论文发表，一定要把论文修改完美，把错误降到最低，以免退稿。看看人家的论文为什么能发表呢！

黄土高原地区土壤水分布受地形、土地利用等众多因素的影响,而现有的土壤水分模型大多针对局部的点或一个坡面的土壤水分以及农田水分进行研究,难以对复杂地形下的区域土壤水分空间分布进行预测,因而不能为植被的空间布局提供科学依据[2,8,14,15,]。GIS和人工神经网络(ANN)中的BP网络模型为分析土壤水分空间分布的不确定性及复杂性提供了有效处理手段[9,16]。人工神经网络模型可模拟各因素之间的非线性关系,并可在GIS支持下将模型推广到区域空间范围。本文着重对黄土丘陵沟壑区不同植被与地形条件下的土壤水分空间演变模型进行研究,以达到模拟黄土高原土壤水分时空分布的目的。

研究区域概况研究区域为陕西省安塞县纸坊沟流域(北纬36°51′30″,东经109°19′30″),属黄土丘陵沟壑区,植被区划上属于森林草原区,流域面积8·27km2,年均气温8·8℃,年均降水量549·1mm,降水年际变率大,枯水年只有300mm左右,丰水年可达700mm以上,且年内分配不均,7~9月份降水占全年降水的61·1%,年蒸发量大于1463mm。土壤水分物理特征为凋萎湿度4·5%,田间最大持水量18·4%,毛管断裂水含量10%。

野外试验设计影响土壤渗水量分布和蒸发的因素有降水、径流、温度、地形、土壤特征、植被覆盖和土地利用等。因此有必要根据黄土丘陵区实际情况设定一些前提条件,忽略部分影响因子。基本的假设条件包括:(1)地块地块划分时利用地理信息系统软件结合野外调查的结果进行划分,且在研究中假定地块内部的性质基本一致。(2)灌溉,研究区域基本上以雨养农业和林业为主,本研究未考虑灌溉的影响。(3)活动土壤层厚度,活动土壤层主要指植物根系可以利用水分的土壤厚度,研究假定植被的活动土壤层厚度约为1m。

采用BP神经网络方法建模的首要和前提条件是有足够多典型性好和精度高的样本。为建立良好的数据基础,在上述假设前提下,于2004年4~10月在纸坊沟选取主要群落做典型抽样调查,选取3个典型断面,结合小流域断面地形部位和利用条件确定了31个测点进行动态监测,其中乔木样地8个,灌木样地个,草木样地5个,人工果园4个,农地3个,共测得101组数据。利用GPS定点监测土壤水分含量,对每一样地的立地条件和植物特征进行描述记录,并人工监测同期降雨和温度。

神经网络简介人工神经网络(Artificial neural networks)是19世纪80年代中后期迅速兴起的一门非线性科学,由于其大规模并行处理、分布式储存、高度非线性关系、学习能力强等优良特征,应用已渗透到各个领域。在目前应用较广的神经网络模型中,BP神经网络是一种应用最为广泛的前馈性网络,它具有良好的非线性映射能力,结构简单,性能良好,与其他传统模型相比具有较好的持久性和预测性。BP网络模型为前向多层模型由输入层、输出层和若干个隐含层组成。每层都包含若干个神经元,同一层各神经元之间没有相互的连接相邻层的神经元之间通过权连接,而隐含层的节点数由具体问题的复杂程度、误差减小情况等来确定。

算法实际上是前向式多层网络的实际输出与要求输出之间最小均方差的一种迭代递度算法,即用网络的实际输出与目标之间的误差来修正其权值,使目标输出与目标期望值尽可能的接近,就是使网络输出的误差平方和达到最小。BP算法由两部分组成,即信息的正向传递和误差的反向传播。在正向传递过程中,输入信息从输入层经隐含层逐层计算传向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传播,通过网络将误差信号沿原来的连接通路反向传播回来,修改各层神经元的权值,直到达到期望目标。

设输入为p,输入神经元有r个,隐含层内有s1个神经元,输出层内有s2个神经元,对应的激活函数为输出为a,目标矢量为T。则隐含层中第i个神经元的输出为∑(i =1,2,…激活函数f(x)一般采用Sigmoid模型,即输出层第k个神经元的输出为∑(i =1,2,…在满足一定精度要求下一般取较小的数值,以改善网络的概括推论能力,在训练中网络的收敛采用输出值a2k与实测值tp的平均绝对误差进行控制,其误差E(W,B)和训练样本集误差E可分别定义为∑∑第6期赫晓慧等:基于GIS与神经网络的黄土丘陵区土壤水分模型研究以上为网络学习的信息正向传播过程,另一个过程为误差的反向传播过程,当误差大于期望值时,则将误差反向传播,利用梯度下降法调节权值的变化Δw(i+1)=-η E(W,B) w+αΔ式中,Δw(i)为i次训练时权植和域值的修正;η,α分别为比例系数和动量系数。

地理信息系统(GIS)在土壤水分模型中的应用地理信息系统(GIS)技术具有强大的对空间数据进行储存、处理、分析和可视化能力,有着传统方法不可比拟的优越性,以土地利用图和DEM图为基础数据源,把基于神经网络过程的土壤水分模型结合进来研究中尺度上环境因子与土壤水分的关系,是土壤水分和水文模型及其尺度外推的重要手段。利用GIS解决土壤水分模型普适性不强的问题,将有利于对土壤水分的时间和空间变化进行分析,以建立能够应用于其他区域的土壤水分模型[16]。本研究利用GIS软件(ARCGIS),通过5m栅格精度的DEM得到纸坊沟小流域坡度与坡向图,并与植被图、地形地貌图叠加,经过分类、交叉、归组等工作得到149个地块单元图,在此基础上结合野外调查建立小流域的空间数据库和属性数据库,从中提取出下文小流域6个输入变量的地块文件,将各变量输入BP神经网络进行各影响因子的计算,可得出不同地块的土壤水分含量。

土壤水分BP网络模型输入与输出变量的确定影响土壤水分空间分布的因素很多且相互作用,而且土壤水分本身又是一个随时间而变化的动态过程,因此各因素与土壤水分的关系很难精确定量,而BP神经网络所建立的非线性模型则可以反映各输入变量与输出变量之间关系的复杂性与不对应性。黄土高原丘陵沟壑区沟深坡陡,坡面较长,不同断面部位、不同坡位、坡向等立地因素是黄土高原降水和热量的再分配因子,地形直接影响降雨入渗量和蒸发量,从而带来土壤水分的差异,坡向对热量影响较大,进而导致土壤储水能力不同。根据黄土丘陵区的实际情况,应用网络采用了下列6个变量作为网络输入:一是采样前30日内的降雨,降雨量对土壤水分起着决定性作用,为与采样时间对应并保持相对一致性,决定采用30日内的总降雨量作为输入变量;二是采样前30日内的平均温度,主要反映植被的蒸发量;三是植被,植被对于土壤水分的空间变化有着显著影响;四是坡位;五是坡向;六是坡度。网络的输出值为30日降雨时段后1m土壤内平均含水量,即预测值。