一种分组模式下的土壤重金属含量预测模型

针对传统预测模型在土壤重金属含量预测上表现不佳问题,以土壤采样点数据集中的经度、纬度、高度以及农作物类型作为输入变量,建立一种基于分组教学优化算法的分组模式预测模型(GTOA-BP)。对武汉新城区土壤采样数据进行仿真预测,将GTOA-BP模型与BP神经网络和径向基神经网络模型进行实验比较,结果表明:GTOA-BP的4种误差数据均低于其他两种模型。与BP神经网络相比,GTOA-BP的MAPE和SMAPE分别下降了9.97%和8.86%,与径向基神经网络相比,GTOA-BP的MAPE和SMAPE分别下降了6.24%和5.97%,说明该模型能降低神经网络训练的误差,提高预测精度。