基于改进BP神经网络的多层土壤湿度反演

作者：刘娣; 孙佳倩; 余钟波^*

来源：节水灌溉, 2023, (11): 19-27.

• 多层土壤湿度
• 土壤湿度反演
• BP神经网络
• 天牛须搜索算法
• 机器学习

为了获取有时空连续性的表层至深层土壤湿度数据，以美国McClellanville站和青藏高原MAWORS站为研究区域，利用有限气象观测数据，基于BP神经网络(Back Propagation Neuron Network,BPNN)，融合天牛须搜索算法(BeetleAntennaeSearchAlgorithm, BAS)，构建BAS-BP模型(BeetleAntennaeSearch-BackPropagation Neural Networks)，对表层至深层土壤湿度进行反演。结果表明：(1)融合优化的BAS-BP模型对各层土壤湿度的反演效果优于BP模型，两个站使用BP模型反演测试集的RMSE量值在0.016～0.191 m3/m3之间，MAE在0.012～0.177 m3/m3之间，R在0.390～0.987之间。使用BAS-BP模型得到的测试集RMSE在0.014～0.143 m3/m3之间，MAE在0.010～0.131 m3/m3之间，R在0.504～0.994之间。(2)BP和BAS-BP模型对各站不同深度土壤湿度的反演效果均在土层10 cm处达到最佳，RMSE和MAE均小于0.016 m3/m3,R均大于0.879，随着土壤深度增加，反演效果减弱。(3)各模型受驱动要素影响显著，BP和BAS-BP模型在McClellanville站的反演效果和稳定性较优，而在MAWORS站的反演效果和稳定性较差。在McClellanville站，基于BP和BAS-BP模型训练集与测试集的R平均变化幅度分别为10.789%、5.061%，而在MAWORS站分别增长至38.531%、14.624%。(4)综合比较两种模型，BAS-BP模型反演精度更高，稳定性更好，更适应于表层至深层土壤湿度的反演。

• 单位
  河海大学