BG视讯

欢迎访问 草业科学,今天是

BG视讯jiyubpshenjingwangluocaoyuanturangcuhanliangyuce

史红飞 侯建伟 卢志宏 杨勇

引用本文: 史红飞,侯建伟,卢志宏,杨勇. 基于BP神经网络草原土壤Cu含量预测. 草业科学, 2019, 36(10): 2492-2498. doi: shu
Citation:  SHI H F, HOU J W, LU Z H, YANG Y. Prediction of copper contents in the grassland soil based on BPNN. Pratacultural Science, 2019, 36(10): 2492-2498. doi: shu

基于BP神经网络草原土壤Cu含量预测

    作者简介: 史红飞(1983-),女(满族),内蒙古赤峰人,硕士,主要从事生态学研究。E-mail: ;
    通讯作者: 杨勇,
  • 基金项目:BG视讯 内蒙古自治区自然科学基金“基于高光谱的草原矿区土壤光谱特征与重金属定量反演研究(2017BS0310)”;内蒙古自治区自然科学基金“典型草原退化植被的光谱特征研究(2015BS0321)”;内蒙古自治区科技创新引导奖励资金“天空地协同草原生态监测及预警体系构建与示范(20170519)”

摘要: 草原矿区开采破坏了草地生态系统的平衡,Cu元素随粉尘、径流扩散和迁移,并通过食物链富集而影响正常生产活动,因此建立简单又快速的预测模型对草原土壤Cu含量监测具有重要意义。以内蒙古锡林郭勒草原矿区为研究对象,耦合土壤有机质和pH,建立预测Cu含量的BP神经网络模型。结果表明: 1)建模数据和测试数据的拟合优度随隐含层层数的增加呈先增加后降低的规律,4层时拟合优度最大;2)隐含层层数为3、4、5和7时,隐含层节点数相近;3) 4层隐含层BP神经网络模型具有较高的拟合精度和适当的规模,可以用于草原表层土壤Cu含量的快速预测。

English

    1. [1]

      杨勇. 锡林郭勒露天煤矿区土壤重金属分布特征与植被恢复研究. 呼和浩特: 内蒙古农业大学博士学位论文, 2016.
      BG视讯 YANG Y. Study on spatial pattern of soil heavy metal and revegetation of Xilingol opencast coal mining. PhD Thesis. Hohhot: Inner Mongolia Agricultural University, 2016.

    2. [2]

      贺军亮, 张淑媛, 查勇, 蒋建军.  高光谱遥感反演土壤重金属含量研究进展[J]. 遥感技术与应用, 2015, 30(3): 407-412.
      HE J L, ZHANG S Y, ZHA Y, JIANG J J.  Review of retrieving soil heavy metal content by hyperspectral remote sensing[J]. Remote Sensing Technology and Application, 2015, 30(3): 407-412.

    3. [3]

      郭云开, 刘宁, 刘磊, 李丹娜, 朱善宽.  土壤Cu含量高光谱反演的BP神经网络模型[J]. 测绘科学, 2018, 43(1): 135-139.
      GUO Y K, LIU N, LIU L, LI D N, ZHU S K.  Hyper-spectral inversion of soil Cu content based on BP neural network model[J]. Science of Surveying and Mapping, 2018, 43(1): 135-139.

    4. [4]

      SHI T Z, CHEN Y Y, LIU Y L.  Visible and nearinfrared reflectance spectroscopy: An alternative for monitoring soil contamination by heavy metals[J]. Journal of Hazardous Materials, 2014, 265(): 166-176. doi:

    5. [5]

      CRISTIANO B, PANOS P, EMANUELE L, JEN-HOW H, ALBERTO O, ARWYN J, OIHANE F U, PASQUALE B, LUCA M.  Copper distribution in European topsoils: An assessment based on LUCAS soil survey[J]. Science of the Total Environment, 2018, 636(): 282-298. doi:

    6. [6]

      杨秀敏, 任广萌, 李立新, 罗克洁.  土壤pH值对重金属形态的影响及其相关性研究[J]. 中国矿业, 2017, 26(6): 79-83. doi:
      YANG X M, REN G M, LI L X, LUO K J.  Effect of pH value on heavy metals form of soil and their relationship[J]. China Mining Magazine, 2017, 26(6): 79-83. doi:

    7. [7]

      FRANK R, MICHAEL D, INGO M, NATALJA B, CORNELIA G.  Prediction of soil parameters using the spectral range between 350 and 15 000 nm: A case study based on the Permanent Soil Monitoring Program in Saxony[J]. Geoderma, 2018, 315(): 188-198. doi:

    8. [8]

      SONG Y X, LI F L, YANG Z F, GODWIN A A, RAY L F, JI J F.  Diffuse reflectance spectroscopy for monitoring potentially toxic elements in the agricultural soils of Changjiang River Delta, China[J]. Applied Clay Science, 2012, 64(): 75-83. doi:

    9. [9]

      BESNARD E, CHENU C, BALESDENT J, PUGET P, ARROUAYS D.  Fate of particulate organic matter in soil aggregates during cultivation[J]. European Journal of Soil Science, 1996, 47(4): 495-503. doi:

    10. [10]

      章明奎.  砂质土壤不同粒径颗粒中有机碳、养分和重金属状况[J]. 土壤学报, 2006, 43(4): 584-591. doi:
      ZHANG M K.  Distribution of organic carbon, nutrients and heavy metals in different size fractions in sandy soils[J]. Acta Pedologica Sinica, 2006, 43(4): 584-591. doi:

    11. [11]

      李秋言, 赵秀兰.  紫色水稻土颗粒有机质对重金属的富集特征[J]. 环境科学, 2017, 38(5): 2146-2153.
      LI Q Y, ZHAO X L.  Enrichment characteristics of heavy metals in particulate organic matter of purple paddy soil[J]. Environmental Science, 2017, 38(5): 2146-2153.

    12. [12]

      YAALON D H.  Conceptual models in pedogenesis: Can soil forming functions be solved?[J]. Geoderma, 1975, 14(): 189-205. doi:

    13. [13]

      MCBRATNEYA A B, SANTOS M L M, MINASNYA B.  On digital soil mapping[J]. Geoderma, 2003, 117(): 3-52. doi:

    14. [14]

      陈明. MATLAB神经网络原理与实例精解. 北京: 清华大学出版社, 2013.
      CHEN M. Matlab Neural Network Principle and Example Interpretation. Beijing: Tsinghua University Press, 2013.

    15. [15]

      张东辉, 赵英俊, 陆冬华, 赵宁博, 孙雨.  高光谱在土壤重金属信息提取中的应用与实现[J]. 土壤通报, 2018, 49(1): 31-37.
      ZHANG D H, ZHAO Y J, LU D H, ZHAO N B, SUN Y.  Application and realization of hyperspectral information extraction of heavy metals in soil[J]. Chinese Journal of Soil Science, 2018, 49(1): 31-37.

    16. [16]

      卢志宏, 刘辛瑶, 常书娟, 杨胜利, 赵薇薇, 杨勇, 刘爱军.  基于BP神经网络的草原矿区表层土壤N/P高光谱反演模型[J]. 草业科学, 2018, 35(9): 2127-2136. doi:
      LU Z H, LIU X Y, CHANG S J, YANG S L, ZHAO H H, YANG Y, LIU A J.  Hyperspectral inversion of the surface soil N/P ratio in a grassland mining area based on the BP neural network[J]. Pratacultural Science, 2018, 35(9): 2127-2136. doi:

    17. [17]

      杨勇, 刘爱军, 朝鲁孟其其格, 单玉梅, 乌尼图, 陈海军, 王明玖.  锡林郭勒露天煤矿矿区草原土壤重金属分布特征[J]. 生态环境学报, 2016, 25(5): 885-892.
      YANG Y, LIU A J, Chaolumengqiqige, SHAN Y M, Wunitu, CHEN H J, WANG M J.  Spatial distribution of soil heavy metals of opencut coal mining in Inner Mongolia Xilingol typical steppe[J]. Ecology and Environment Sciences, 2016, 25(5): 885-892.

    18. [18]

      李刚, 王勇, 孙连英.  基于支持向量机的土壤重金属含量预测研究[J]. 北京联合大学学报(自然科学版), 2015, 29(2): 36-40.
      LI G, WANG Y, SUN L Y.  Study on the prediction of heavy metal contentin soil based on support vector machine[J]. Journal of Beijing Union University (Natural Science)BG视讯, 2015, 29(2): 36-40.

    19. [19]

      李长春, 姚峰, 齐修东, 张光胜, 李昊东.  新疆准东煤田五彩湾露天矿区植被受损分析[J]. 河南理工大学学报(自然科学版), 2015, 34(1): 124-128.
      LI C C, YAO F, Qi X D, ZHANG G S, LI H D.  Analysis of vegetation damage in area of Xinjiang Zhundong Wucaiwan open coalmine[J]. Journal of Henan Polytechnic University (Natural Science)BG视讯, 2015, 34(1): 124-128.

    20. [20]

      张世文, 宁汇荣, 许大亮, 叶回春, 郑印, 张红艳, 黄元仿.  草原区露天煤矿植被覆盖度时空演变与驱动因素分析[J]. 农业工程学报, 2016, 32(17): 233-241. doi:
      ZHANG S W, NING H R, XU D L, YE H C, ZHENG Y, ZHANG H Y, HUANG Y F.  Analysis of spatio-temporal evolution and driving factors of vegetation fraction for opencast coal mine in grassland area[J]. Transactions of the CSAE, 2016, 32(17): 233-241. doi:

    21. [21]

      陈鑫健. 内蒙古草原矿区土壤养分和重金属污染研究. 北京: 北京林业大学硕士学位论文, 2016.
      CHEN X J. Contamination of soil nutrients and heavy metals in mine of Inner Mongolia grassland. Master Thesis: Beijing Forestry University, 2016.

    22. [22]

      郭二果, 张树礼, 蔡煜, 李静, 闫文慧, 杨力鹏, 李永胜, 张颖, 张波.  草原区露天煤矿开发对土壤环境质量的影响[J]. 露天采矿技术, 2012, (1): 93-97. doi:
      GUO E G, ZHANG S L, CAI Y, LI J, YAN W H, YANG L P, LI Y S, ZHANG Y, ZHANG B.  Impact of the open-pit coal mine on soil environment quality in grassland[J]. Opencast Mining Technology, 2012, (1): 93-97. doi:

    23. [23]

      龚绍琦, 王鑫, 沈润平, 刘振波, 李云梅.  滨海盐土重金属含量高光谱遥感研究[J]. 遥感技术与应用, 2010, 25(2): 169-177. doi:
      GONG S Q, WANG X, SHEN R P, LIU Z B, LI Y M.  Study on heavy metal element content in the coastal saline soil by hyperspectral remote sensing[J]. Remote Sensing Technology and Application, 2010, 25(2): 169-177. doi:

    24. [24]

      李秋蓉, 罗宇星, 晋雷雨, 邵怀勇.  冕宁牦牛坪稀土矿区土壤重金属污染光谱测定与特征分析[J]. 物探化探计算技术, 2017, 39(5): 705-710. doi:
      LI Q R, LUO Y X, JIN L Y, SHAO H Y.  Spectrophotometric determination and characterization of soil heavy metals in Mianning Maoniuping rare earth mining area[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2017, 39(5): 705-710. doi:

    25. [25]

      THOMAS K, STEFAN S.  Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science and Technology, 2002, 36(12): 2742-2747. doi:

    26. [26]

      TORMOD N, KNUT K, TOMAS I, CHARLES M.  Artificial neural networks in multivariate calibration[J]. Journal of Near Infrared Spectroscopy, 1993, 1(): 1-11. doi:

    27. [27]

      李启权, 王昌全, 岳天祥, 李冰, 杨娟.  基于RBF神经网络的土壤有机质空间变异研究方法[J]. 农业工程学报, 2010, 26(1): 87-93. doi:
      LI Q Q, WANG C Q, YUE T X, LI B, YANG J.  Method for spatial variety of soil organic matter based on radial basis function neural network[J]. Transactions of the CSAE, 2010, 26(1): 87-93. doi:

    28. [28]

      李耀翔, 汪洪涛, 耿志伟, 张鹏, 徐浩凯.  基于近红外光谱及BP神经网络分析法预测森林土壤有机碳含量[J]. 西部林业科学, 2014, 43(3): 1-6. doi:
      LI Y X, WANG H T, GENG Z W, ZHANG P, XU H K.  Prediction of forest soil organic carbon content based on NIRS and BP Neural Network[J]. Journal of West China Forestry Science, 2014, 43(3): 1-6. doi:

    29. [29]

      唐万梅.  BP神经网络网络结构优化问题的研究[J]. 系统工程理论与实践, 2005, 10(): 95-100. doi:
      TANG W M.  The study of the optimal structure of BP neural network[J]. Systems Engineering-Theory & Practice, 2005, 10(): 95-100. doi:

    30. [30]

      陈珠琳, 王雪峰.  基于ST-PCA-BP神经网络的檀香叶片全氮含量无损检测[J]. 应用生态学报, 2018, 29(5): 1551-1558.
      CHEN Z L, WANG X F.  Nondestructive detection of total nitrogen content in leaves of Santalum album based on STPCA-BP neural network[J]. Chinese Journal of Applied EcologyBG视讯, 2018, 29(5): 1551-1558.

    31. [31]

      王泽平.  基于GA-BP与多隐层BP网络模型的水质预测及比较分析[J]. 水资源与水工程学报, 2013, 24(3): 154-160.
      WANG Z P.  Prediction and comparative analysis of water quality based on GA-BP and multi-hidden-layer BP network model[J]. Journal of Water Resources and Water Engineering, 2013, 24(3): 154-160.

    1. [1]

      梁慧黄晓东王云龙高金龙马晓芳梁天刚 . 祁连冰沟流域浅雪层光谱特征分析与遥感算法反演. 草业科学, 2017, 11(7): 1353-1364. doi:  BG视讯

    2. [2]

      王凤萍李毅柳小妮任正超刘丹阳岳晓霞 . 草坪管理专业网络虚拟教学实训基地的设计. 草业科学, 2015, 9(2): 294-298. doi: 

    3. [3]

      王小玲刘腾云高 柱余发新王碧琴 . Cu2+胁迫对象草种子萌发及幼苗生长的抑制. 草业科学, 2013, 7(6): 868-873.

    4. [4]

      胡娜边秀秀姚立蓉汪军成侯静静司二静杨轲孟亚雄李葆春马小乐王化俊 . 重金属Cu、Ni、Pb对盐旱胁迫下盐生草种子萌发特性影响. 草业科学, 2020, 37(8): 1537-1547. doi: 

    5. [5]

      红 梅余 娜赵宏儒胡吉亚韩国栋 . 放牧对土壤碳、氮含量空间变异的影响. 草业科学, 2013, 7(4): 521-527.

    6. [6]

       5zhongjidouzonghuangtonghanliangdecedingbijiao. caoyekexue, 2011, 5(4): 683-686.

    7. [7]

      BG视讯  shazaozhongjizhongjinshuyuansuhanliangfenxi. caoyekexue, 2011, 5(6): 1203-1206.

    8. [8]

      李妙善王虎成张霞 . 反刍动物食糜肽氮含量测定方法. 草业科学, 2020, 37(4): 784-790. doi: 

    9. [9]

       4zhongdoukemucaozongzaoganhanliangdecedingjiqishengzhangguochengzhonghanliangdebianhua. caoyekexue, 2009, 3(8): 122-127.

    10. [10]

      吴 娜杨娜娜刘吉利杨亚亚 . 马铃薯‖燕麦对马铃薯氮、磷、钾含量及营养品质的影响. 草业科学, 2017, 11(3): 592-597. doi: 

    11. [11]

      马兰波周青平纪亚君颜红波刘文辉丁成翔 . 黄花棘豆不同生长时期苦马豆素含量的分析. 草业科学, 2014, 8(11): 2164-2168. doi: 

    12. [12]

       yigecishuduizisuihuaishengzhanghedanlinjiahanliangdeyingxiang. caoyekexue, 2011, 5(3): 431-435.

    13. [13]

      BG视讯  butongpinzhongbaisanyedanbaizhihanliangbijiao. caoyekexue, 2009, 3(2): 61-65.

    14. [14]

      李羽翡吴三桥王艳龙刘荣堂李新生 . HPLC测定狼牙刺不同组织器官中氧化槐果碱含量. 草业科学, 2009, 3(5): 62-65.

    15. [15]

      BG视讯  muxuxingtaixuexingzhuangyuxianweihanliangdexiangguanxingfenxi. caoyekexue, 2009, 3(12): 50-55.

    16. [16]

      翟晓朦臧春鑫王敏任梦云关潇 . CO2浓度升高对不同秋眠型苜蓿内源激素含量的影响. 草业科学, 2016, 10(3): 442-449. doi:  BG视讯

    17. [17]

      ??轶顾洪如钟小仙丁成龙沈益新BG视讯 . 海盐胁迫对海滨雀稗生长及植株体内阳离子含量的影响. 草业科学, 2009, 3(4): 117-120.

    18. [18]

      尚红梅陈 诚刘 祥姚海俊刘亚琪BG视讯 . FolinCiocaileu比色法测定菊苣中多酚的含量. 草业科学, 2013, 7(9): 1445-1448.

    19. [19]

      伏映萍李爱华康艳梅李正娟 . 宁夏盐池天然草地牧草脂肪酸的组成及含量. 草业科学, 2013, 7(12): 2024-2028.

    20. [20]

      田发益李晓忠何冰梅BG视讯 . 新西兰草甸羊茅中不同处理的黑麦草碱含量分析. 草业科学, 2009, 3(3): 48-52.

  • BG视讯

    图 1  BG视讯 训练数据的拟合优度

    Figure 1.  R-squared of training data

    图 2  测试数据的拟合优度

    Figure 2.  BG视讯 R-squared of test data

    图 3  隐含层节点数

    Figure 3.  Node numbers of hidden layer

    图 4  不同模型的拟合与预测效果

    Figure 4.  BG视讯 Fitting and prediction results for different models

    表 1  不同模型的评价参数

    Table 1.  The evaluation parameters of different models

    隐含层
    Numbers of
    hidden layer
    训练数据
    R2 Fitting coefficient
    of training data
    测试数据
    R2 Fitting coefficient
    of test data
    全部数据
    R2 Fitting coefficient
    of all data
    试凑次数(100次)
    Number of trial
    (100 times)
    单隐含层
    Single hidden layer
    0.44 0.15 0.35 11
    双隐含层
    Double hidden layer
    0.41 0.33 0.41 112
    3层隐含层
    Three hidden layer
    0.66 0.49 0.62 113
    4层隐含层
    Four hidden layer
    0.71 0.67 0.63 114
    5层隐含层
    Five hidden layer
    0.63 0.62 0.49 115
    6层隐含层
    Six hidden layer
    0.66 0.66 0.52 116
    7层隐含层
    Seven hidden layer
    0.51 0.49 0.42
    8层隐含层
    Eight hidden layer
    0.55 0.54 0.46
    9层隐含层
    Nine hidden layer
    0.51 0.43 0.49
    10层隐含层
    Ten hidden layer
    0.47 0.46 0.35
     – 表示因内存不足无法完成循环过程。
     – indicates that the loop could not be completed owing to insufficient memory.
    下载: 导出CSV
    BG视讯
  • <tfoot id='1qznk'></tfoot>

          <legend id='1qznk'><style id='1qznk'><dir id='1qznk'><q id='1qznk'></q></dir></style></legend>
          <i id='1qznk'><tr id='1qznk'><dt id='1qznk'><q id='1qznk'><span id='1qznk'><b id='1qznk'><form id='1qznk'><ins id='1qznk'></ins><ul id='1qznk'></ul><sub id='1qznk'></sub></form><legend id='1qznk'></legend><bdo id='1qznk'><pre id='1qznk'><center id='1qznk'></center></pre></bdo></b><th id='1qznk'></th></span></q></dt></tr></i><div id='1qznk'><tfoot id='1qznk'></tfoot><dl id='1qznk'><fieldset id='1qznk'></fieldset></dl></div>

              <bdo id='1qznk'></bdo><ul id='1qznk'></ul>

                  1. <li id='1qznk'><abbr id='1qznk'></abbr></li>
                • 加载中
                • 图(4)表(1)
                  计量
                  • PDF下载量:  6
                  • 文章访问数:  154
                  • HTML全文浏览量:  148
                  文章相关
                  • 通讯作者:  杨勇,
                  • 收稿日期:  2018-12-26
                  • 刊出日期:  2019-10-01
                  通讯作者: 陈斌,
                  • 1. 

                    BG视讯shenyanghuagongdaxuecailiaokexueyugongchengxueyuan shenyang 110142

                  1. 本站搜索
                  2. 百度学术搜索
                  3. 万方数据库搜索
                  4. CNKI搜索

                  /

                  返回文章
                  BG视讯