量，且工作量小，不需要测定水动力弥散系数、阻滞系数等。乔冬梅等(2005)针对浅地下水埋深条件下作物生育期内根系层土壤水盐动态模拟中存在的问题，将人工神经网络引入水盐动态的模拟和预报中，建立了根系活动层0—60cm和0—loocm深度内土壤水盐动态的BP网络模型。结果表明，以生育时段初平均土壤含水率、平均土壤盐分指标、地下水水位埋深、地下水盐分指标、时段内水面蒸发量、降雨量(包括灌水量)、生育期日序列7个因素为输入因子，以生育时段末平均土壤水分、平均土壤盐分指标为输出因子的BP网络模型可有效表征土壤水盐动态及其影响因素之间的内在复杂关系，并且有较高的精度。杨宇妹等(2007)通过对大豆在同一农田进行重复种植试验，以土壤养分和产量为输入，以施肥量为输出，采用混合学习算法训练网络，建立了土壤平衡施肥Fuzzy一Neuro网络模型系统。通过实际验证，将所建模型系统应用在农业生产中，可以提供最佳土壤施肥方案。胡大伟等(2007)通过建立ANN模型研究确定农田重金属含量与空间位置相关性的基础上，通过ANN模型进行空间插值，确定农田各重金属的空间分布，从而了解研究区农产品产地的重金属污染状况。
　　为水土保持中土壤养分的流失预测，王志良等 (2002)利用BP网络建立了土壤氮磷钾分析仪为输出层，流域出口处的洪量、输沙量及流域的年降雨量为输入层的包含一个中间层的BP网络。经检验，模型输出与多元线性回归模型计算结果一致。模型的建立及求解为水土保持中土壤养分的流失预测研究提供了一种新方法。