Release time:2021-06-18  Hits:

• Journal:农业工程学报
• Key Words:土壤 水分 养分 空间分布 贝叶斯最大熵法 贝叶斯人工神经网络方法
• Abstract:掌握农田土壤水分和养分的空间分布特征是实现农田土壤精确管理及实施精确农业的重要依据。以有限的采样 信息为基础，通过多种空间分析理论的融合，形成优势互补的综合方法，对提高土壤变量空间分布模拟和绘图精度具有 重要意义。该文将贝叶斯最大熵法（Bayesian maximum entropy，BME）和贝叶斯人工神经网络方法（Bayesian neural networks，BNN）结合形成一种空间插值新方法，即用 BNN 法表达估值的不确定性，并将其结果融入现代地质统计学 BME 法中，用融入 BNN 法结果的 BME 法（Bayesian maximum entropy method combined with Bayesian neural networks， BMENN）模拟土壤变量的空间分布。以江苏省扬州市区北部某田块的土壤水分、有机质、全氮、碱解氮、速效钾和速效 磷 6 种土壤特性的采样数据为例，运用交叉验证法，将 BMENN 法对土壤变量的估值精度与 BNN 法、普通克立格法 （ordinary Kriging，OK）进行了比较。结果表明：与 OK 法和 BNN 法相比，BMENN 法将估计方差（mean squared error，MSE）缩小 2.26%～23.54%，具有最小的估计方差和接近于 0 的平均绝对误差（mean error，ME）；BMENN 法的估计值与实测值相关系数更大（r=0.62～0.89），具有更高的相关程度；MSE 的组成分析表明，BMENN 法再现变量波动程度和波动大小的能力更强；从模拟的空间分布图来看，BMENN 法绘制的空间分布图更连续，“牛眼”较少，更符合土壤变量的地学规律。BMENN 法对于利用有限数据信息提高土壤变量空间分布模拟精度具有重要意义，并可为土壤管理、精准农业的实施以及区域环境规划等提供科学依据。
• Indexed by:Journal paper
• Volume:31
• Issue:16
• Page Number:119-127
• Translation or Not:no
• Date of Publication:2015-08-01
• Included Journals:EI