沈 婧，樊贵盛
（太原理工大学水利科学与工程学院，山西太原030024）
摘 要：基于晋北盐碱地土壤水分原位入渗试验，建立了容量为150组的盐碱地Philip入渗模型参数样本，借助MATLAB软件，分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型，其中模型的输入变量为土壤基本理化参数，输出变量为Philip入渗模型参数吸渗率S和稳渗率A，由两模型的预测结果发现，预测误差均小于6%，在建模误差允许范围之内，所建模型可靠；对比模型预报结果发现，联合归一化法处理过的输入数据更具代表性，且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验，结果表明对入渗参数预测的相对误差均小于10%，模型预报精度较高，可满足实际应用的要求。
关键词：BP神经网络；联合归一化法；预测；入渗参数；土壤理化参数；盐碱地
土壤水分入渗是指水分由地表进入土壤的过程，为表征土壤水分的入渗过程，学者们提出很多入渗模型，如Green-Ampt模型、Philip模型、Kostiakov模型和Horton模型等，诸类模型的入渗公式中所涉及的参数统称为土壤水分入渗参数，其反映了水分在土壤中的时空分布情况，是影响和决定农田灌水技术参数、灌溉质量的主要参数。通过试验直接获取土壤水分入渗参数工作量大，耗时费力，为此学者们借助一些模型对入渗参数进行预测，如岳海晶等［1］建立了线性模型预测入渗参数，郭华［2］建立了非线性模型预测入渗参数，武雯昱等［3］建立了BP模型预测入渗参数，其中BP预报模型在预测精度方面具有优势。
BP（Back-Propagation）神经网络是1986年Rumelhart等提出的一种采用误差反向传播学习算法的多层前馈神经网络，其学习训练过程实质就是根据输出值与期望值之间的差异不断调整网络权重和阈值的过程，该网络具有自组织、自适应和自学习能力，能模拟任意非线性输入输出关系［4-5］，尤其在模拟不确定关系和模糊关系上具有很大优势，这也正是BP神经网络在预测领域备受青睐的原因。但大量试验证明，BP神经网络也存在寻找最佳隐节点数没有定论、权值阈值随机产生、局部最优等缺点。为此，专家学者们提出很多改进办法，如将遗传算法、支持向量机原理、灰色理论等引入BP神经网络，虽能有效改善BP网络的部分不足，提高网络的稳定性，缩短训练时间，但对非软件专业人员来说，学习新的算法和计算机语言比较困难，不能快速理解、掌握。严鸿等［6］在如何确定隐含层节点数的问题上提出新的思路，将经验公式确定出的节点范围稍作扩大，然后从小到大依次设置隐节点数进行网络训练，此法虽能找到最佳隐节点数，提高网络精度，但仍无法摆脱长时间反复试算训练的过程；张文鸽等［5］、柳小桐［7］将重点放在处理输入样本的归一化方法上，提出新的归一化方法，使样本数据更具代表性，收敛速度快，预测效果更好，此类方法原理简单，操作方便，被人们借鉴并应用到生产实践中。笔者基于Philip入渗模型，分别采用最值归一化法、联合归一化法处理输入样本数据，借鉴严鸿等［6］扩大隐节点数范围的方法，运用土壤传输函数理论，在MATLAB软件上建立了以土壤理化参数为输入因子的BP神经网络预报模型，对盐碱地土壤水分入渗参数进行预测。此模型的建立一方面可为合理确定盐碱土壤灌溉技术参数提供新思路，另一方面也能推动BP神经网络在农业领域的应用。
1.1 试验区概况及土壤条件
土壤水分原位入渗试验在晋北盐碱地进行，试验区属北温带大陆性季风气候区，四季分明，年内温差大，据多年气象观测资料显示，日内温差最高可达17.1℃，年内温差最高可达74.1℃。降水分布不均匀，主要集中在6—9月，年均降水量为380 mm，年均蒸发能力为1 918.6 mm（20 cm蒸发皿），年均降水量远小于年均蒸发能力。
试验区属海河流域和桑干河水系，地下水位埋深相对较浅，最高水位在地下1.5 m左右，地下水矿化度为0.5～1.5 g／L。试验区土壤碱化程度相对较轻而盐渍化程度相对较重，pH值为7.0～8.3，其他土壤理化参数见表1（耕作层深度为0～20 cm，犁底层深度为20～40 cm）。
表1 试验区土壤理化参数
耕作层含盐量μ／（mg·kg-1）耕作层有机质含量G／（g·kg-1）干密度／（g·cm-3）体积含水率／%耕作层γ1犁底层γ2耕作层θ1犁底层θ21 017.559～8 059.177 0.416～1.467 0.854～1.680 0.974～1.699 2.00～41.45 3.00～31.30黏粒含量／%耕作层ω1犁底层ω∗1粉粒含量／%耕作层ω2犁底层ω∗2沙粒含量／%耕作层ω3犁底层ω∗30.84～11.96 0.91～11.91 10.88～59.08 6.00～63.08 40.00～88.00 36.00～93.09
表1中含盐量指土壤中游离态盐的含量，土壤有机质包括土壤中微生物、动物及其分泌物、植物残体和植物分泌物。
1.2 试验设备与方法
盐碱地土壤原位入渗试验采用双套环入渗法，双套环即两个同心圆环（内、外环直径分别为26、60 cm，两环高度均为25 cm）。试验开始前，将双套环垂直打入地表以下20 cm，然后向环内注水，用自制的水位控制器对内、外环水位进行控制，且基本保持在地表以上2 cm处。试验过程中，准确记录内环加水的时间和水量。大量试验表明，土壤水分入渗在60 min左右基本达到稳定入渗，本试验选定入渗时间为90 min，以确保大田土壤水分入渗都达到稳定入渗状态。
进行野外试验的同时，在室内开展测定土壤全盐量、土壤有机质含量、土壤干密度、体积含水率、土壤质地的试验。土壤的5个基本理化参数皆采用国家标准方法进行测定：土壤含盐量采用电导法测定；土壤有机质含量利用化学方法通过重铬酸钾容量法来测定；土壤干密度通过蜡封法进行测定；土壤体积含水率用传统烘干称重法测量；通过比重计法得到筛分曲线，然后分析土壤的颗粒级配，进而确定土壤质地。
1.3 Philip入渗模型
在众多入渗模型中，Philip模型［8］能较好地描述土壤水分一维垂直入渗情况。该模型属于半经验半理论模型，具有明确的物理意义，入渗公式形式简单，在土壤水分入渗研究领域应用广泛［9］。Philip入渗公式为
式中：I为累计入渗量，即自入渗开始至t时刻的入渗总量，cm；S为吸渗率，即入渗开始后第一个单位时段末的累计入渗量与稳定入渗率之差，在数值上等于入渗开始至1 min末的累计入渗量减去稳渗率，cm／min0.5；t为入渗历时，min；A为稳渗率，即在单位势梯度下饱和土壤的入渗速度或非饱和土壤入渗达到相对稳定阶段的入渗速度［1］，cm／min。
1.4 建模样本
大田盐碱土壤入渗试验可得到每一入渗时刻t所对应的阶段入渗量I及入渗90 min时的累计入渗量I90，由实测t与I的点群关系拟合出Philip入渗公式中的入渗参数S和A值。同时，测定试验田对应的土壤基本理化参数。本文选取150组由入渗参数和盐碱土壤基本理化参数构成的样本数据作为建模样本，其中142组用于网络训练，预留8组样本数据用于检验BP网络的预测能力。表2随机给出3组样本数据。
表2 部分样本数据
土壤理化参数入渗参数样本编号含盐量μ／（mg·kg-1）有机质含量G／（g·kg-1）干密度／（g·cm-3）体积含水率／%黏粒含量／%粉粒含量／%沙粒含量／%累计入渗量I90／cm 吸渗率S／（cm·min-0.5）稳渗率A／（cm·min-1）γ1γ2θ1θ2ω1ω∗1ω2ω∗2ω3ω∗31 3 074.67 0.57 1.18 1.37 3.67 13.15 10.42 5.92 16.58 27.08 73.00 67.00 0.705 0.048 10.141 2 4 763.10 0.91 1.34 1.44 25.52 26.44 0.92 1.00 53.08 63.08 46.00 36.00 0.471 0.024 6.513 3 4 434.75 0.86 1.18 1.56 18.71 26.70 0.92 3.92 59.08 44.08 40.00 52.00 0.697 0.051 12.037
2.1 改进BP神经网络的建立
2.1.1 入渗能力的影响因素
入渗参数是土壤水分入渗能力的数学表征值，这里只进行土壤理化参数对入渗能力产生影响的机理分析。
（1）含盐量对入渗能力的影响。大量试验资料表明，在土壤结构、质地、含水率、有机质含量等条件相近的情况下，盐碱地土壤的入渗能力明显小于非盐碱地土壤的入渗能力，根本原因在于：与非盐碱地相比，盐碱地土壤的水力传导度小［10］。含盐量越高，土体团聚性越差，土粒越分散，结构性越差［11］，从而入渗能力越低。
（2）有机质含量对入渗能力的影响。有机质具有很好的胶结作用，能改良土壤结构，使土壤的大、小孔隙分配合理，从而改善土壤的通透性，增强孔隙的稳定性。在其他条件一定时，有机质含量高的土壤，中等孔隙居多且土壤团粒结构稳定性较好，入渗能力较强。
（3）土壤干密度对入渗能力的影响。土壤干密度越大，土壤越密实，土壤孔隙越小，孔隙连通性越差，水分入渗路径越弯曲，水流受到的阻力就越大，单位势梯度下水分通量越小，土壤的水力传导度就越小，入渗能力越弱。
（4）体积含水率对入渗能力的影响。在土壤质地、结构相同或相近的情况下，入渗开始阶段，表层土壤很快达到饱和，若原土壤含水量大，则势梯度就小，单位过水断面的入渗通量就小，入渗能力较低。
（5）土壤质地对入渗能力的影响。土壤质地的分类和划分标准有很多种，本文采用国际制对盐碱土壤质地进行划分，并以黏粒含量、粉粒含量和沙粒含量作为数学表征值。在土壤结构、含水率相同的条件下，质地越重，黏粒含量越大，固体比表面积就越大，颗粒表面的吸附能力越大，粒间孔隙越小，在单位势梯度下，入渗水流路径严重曲折，导致水分通量较小，水力传导度低，入渗能力小。
（6）气温、地下水位和矿化度对入渗能力的影响。在地下水位高且矿化度大的情况下，气温越高，蒸发量越大，地表含水率减小，地下水通过毛管上升至地表，补给土壤水，地表水持续蒸发，地下水不断补给，而“水走盐留”，地表盐分越积越多，含盐量增大，其他条件一定时，土壤水分入渗能力减小。
2.1.2 输入和输出变量的确定
Philip入渗模型的入渗参数S和A作为BP网络模型的输出变量。
根据2.1.1的分析，BP神经网络模型的输入变量为土壤理化参数，但同时应考虑以下三点。
（1）试验研究表明［12-13］，盐碱土壤的盐分多集聚在地表0～20 cm（耕作层）范围内，故只考虑耕作层含盐量对入渗参数的影响。
（2）由于黏粒含量+粉粒含量＝100%-沙粒含量，三者存在高度的相关性，因此只选择黏粒含量和粉粒含量作为入渗参数的输入变量［14］。
（3）由吸渗率S的定义可知，入渗开始较短时间内，表层土壤很快达到饱和，但湿润锋还未到达犁底层，在其他条件一定情况下，土壤含水量大，势梯度就小，单位面积过水断面的入渗通量就小，S值就小，故影响S的因素仅限于耕作层的理化参数，而影响A的因素既有耕作层理化参数，也有犁底层理化参数。
综上分析，选择影响吸渗率S的理化参数作为其预测的输入变量，即μ、G、γ1、θ1、ω1、ω2；选择影响稳渗率A的理化参数作为其预测的输入变量，即μ、G、γ1、
2.1.3 输入变量的预处理
在网络训练之前，需要对样本数据进行预处理，以消除不同量纲的数据对网络训练的影响。常用的预处理方法有最值法、峰值法、和值法等，此类方法实际上是对样本数据同一特征参量（列向量）的归一化，但缺少不同特征参量（行向量）之间的联系，而联合归一化法弥补了这一不足。该法是对同一特征参量进行归一化（即列归一化）后，再对新数据的不同特征参量（行向量）进行归一化处理［7］（即行归一化），方法如下。
列归一化：
行归一化：
分别采用最值归一化法、联合归一化法对样本数据进行预处理，处理后的数据均在［0，1］区间内，可作为BP网络的输入数据。随机列出4组数据归一化前、后情况，见表3。
表3 部分数据归一化前、后情况
样本μGγ1θ1ω1ω21 4 388.15 0.70 1.36 20.69 9.92 40.08原始数据2 3 074.67 0.57 1.18 3.67 10.42 16.58 3 2 096.36 0.72 1.50 17.55 12.62 35.58 4 1 284.53 1.33 1.47 19.64 0.92 27.08 1 0.89 0.17 0.59 0.25 0.77 0.56最值归一化法2 0.51 0.03 0.21 0.16 0.81 0.01 3 0.23 0.19 0.89 0.20 1.00 0.45 4 0.52 0.85 0.83 0.23 0.07 0.26 1 0.01 0.02 0.51 0.23 0.94 0.98联合归一化法2 0.63 0.04 0.26 0.81 0.99 0.01 3 0.06 0.44 0.87 0.02 0.89 0.33 4 0.10 1.00 0.98 0.28 0.05 0.30
2.1.4 BP网络结构及节点个数的确定
Kolmogorov定理证明，三层的BP神经网络通过调整隐节点数就可以逼近任意非线性函数［15］，故本文选用三层BP神经网络：一个输入层、一个中间隐含层和一个输出层。
输入、输出层的节点个数即为输入变量个数。由2.1.2分析可知，预测S或A时，输出层节点数都为1；预测S时，输入层节点数为6；预测A时，输入层节点数为10。
确定隐含层节点数范围的经验公式为y＝
2.1.5 网络函数及参数的设定
本文在MATLAB7.0软件上建立BP神经网络，程序如下：
net＝newff（min max（trainput），［y，c］，｛‘logsig’，‘purelin’｝，‘trainlm’）
其中：net为新建的BP神经网络；newff为网络函数；min max（trainput）为输入向量范围（trainput为输入向量）；y、c分别为隐含层、输出层的节点个数；‘logsig’‘purelin’分别为隐含层、输出层的激活函数；‘trainlm’为网络的训练函数。
网络训练参数设置如下：最大学习迭代次数为1 000，显示间隔次数为20，目标误差为0.000 5，学习率为0.01。
2.2 入渗参数的BP预测
BP网络经过反复训练后，在满足目标误差和小于最大迭代次数的要求下，分别建立基于两种归一化方法的BP神经网络预报模型，两个模型对入渗参数的预报情况见表4、表5，两个模型的网络参数对比见表6。
表4 基于最值归一化法的BP模型对入渗参数预报情况
样本序号吸渗率S／（cm·min-0.5）拟合值预测值绝对误差吸渗率相对误差／%稳渗率A／（cm·min-1）拟合值预测值绝对误差稳渗率相对误差／% 1 0.196 3 0.195 5 0.000 8 0.407 5 0.010 1 0.010 8 0.000 7 6.930 7 0.419 4 0.430 1 0.010 7 2.553 1 0.030 9 0.029 5 0.001 4 4.530 7 3 0.339 5 0.338 7 0.000 8 0.235 6 0.018 2 0.018 9 0.000 7 3.846 2︙︙︙︙︙︙︙︙︙2 139 0.233 1 0.237 1 0.004 0 1.716 0 0.015 8 0.017 2 0.001 4 8.860 8 140 0.545 7 0.546 8 0.001 1 0.201 6 0.032 3 0.032 9 0.000 6 1.857 6 141 0.704 7 0.701 4 0.003 3 0.468 3 0.033 4 0.035 0 0.001 6 4.790 4 142 0.682 0 0.672 5 0.009 5 1.393 0 0.017 9 0.016 4 0.001 5 8.379 9平均值0.597 6 0.585 7 0.009 2 2.039 7 0.045 0 0.036 1 0.007 3 5.721 3
表5 基于联合归一化法的BP模型对入渗参数预报情况
样本序号吸渗率S／（cm·min-0.5）拟合值预测值绝对误差吸渗率相对误差／%稳渗率A／（cm·min-1）拟合值预测值绝对误差稳渗率相对误差／% 1 0.196 3 0.196 1 0.000 2 0.101 9 0.010 1 0.009 6 0.000 5 4.950 5 0.419 4 0.419 6 0.000 2 0.047 7 0.030 9 0.032 0 0.001 1 3.559 9 3 0.339 5 0.339 1 0.000 4 0.117 8 0.018 2 0.019 0 0.000 8 4.395 6︙︙︙︙︙︙︙︙︙2 139 0.233 1 0.233 7 0.000 6 0.257 4 0.015 8 0.016 7 0.000 9 5.696 2 140 0.545 7 0.550 8 0.005 1 0.934 5 0.032 3 0.034 4 0.002 1 6.501 5 141 0.704 7 0.702 0 0.002 7 0.383 1 0.033 4 0.031 2 0.002 2 6.586 8 142 0.682 0 0.662 6 0.019 4 2.844 6 0.017 9 0.018 6 0.000 7 3.910 6平均值0.597 6 0.589 2 0.007 9 1.625 6 0.045 0 0.049 1 0.001 2 4.932 5
表6 网络参数对比
对比指标最值归一化法联合归一化法训练步数612 134 S 隐节点数9 13学习时间／s 5 2训练步数717 26 A 隐节点数10 17学习时间／s 6 1
由表4、表5可知，基于最值归一化法建立的BP预报模型对入渗参数S、A的平均预测相对误差分别为2.039 7%、5.721 3%，基于联合归一化法建立的BP预报模型对入渗参数S、A的平均预测相对误差分别为1.625 6%、4.932 5%。基于这两种归一化方法所建的BP神经网络预报模型，预测误差都较小，满足建模精度要求，故所建模型是可行的；基于联合归一化法建立的预报模型对入渗参数的预测精度高于基于最值归一化法建立的预报模型。
由表6可知，在满足精度要求的情况下，与最值归一化法相比，采用联合归一化法处理过的输入数据作为网络的训练样本，训练步数和网络学习时间都减少，提高了网络的收敛速度。
2.3 累计入渗量I90的误差检验
将表4、表5中的预测值S、A代入Philip入渗公式中，可得到90 min累计入渗量I90的计算值，与试验测得的I90进行比较，见图1、图2。
图1 基于最值归一化法的计算I90与实测I90对比
图2 基于联合归一化法的计算I90与实测I90对比
由图1、图2可见，整体而言，两模型对I90的计算值与实测值相差不多，两者拟合效果较好，说明用预测值S、A计算得到的I90比较接近实测值，这更进一步说明所建模型的预报精度较高，模型可靠；由拟合度（图1拟合度R2＝0.979 6，图2拟合度R2＝0.991 0）可看出，图2的拟合效果优于图1，说明在入渗参数预报精度方面，基于联合归一化法建立的BP模型优于基于最值归一化法建立的BP模型。
综上所述，基于两种不同归一化法建立的BP神经网络预报模型对Philip入渗模型参数进行预测，预报误差均小于6%，精度较高，故所建的预报模型是可靠的。同时，选用联合归一化法处理的学习样本，可提高网络的收敛速度，入渗参数的预测精度亦有提高。
用预留的8组样本数据检验基于联合归一化法建立的BP神经网络的预报效果。入渗参数预测结果及累计入渗量I90检验情况见表7。
由表7可知，吸渗率S的预测误差为0.617 3%～9.847 0%，平均误差为5.606 5%；稳渗率A的预测误差为1.030 9%～9.949 5%，平均误差为6.475 5%；I90的相对误差为5.122 5%～9.649 1%，平均误差为7.686 9%。所有相对误差均小于10%，预报精度较
高，预报模型可作为确定入渗参数的一种快速、有效方法。
表7 预报模型检验情况
样本序号吸渗率S／（cm·min-0.5）稳渗率A／（cm·min-1）拟合值预测值吸渗率相对误差／%拟合值预测值稳渗率相对误差／% 90 min累计入渗量I90／cm实测值计算值I90相对误差／% 1 0.318 8 0.348 8 9.410 0 0.015 0 0.015 9 6.000 0 5.200 4.740 0 8.846 2 2 0.488 4 0.497 2 1.801 8 0.042 1 0.040 5 3.800 5 9.099 8.361 9 8.100 9 3 0.782 1 0.729 6 6.712 7 0.067 9 0.067 2 1.030 9 11.887 12.969 6 9.178 7 4 0.610 1 0.638 0 4.573 0 0.082 8 0.089 0 7.487 9 3.854 4.062 6 5.412 6 5 0.254 9 0.280 0 9.847 0 0.036 9 0.040 1 8.672 2 5.960 6.265 3 5.122 5 6 0.875 1 0.800 6 8.513 3 0.138 7 0.124 9 9.949 5 17.234 18.836 2 9.296 7 7 0.245 8 0.237 5 3.376 7 0.062 9 0.068 8 9.380 0 9.347 8.445 1 9.649 1 8 0.437 4 0.440 1 0.617 3 0.038 3 0.036 2 5.483 0 7.897 7.433 2 5.888 3最大值0.875 1 0.800 6 9.847 0 0.138 7 0.124 9 9.949 5 17.234 18.836 2 9.649 1最小值0.245 8 0.237 5 0.617 3 0.015 0 0.015 9 1.030 9 3.854 4.062 6 5.122 5平均值0.501 6 0.496 5 5.606 5 0.060 6 0.060 3 6.475 5 8.809 8 8.889 2 7.686 9
基于盐碱土壤水分入渗试验数据，在MATLAB软件上构建入渗参数的BP预报模型，对输入数据分别进行最值归一化、联合归一化处理，预报结果表明：入渗参数的预测误差均小于6%，精度较高，所建预报模型可靠；与最值归一化法相比，采用联合归一化法处理输入样本，可提高网络训练速度以及预测精度。
用8组实测样本对基于联合归一化法建立的BP预报模型进行精度检验，单参数检验平均误差小于7%，累计入渗量I90检验平均误差为7.686 9%，检验误差都在可接受范围之内，故可直接应用所建模型对入渗参数进行预测。
土壤水分入渗是非常复杂的过程，影响入渗能力的因素有很多，本研究仅将影响入渗能力的主要因素作为输入变量，未考虑地下水位、矿化度、灌溉水温、土壤温度等因素对土壤水分入渗的影响，势必会降低所建预报模型的准确率，日后需在样本代表性和样本长度方面进行改进。
参考文献：
［1］ 岳海晶，樊贵盛.备耕头水地土壤入渗参数的线性预报模型［J］.中国农村水利水电，2016（2）：21-26.
［2］ 郭华.冻融土壤Kostiakov入渗模型参数的非线性预报模型［J］.节水灌溉，2015（11）：1-4，8.
［3］ 武雯昱，樊贵盛.基于Philip入渗模型的土壤水分入渗参数BP预报模型［J］.节水灌溉，2015（10）：25-29.
［4］ 刘鲭洁，陈桂明，刘小方，等.BP神经网络权重和阈值初始化方法研究［J］.西南师范大学学报（自然科学版），2010，35（6）：137-141.
［5］ 张文鸽，吴泽宁，逯洪波.BP神经网络的改进及其应用［J］.河南科学，2003，21（2）：202-206.
［6］ 严鸿，管燕萍.BP神经网络隐层单元数的确定方法及实例［J］.控制工程，2009，16（增刊1）：100-102.
［7］ 柳小桐.BP神经网络输入层数据归一化研究［J］.机械工程与自动化，2010（3）：122-123.
［8］ PHILIP J R.The Theory of Infiltration About Sorptivity and Algebraic Infiltration Equations［J］.Soi Sci.，1957，84（4）：257-264.
［9］ 原林虎.PHILIP入渗模型参数预报模型研究与应用［D］.太原：太原理工大学，2013：6-8.
［10］ 樊贵盛，李尧，苏冬阳，等.大田原生盐碱荒地入渗特性的试验［J］.农业工程学报，2012，28（19）：63-70.
［11］ SO H B，AYLMORE L A G.How do Sodic Soils Behave？The Effects of Sadicity on Soil Physical Behavior［J］.Aust.J.Soil Res，1993，31（6）：31.
［12］ 邹长明，张多姝，张晓红，等.蚌埠地区设施土壤酸化与盐渍化状况测定与评价［J］.安徽农学通报，2006，12（9）：54-55.
［13］ 马献发，白路平，张继舟.哈尔滨市郊设施土壤积盐规律的研究［J］.黑龙江农业科学，2009，11（1）：50-52.
［14］ 郭华.土壤入渗模型参数的分阶段非线性预报模型研究［D］.太原：太原理工大学，2016：46.
［15］ 飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京：电子工业出版社，2005：257-290.
【责任编辑 许立新】
Saline-Alkali Soil Water Infiltration Parameter Prediction Model Based on Improved BP Neural Network
SHEN Jing，FAN Guisheng
（College of Hydro Science and Engineering，Taiyuan University Technology，Taiyuan 030024，China）
Abstract：Based on soil water infiltration testing in saline-alkaliland in the north of Shanxi Province，a capacity of150 samples of Philip infiltration model parameters of saline-alkali land was established.With the help of MATLAB software，BP neural network prediction model was built respectively based on the most value normalization method，combined normalization method，which used soil physical and chemical parameters as input variables，and which used infiltration rate S and absorption and steady infiltration rate A of Philip infiltration model parameters as output variables.Based on two model prediction results，it was found that the prediction error was less than 6%and in the range of modeling error，so the model is reliable.After the comparison of two model prediction results，it was found that input data disposed by combined normalization method was more representative and improved the network convergence speed and prediction accuracy.The measured data was used to test the accuracy of BP neural network prediction model based on joint normalization method.The results show that the relative error of infiltration parameters prediction is less than 10%and the error is small，so the model prediction accuracy is higher to meet the requirements of practical application.
Key words：BP neural network；joint normalization method；prediction；infiltration parameters；soil physical and chemical parameters；saline-alkali land
中图分类号：S152.7；TV93
文献标志码：：A
doi：10.3969／j.issn.1000-1379.2017.08.030
收稿日期：2017-01-12
基金项目：国家自然科学基金资助项目（40671081）；山西省水利厅科研项目。
作者简介：沈婧（1990—），女，内蒙古赤峰人，硕士研究生，研究方向为节水理论与技术。
通信作者：樊贵盛（1955—），男，山西孝义人，教授，博士生导师，主要从事土壤物理、灌排理论与技术研究工作。
E-mail：fanguis5507＠263.net
联系客服
