基于改进BP神经网络的多层土壤湿度反演

• Published in: 节水灌溉 no. 11; pp. 19 - 27
• Main Authors: 刘娣, 孙佳倩, 余钟波
• Format: Journal Article
• Language: Chinese
• Published: 河海大学全球变化与水循环国际合作联合实验室,南京 210024%河海大学 水灾害防御全国重点实验室,南京 210024 10.11.2023; 河海大学水文水资源学院,南京 210024; 河海大学 水灾害防御全国重点实验室,南京 210024; 河海大学全球变化与水循环国际合作联合实验室,南京 210024; 长江保护与绿色发展研究院,南京 210024
• Subjects: back propagation neural network; Beetle Antennae Search Algorithm; 多层土壤湿度; multi-layer soil moisture; machine learning technique; BP神经网络; 天牛须搜索算法; 机器学习; soil moisture inversion; 土壤湿度反演
• ISSN: 1007-4929
• DOI: 10.12396/jsgg.2023191

S152.7%S278; 为了获取有时空连续性的表层至深层土壤湿度数据,以美国McClellanville站和青藏高原MAWORS站为研究区域,利用有限气象观测数据,基于BP神经网络(Back Propagation Neuron Network,BPNN),融合天牛须搜索算法(Beetle Antennae Search Algorithm,BAS),构建BAS-BP模型(Beetle Antennae Search-Back Propagation Neural Networks),对表层至深层土壤湿度进行反演.结果表明:①融合优化的BAS-BP模型对各层土壤湿度的反演效果优于BP模型,两个站使用BP模型反演测试集的RMSE量值在0.016～0.191 m3/m3之间,MAE在0.012～0.177 m3/m3 之间,R在0.390～0.987之间.使用BAS-BP模型得到的测试集RMSE在0.014～0.143 m3/m3 之间,MAE在0.010～0.131 m3/m3之间,R在0.504～0.994之间.②BP和BAS-BP模型对各站不同深度土壤湿度的反演效果均在土层10 cm处达到最佳,RMSE和MAE均小于0.016 m3/m3,R均大于0.879,随着土壤深度增加,反演效果减弱.③各模型受驱动要素影响显著,BP和BAS-BP模型在McClellanville站的反演效果和稳定性较优,而在MAWORS站的反演效果和稳定性较差.在McClellanville站,基于BP和BAS-BP模型训练集与测试集的R平均变化幅度分别为10.789%、5.061%,而在MAWORS站分别增长至38.531%、14.624%.④综合比较两种模型,BAS-BP模型反演精度更高,稳定性更好,更适应于表层至深层土壤湿度的反演.