关键词:
土壤转换函数
机器学习
人工神经网络
支持向量机
K-最近邻居法
摘要:
土壤水分状态及运动过程的准确描述与预测需要精确的土壤水力参数,而使用土壤转换函数的方法可以方便省时省力地获得土壤水力参数。对于不同的建模方法,在模型预测精度、运行效率等方面有所差异。【目的】探究不同机器学习方法建立土壤转换函数模型的优劣。【方法】使用UNSODA全球土壤水力性质数据库,对比分析了人工神经网络(ANN)、支持向量机(SVM)、K-最近邻居法(KNN)对于van Genuchten模型参数的预测精度,并使用土壤样本的含水率-负压实测数据,从土壤质地的角度评价了各模型的预测效果。【结果】SVM模型对样本的预测效果最好,ANN次之,KNN模型受边缘效应影响预测效果稍逊。在训练模型时,ANN模型用时最长,KNN模型用时最短。然而,在预测过程中,ANN模型用时最短,KNN模型用时最长。【结论】本研究推荐在小数据集上建立土壤转换函数模型时使用SVM,而在更大型的数据集上要综合考虑计算成本、预测精度等方面合理选取建模方法。