基于COPSO-GRNN的土壤重金属含量预测模型

土壤重金属含量预测是土壤污染治理的重要一环,为提高预测准确性,文章提出一种基于COPSO-GRNN的土壤重金属含量预测模型。该模型针对广义回归神经网络(GRNN)的平滑因子难以确定的问题,使用余弦优化粒子群算法(COPSO)对其进行优化,优化过程中除了为种群个体增加小种群比较策略之外还采用了余弦加速系数来扩大搜索范围并避免陷入局部最优,之后引入适应准则来提高算法收敛速度。对该模型与几种常见的土壤重金属含量预测模型进行对比实验,实验结果表明该模型的预测值更接近于真实值,具有更好的预测性能。

深度复合模型下的土壤重金属含量预测

为提高土壤重金属含量预测的准确性,提出一种深度复合模型(DCM)。以径向基神经网络(RBFNN)为基础,将基于双曲正切函数变换的概率调整和容忍准则引入遗传算法,用于RBFNN输出层参数的生成,将随梯度正负值变化而自适应调整的学习率运用到均方根反向传播(RMSProp)算法上,用于RBFNN监督学习过程中参数的优化。结合武汉市6个新城区的农田土壤重金属含量数据进行仿真预测,验证了该模型较RBFNN等几个对比模型具有更高的预测准确性。

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。

土壤重金属空间含量预测的几种分析方法

土壤重金属空间分布及其影响因素间的相互关系,能够为土壤重金属的污染控制和治理提供一定建议。因此土壤重金属的含量反演一直是国内外环境研究者关注的重点问题之一。近年来,不同学者对各类土壤重金属空间含量分布预测模型进行了研究。文章探讨了土壤重金属空间分布模型建立的必要性,综述了几种主要的土壤重金属空间分布模型的建立与检验,对比了不同模型间的优缺点,以期推动土壤重金属空间分布模型在土壤重金属分布特征研究中的应用。