以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without ...以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。展开更多
文摘以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。
