基于多元回归方法的土壤水分预测模型研究_严昌荣
- 格式:pdf
- 大小:182.80 KB
- 文档页数:5
土壤水分预测的BP神经网络方法及模型
周良臣
【期刊名称】《西北农业学报》
【年(卷),期】2004(013)004
【摘要】土壤水分预报是农田适时适量灌水的基础.田间土壤水分的变化受到外界气象因素及土壤特性、作物生长的影响,关系比较复杂.笔者利用多年实测土壤水分资料和气象资料,建立了考虑多个因素对土壤水分影响的BP人工神经网络模型.模型结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的.
【总页数】4页(P130-133)
【作者】周良臣
【作者单位】西北农林科技大学教育部旱区农业水土工程重点实验室,陕西,杨凌,712100
【正文语种】中文
【中图分类】S512.7+1
【相关文献】
1.基于多元回归方法的土壤水分预测模型研究 [J], 严昌荣;申慧娟;何文清;刘爽;刘勤
2.基于PCA-BP神经网络模型的采场底板破坏深度预测方法 [J], 郭中安;杨晓;杨建飞;姜海滨;张辉
3.基于多元非线性回归与BP神经网络模型对土壤水分蒸发量的预测 [J], 韦琦;李
思颖;白胤豪;朱鹏飞;胡舒璇;黄品天
4.BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性 [J], 王彤彤;翟军海;何欢;郑纪勇;涂川
5.基于支持向量机方法的土壤水分特征曲线预测模型 [J], 李彬楠;樊贵盛
因版权原因,仅展示原文概要,查看原文内容请购买。
基于SPSS多元回归分析的城市地下水用水量预测基于SPSS多元回归分析的城市地下水用水量预测引言随着城市人口的快速增长和工业发展的加速,城市地下水资源逐渐受到威胁。
为确保城市持续发展,必须对城市地下水用水量进行有效预测和管理。
本文将基于SPSS多元回归分析方法,探究城市地下水用水量与相关因素之间的关系,并建立预测模型。
方法1. 数据收集收集城市地下水用水量和相关因素的数据,包括城市人口、工业产值、降水量等。
确保数据的准确性和完整性。
2. 数据处理对数据进行清洗和处理,包括缺失值的处理和异常值的剔除。
确保分析的数据具有统计学意义。
3. 相关性分析使用SPSS软件进行相关性分析,探究城市地下水用水量与各个因素之间的关系。
通过相关系数分析,初步筛选出与地下水用水量相关较强的因素。
4. 多元回归分析选取与地下水用水量相关较强的因素作为自变量,利用多元回归分析方法建立预测模型。
通过检验回归系数的显著性和模型的拟合优度,确定模型的可靠性。
结果与讨论通过对某城市地下水用水量的调查数据进行分析,得到如下结果:1. 相关性分析结果显示,城市人口、工业产值、降水量与地下水用水量呈正相关关系,相关系数分别为0.78、0.65和0.54,具有统计学意义(P < 0.05)。
2. 多元回归分析模型表明,城市人口和工业产值对地下水用水量的影响最显著。
回归方程为Y = 0.82X1 + 0.62X2 +3.46,其中Y表示地下水用水量,X1表示城市人口,X2表示工业产值。
根据预测模型,可得出以下结论:1. 城市地下水用水量与城市人口和工业产值呈正相关关系。
随着城市人口和工业产值的增加,地下水用水量也相应增加。
2. 在未来城市规划和发展中,应重点考虑城市人口和工业产值的变化对地下水用水量的影响,合理规划水资源利用。
3. 在城市水资源管理中,应采取有效措施,控制城市地下水用水量的过度提高,以保证地下水资源的可持续利用。
结论本研究利用SPSS多元回归分析方法,探究了城市地下水用水量与相关因素之间的关系,并建立了预测模型。
利用多元线性回归模型重构中国九大流域陆地水储量变化
杨鑫春;游为;万祥禹;宋梦芝
【期刊名称】《大地测量与地球动力学》
【年(卷),期】2023(43)2
【摘要】GRACE与GRACE-FO任务间的数据空缺导致无法连续监测陆地水储量
变化。
基于此,本文采用多元线性回归模型,以GRACE/GRACE-FO陆地水储量变化数据为参考值,以降水、气温和模型模拟的陆地水储量数据为预测参数,采用3种不同策略重构中国九大流域2002-04~2021-12连续的陆地水储量变化。
结果表明,
基于去趋势项和去季节项信号重构策略的重构结果略优于去趋势项信号重构策略,
且两者结果均优于整体信号重构策略,在人类活动或冰川融化频繁的流域(如海滦河、长江、西南诸河和内陆河流域)这种优势更为明显。
此外,重构结果的性能也受GRACE/GRACE-FO数据信噪比和预测参数与GRACE/GRCAE-FO数据的相关性
影响。
【总页数】5页(P116-120)
【作者】杨鑫春;游为;万祥禹;宋梦芝
【作者单位】西南交通大学地球科学与环境工程学院;西南科技大学环境与资源学
院
【正文语种】中文
【中图分类】P312
【相关文献】
1.利用新版GRACE时变模型反演珠江流域陆地水储量变化
2.利用GRACE模型反演长江流域陆地水储量的变化
3.利用重力卫星探测近16年中国大陆地区陆地水储量长期变化趋势
4.不同GRACE-FO模型反演流域陆地水储量变化对比
5.利用GNSS垂直位移研究长江流域陆地水储量变化的时空分布特征
因版权原因,仅展示原文概要,查看原文内容请购买。
基于逐步多元回归的眉山市晚熟柑橘干旱预测模型
林佳;付红霞;吕莲
【期刊名称】《气候变化研究快报》
【年(卷),期】2024(13)3
【摘要】干旱影响晚熟柑橘产量和品质,研究应用2023年5月~2034年3月土壤含水量数据和气象数据构建了基于逐步回归的晚熟柑橘干旱预测模型,4层土壤含水量模型相关系数R2 > 0.93,模型验证结果得到未来6天内的误差率均小于5%,表明模型能较好地应用于预测未来土壤含水量动态变化,可为晚熟柑橘精准灌溉提供决策依据。
【总页数】5页(P654-658)
【作者】林佳;付红霞;吕莲
【作者单位】四川省丹棱县气象局眉山;四川省眉山市气象局眉山;四川省东坡区气象局眉山
【正文语种】中文
【中图分类】S66
【相关文献】
1.眉山市东坡区晚熟柑橘产业区域优势、存在问题及对策分析
2.2021眉山市第四届晚熟柑橘节开幕
3.眉山市晚熟柑橘产业发展SWOT分析
4.眉山市晚熟柑橘产业发展现状、问题及对策建议
因版权原因,仅展示原文概要,查看原文内容请购买。
基于SPA-GA-SVR模型的土壤水分及温度预测朱成杰;汪正权【期刊名称】《中国农村水利水电》【年(卷),期】2024()1【摘要】土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。
为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。
实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。
实验结果表明:各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。
但整体上,复合模型相比于单一的神经网络或机器学习模型具有明显的优势,且经过连续投影算法优化的模型进一步的提高其预测能力,最终SPA-GA-SVR算法在各项指标上均优于其他模型,土壤水分预测模型的R^(2)=0.981、RMSE=0.473%,土壤温度预测模型R^(2)=0.963、RMSE=0.883℃。
实验证明基于高光谱数据,经过SPA和GA优化的SVR模型能实现对土壤湿度和温度精准的预测。
该方法具有一定的应用价值和现实意义,可应用于便携式高光谱仪和无人机上,实现对土壤水分和温度的实时监测,为今后的播种及灌溉提供理论参考。
【总页数】7页(P30-36)【作者】朱成杰;汪正权【作者单位】安徽理工大学电气与信息工程学院【正文语种】中文【中图分类】TV12;S271【相关文献】1.基于CoupModel模型的三峡库区典型林地土壤水分和温度模拟以及参数敏感性分析2.基于GM(1,1)-AR模型和AR模型的黑土区坡耕地土壤水分预测3.基于环境温湿度的土壤水分温度预测研究4.基于深度强化学习的耕作层土壤水分、温度预测5.基于气象因子的海南岛土壤水分预测模型研究因版权原因,仅展示原文概要,查看原文内容请购买。
基于偏最小二乘回归的土壤含水量预测模型研究彭胜民;李存斌;黄嘉鑫;王福林【期刊名称】《农机化研究》【年(卷),期】2010(032)009【摘要】土壤水分是直接影响作物产量的重要因素之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义.土壤含水量受到多重气象因素的影响,各气象因子间往往存在多重相关性, 从而导致传统的多元回归模型(基于最小二乘法)的失真,丧失稳健性,预测精度降低.为此,采用偏最小二乘回归建模,借助主成分分析与典型相关分析的思路,采用成分提取的方法,有效地解决了各气象因子之间的多重相关问题,建立了土壤含水量预报模型,并对模型进行了辅助分析,得出了各影响因子的评价结果排序,同时模型的拟合和预报精度均较好.【总页数】5页(P45-49)【作者】彭胜民;李存斌;黄嘉鑫;王福林【作者单位】黑龙江八一农垦大学,工程学院,黑龙江大庆163319;东北农业大学,工程学院,哈尔滨150030;黑龙江省农业机械工程科学研究院,哈尔滨150081;东北农业大学,工程学院,哈尔滨150030;黑龙江八一农垦大学,工程学院,黑龙江大庆163319;东北农业大学,工程学院,哈尔滨150030【正文语种】中文【中图分类】S157【相关文献】1.基于核偏最小二乘回归神经网络集成降水预测模型 [J], 陆克盛;汪灵枝2.基于偏最小二乘回归的滑块磨损预测模型研究 [J], 尹行;安海3.经济新常态下基于偏最小二乘回归的中长期负荷预测模型 [J], 王雁凌;吴梦凯4.基于偏最小二乘回归的作物腾发量预测模型研究 [J], 张兵;黄文生;王荣5.基于Excel平台土壤含水量多元回归预测模型 [J], 邹文安;姜波;张薇因版权原因,仅展示原文概要,查看原文内容请购买。
基于Excel平台土壤含水量多元回归预测模型邹文安;姜波;张薇【期刊名称】《水文》【年(卷),期】2015(035)002【摘要】Soil moisture content is expressed in soil moisturelevels,reflecting the most direct and important indicator of drought. Soil moisture forecast to reflect the future development trend of a certain period of agricultural drought,for carrying out the drought early warning,command and leadership at all levels and departments to provide decision-making basis for drought mitigation. In this paper, precipitation,evaporation,wind and other sources of information as influencing factors measured to Excel as technology platforms, creating a multiple regression model for soil moisture prediction. The forecast model creation method is simple, easy to transform and transfer.%土壤含水量是表述土壤干湿程度,反映旱情最直接的重要指标. 土壤含水量预测能够反映未来某一时段农牧业旱情发展趋势,为开展旱情预警、各级领导和政府部门指挥抗旱减灾提供决策性依据.以降水、蒸发、风速等实测信息源为影响因子,以Excel为技术平台,创建了土壤含水量多元回归预测模型. 该预测模型创建方法简单易行,便于改造和移植,有进一步推广价值.【总页数】6页(P65-69,89)【作者】邹文安;姜波;张薇【作者单位】吉林省墒情监测中心,吉林长春 130033;吉林省墒情监测中心,吉林长春 130033;吉林省墒情监测中心,吉林长春 130033【正文语种】中文【中图分类】S152【相关文献】1.基于SPA-MLR方法的土壤含水量光谱预测模型研究 [J], 贾学勤;冯美臣;杨武德;王超;孙慧;武改红;张松2.基于Excel+VBA技术条件的土壤含水量预测模型 [J], 邹文安;马俊英;孙晓梅3.基于光谱吸收特征的土壤含水量预测模型研究 [J], 金慧凝;张新乐;刘焕军;康苒;付强;宁东浩4.基于物联网和LSTM的柑橘园土壤含水量和电导率预测模型 [J], 高鹏;谢家兴;孙道宗;陈文彬;杨明欣;周平;王卫星5.基于粒子群算法优化BP神经网络的土壤含水量短期预测模型 [J], 牛曼丽;李新旭;张彦军;雷喜红;王艳芳;李蔚因版权原因,仅展示原文概要,查看原文内容请购买。
土壤水文过程的数值模拟与预测研究土壤是生命的基础,土壤水分的状态对于作物的生长发育有着至关重要的影响。
因此,对于土壤水文过程的数值模拟与预测研究,已成为土壤水分管理中的重要环节。
本文将对土壤水文过程的数值模拟与预测研究进行探讨。
一、土壤水文过程的数值模拟土壤水分的运移过程是一个复杂的非线性问题,主要受到土壤类型、气象条件、作物种类、土地利用方式等因素的影响。
因此,对于土壤水文过程的数值模拟需要结合多种因素进行综合分析。
目前,土壤水文过程的数值模拟主要应用的是物理模型和统计模型。
物理模型是基于土壤水文和水文学的理论,通过对土壤水分运移过程进行数学描述,从而预测土壤水分的运移特征。
统计模型则通过对大量数据进行归纳总结,建立出统计关系式,进行预测。
同时,土壤水文过程的数值模拟还可以采用不同方法进行模拟,主要包括有限元法、有限差分法、物理相似模型和统计回归模型等。
这些模型各有优劣,根据具体情况选择合适的模型进行数值模拟。
二、土壤水文过程的预测研究土壤水分的研究和预测是土壤水文学的核心问题之一。
土壤水分的预测可以为土地管理和农业生产提供重要的支持,目前已广泛应用于农业、环境和水资源管理等领域。
目前土壤水分的预测主要基于气象、雷达、卫星遥感等信息进行预测。
气象数据是土壤水分预测的重要依据,利用气象数据和水文学模型可以预测出土壤水分的变化趋势。
雷达技术可以对土壤内部水分进行探测,进而得出土壤水分的时空分布。
卫星遥感技术则可以提供大范围的土壤水分信息,用于分析土壤的水分差异性。
在土壤水文过程的预测研究过程中,还需要注意一些问题。
首先,需要建立准确可靠的预测模型,依据模型对土壤水分进行预测。
其次,需要注意数据质量问题,以确保预测结果的准确性。
最后,还需要进行数据分析和结果验证,以确保预测结果的合理性。
总之,土壤水文过程的数值模拟与预测研究是土壤水分管理的重要环节。
通过对土壤水文过程进行数值模拟和预测,可以更好地理解土壤水分的运移过程和变化规律,为农业生产、环境保护等提供重要的支持。
水稻是我国主要的粮食作物,种植面积占全国粮食种植面积的28%[1]。
稻田灌溉用水量约占我国用水总量的54%,占农业用水总量的70%[2]。
传统的淹水灌溉耗水量极大,水分利用效率(water use efficiency ,WUE)只有30%~40%,水资源浪费严重[3]。
因此,发展节水灌溉已成为提高农业用水效率、实现农业可持续发展的重要措施。
尽管不同节水灌溉制度对水稻增产作用还存在不确定性,但在提高水分利用效率方面已得到广泛认可[4]。
水田节水灌溉制度中的控制灌溉[5-10]又称调亏灌溉。
为掌握水稻水分亏缺状况、及时进行灌溉管理,需要确定合理的灌溉调控指标[11],即调控灌溉的土壤水分阈值指标。
本文采用吉林省灌溉试验中心站岔路河水田试验基地3年间水分管理模式水田试验数据,分析不同时期缺水对水稻产量的影响,研究水稻各生育阶段的适宜土壤水分,确定控制灌溉下水稻各生育阶段的土壤水分控制阈值,为制定吉林省水稻控制灌溉下的分生育期优化灌溉制度提供科学依据。
1材料与方法1.1试验区概况岔路河水田试验基地位于永吉县岔路河镇,地处吉林省中东部,松嫩平原向长白山区过渡地带,四季分明,大陆性季风气候,多年平均蒸发量1316mm ,多年平均降水量为673mm ,平均风速3.1m·s -1,年平均气温4.4℃,平均年积温2704℃,多年平均日照时数2445h ,年平均无霜期145d ,最大冻土层深度1.5m 。
1.2方案设计本文以吉林省灌溉试验中心站岔路河水田试验基地3年间水分管理模式水田试验数据为研究对象。
试验在路河水田试验基地的测桶试验区(具备遮雨棚)内进行。
试验区内水分管理模式采用控制灌溉,且采用遮雨棚不利用雨水、完全依靠灌溉的策略。
参考《灌溉试验规范》(SL 13-2015),通过测桶对比试验,按不同土壤水分下限标准确定不同的灌水定额,小区试验采用6因素5水平均匀试验设计(见收稿日期:2022-10-22基金项目:吉林省水利科技项目(〔2016〕-5);吉林省科技发展计划项目(20200402007N C )。
现代农业土壤属性空间预测方法综述梁瑞琳(山东理工大学建筑工程与空间信息学院,山东淄博 255000)摘要:土壤是陆地生态系统中的核心,具有多种属性,主要包括土壤质地、土壤盐度、土壤养分、土壤有机碳(Soil organic carbon ,SOC )、土壤酸碱度、土壤含水率等,在动植物生长、调节气候变化以及保护生物多样性等方面发挥着关键作用。
近些年来土壤问题变得日益严峻,量化土壤的各种属性变得至关重要。
通过分析总结土壤属性空间预测的多元/逐步线性回归、偏最小二乘回归等线性回归方法,支持向量机、随机森林和人工神经网络等机器学习方法,以及多层感知器和卷积神经网络等深度学习方法,可以为提升土壤属性的空间预测精度,缓解土壤问题,促进生态环境的可持续发展提供理论支撑。
因此,在对区域土壤属性进行空间预测时,应充分考虑各种条件的影响,将多种空间预测方法相结合,以此提升土壤属性的预测精度,促进土壤生态系统的健康发展。
关键词:土壤;空间预测;土壤有机质;土壤养分;机器学习 中图分类号:S159文献标志码:AA Review of Spatial Prediction Methods of SoilProperties in Modern AgricultureLIANG Ruilin(College of Architectural Engineering and Spatial Information, Shandong University of Technology,Zibo, Shandong 255000, China)Abstract: Soil is the core of terrestrial ecosystems, and it has a variety of properties, including soil texture, soil salinity, soil nutrients, soil organic carbon (SOC), soil pH, soil moisture content and so on. It plays a key role in animal and plant growth, regulating climate change and protecting biodi ‐versity. In recent years, due to the worsening problem in soil, quantifying soil properties has become crucial. By analyzing and summarizing linear regression methods such as multivariate/stepwise lin ‐ear regression and partial least squares regression for spatial prediction of soil properties, machine learning methods such as support vector machine, random forest and artificial neural network and deep learning methods such as multilayer perceptron and convolutional neural network, thus provid ‐ing theoretical support for improving the spatial prediction accuracy of soil properties, alleviating第一作者:梁瑞琳,在读本科生,研究方向为农业遥感,E-mail :****************。
专利名称:一种基于机器学习算法的土壤水分预测方法专利类型:发明专利
发明人:杨联安,聂红梅
申请号:CN201910271027.7
申请日:20190404
公开号:CN111307643A
公开日:
20200619
专利内容由知识产权出版社提供
摘要:本发明属于土壤检测技术领域,公开了一种基于机器学习算法的土壤水分预测方法:建立土壤水分数据及预测因子数据库;土壤水分模拟预测及时空特征检测:采用支持向量机、随机森林和BP神经网络算法在R语言环境下建立土壤水分预测模型;采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析;通过交叉验证等方法分析预测模型,通过精度指标,对该方法的精度进行评价;土壤水分预测因子重要性测定。
本发明结合当地实际情况,选取地形、气象、土壤、植被等多方面的预测因子,引入新型算法—机器学习算法构建模型预测土壤水分,力求实现对当地土壤水分的精准预测。
申请人:西北大学
地址:710000 陕西省西安市太白北路229号
国籍:CN
更多信息请下载全文后查看。
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201710099018.5(22)申请日 2017.02.23(71)申请人 中国科学院南京土壤研究所地址 210008 江苏省南京市玄武区北京东路71号(72)发明人 宋效东 元野 吴华勇 刘峰 杨金玲 张甘霖 李德成 赵玉国 (74)专利代理机构 南京经纬专利商标代理有限公司 32200代理人 唐循文(51)Int.Cl.G06F 17/18(2006.01)(54)发明名称基于土壤类型归并与多元回归的土壤锰含量预测方法(57)摘要本发明涉及基于土壤类型归并与多元回归的土壤锰含量预测方法,涉及土壤微量元素在不同土壤类型内,表现出的不同空间变异特征的分治处理,能够通过分析土壤有效锰含量空间分布的离散程度来探测其空间异质性,并能够通过局部回归分析诊断出局部回归分析中的多重共线性问题;特别是在空间预测过程中,通过测度不同土样采样密度下土壤有效锰含量空间分布特征构建综合预测模型。
权利要求书4页 说明书12页 附图5页CN 106980603 A 2017.07.25C N 106980603A1.基于土壤类型归并与多元回归的土壤锰含量预测方法,其特征在于,包括如下步骤:步骤1.分别获取待预测土壤区域中各个采样点分别所对应指定各个土壤信息指标,以及所对应土壤锰含量,并构建总数据集,同时,定义指定各个土壤信息指标为自变量,土壤锰含量为因变量;然后基于不同土壤采样密度,由总数据集构建验证数据集和至少两个训练数据集;步骤2.分别针对各个训练数据集,基于归并土壤类型,获得训练数据集基于归并土壤类型级别的土壤锰含量变异系数数据集,并构建对应所有训练数据集中所有采集点的土壤锰含量变异系数直方图;同时,构建所有训练数据集分别对应于不同土壤类型级别的主成分分析散点图;然后基于土壤锰含量变异系数直方图和主成分分析散点图,确定土壤类型对不同采样密度土壤属性空间变异性影响的显著性;步骤3.分别获得各个训练数据集分别所对应的最优自变量集合,并获得各个训练数据集分别对应其所有自变量的平稳性指数,判断自变量与因变量所构建模型是否满足二阶平稳性;步骤4.根据土壤类型对土壤属性空间变异影响程度与二阶平稳假设测试结果,基于各个训练数据集,选择预测模型集合;步骤5.采用预测模型集合针对其中一个训练数据集进行训练,遴选最优预测模型,针对待预测土壤区域进行预测,获得待预测土壤区域土壤锰含量空间分布图。
基于多元回归分析的草坪土壤湿度模型研究
陈志明
【期刊名称】《江苏农业科学》
【年(卷),期】2010(000)006
【摘要】通过对影响草坪土壤湿度的因素分析,获得了各因素与草坪土壤湿度的关系,在对土壤、地形等因素分析时,引入了土壤地形综合参数来描述土壤和地形对草坪土壤湿度的影响.利用多元回归的方法对草坪土壤水分平衡方程中的参数进行校正,获得草坪中特征点的水分平衡方程,利用MATLAB建立草坪土壤等湿度面模型并进行了验证,效果良好.该模型可为草坪的建植及养护的水分管理提供参数.
【总页数】3页(P279-281)
【作者】陈志明
【作者单位】江苏农林职业技术学院,江苏句容,212400
【正文语种】中文
【中图分类】S688.4
【相关文献】
1.基于多元回归分析的外债风险r监测预警模型研究 [J], 周强
2.基于多元回归分析模型的房地产价格影响因素研究 [J], 顾沈靖
3.基于多元回归分析的地质力学模型试验中相似材料的快速配比研究 [J], 夏雨;聂宏涛;张泽俊
4.基于多元回归分析的地质力学模型试验中相似材料的快速配比研究 [J], 夏雨;聂宏涛;张泽俊;
5.基于CRITIC-TOPSIS模型与多元回归分析的精准扶贫综合绩效评价研究 [J], 张业涌;马秀;杨柳潇潇;梁禧健
因版权原因,仅展示原文概要,查看原文内容请购买。
基于SPSS软件的土壤含水量预测分析
李琳琳;岳春芳
【期刊名称】《节水灌溉》
【年(卷),期】2014()4
【摘要】基于2012年5月在新疆库尔勒巴州试验站香梨地进行土壤含水率测定实验的数据,采用SPSS软件回归分析模型进行分析,并用回归方程对不同土层深度的含水率进行预测。
结果表明:预测值能够满足精度要求,因此用SPSS软件对缺测数据进行预测是可行的。
【总页数】2页(P101-102)
【关键词】SPSS软件;预测;土壤含水率;误差分析
【作者】李琳琳;岳春芳
【作者单位】新疆农业大学水利与土木工程学院
【正文语种】中文
【中图分类】S275.3
【相关文献】
1.基于SPSS多元回归分析法对HD市DOU值的预测分析 [J], 刘坤;周明杰
2.基于SPSS曲线拟合在矿山岩移监测预测分析中应用 [J], 孙玉强;马鑫程;袁兴明
3.基于SPSS的昆明市第三方物流市场需求预测分析 [J], 陈智刚;朱鼎勋;何淼
4.辛安泉泉水流量的预测分析——基于spss软件与多元线性回归理论 [J], 王静; 申强
5.基于SPSS软件的语言测试线性回归分析——多媒体语言学习软件评分与四级考试各项成绩的相关性研究 [J], 夏璐
因版权原因,仅展示原文概要,查看原文内容请购买。
基于PCA-SVR的冬小麦土壤水分预测聂红梅;杨联安;李新尧;封涌涛;任丽;张彬【期刊名称】《土壤》【年(卷),期】2018(050)004【摘要】土壤含水量状况是影响农作物生长的重要因素,对农作物生长关键期土壤水分的精准预测是田间管理的重要内容.研究选取宝鸡市2014年至2016年冬小麦种植区3—5月的气象、地形和土壤属性3个方面共15个预测因子,建立基于主成分分析(principal component analysis,PCA)的支持向量回归机(support vector regression,SVR)模型预测0~20 cm和20~40 cm土层的土壤水分,并同时采用随机森林(random forest,RF)回归模型对同质数据进行预测分析,以对比分析PCA-SVR模型的预测效果.结果表明:PCA-SVR模型对宝鸡市冬小麦土壤水分的预测在0~20 cm和20~40 cm土层的平均预测精度分别为92.899%和92.656%,RMSE分别为7.521和8.011;随机森林回归预测模型在0~20 cm和20~40 cm土层的平均预测精度为87.632%和87.842%,RMSE分别为10.759和11.042.因此,PCA-SVR模型对宝鸡市冬小麦土壤水分具有更好的预测能力,且模型在0~20 cm土层的预测效果略优于20~40 cm土层.【总页数】7页(P812-818)【作者】聂红梅;杨联安;李新尧;封涌涛;任丽;张彬【作者单位】西北大学陕西省地表系统与环境承载力重点实验室,西安 710127;西北大学城市与环境学院,西安 710127;西北大学陕西省地表系统与环境承载力重点实验室,西安 710127;西北大学城市与环境学院,西安 710127;西北大学陕西省地表系统与环境承载力重点实验室,西安 710127;西北大学城市与环境学院,西安710127;宝鸡市农业技术推广服务中心,陕西宝鸡 721001;西北大学陕西省地表系统与环境承载力重点实验室,西安 710127;西北大学城市与环境学院,西安 710127;内江师范学院地理与资源科学学院,四川内江 641000【正文语种】中文【中图分类】S152.7;S572【相关文献】1.基于PCA-SVR的池塘DO预测模型 [J], 吴慧英;杨日剑;张颖;蒙语桦2.基于心率变异性特征和PCA-SVR的PAD维度情感预测分析 [J], 韩永明;张明星;耿志强3.基于神经网络的冬小麦生育期日土壤水分预测模型研究 [J], 王丽丽;王振龙;索梅芹;周超;胡永胜4.基于PCA-SVR模型中国工业固废产生量预测研究 [J], 刘炳春;齐鑫5.淮北平原基于ARIMA模型的冬小麦日土壤水分预测 [J], 路璐;王振龙;杜富慧;胡永胜;张晓萌因版权原因,仅展示原文概要,查看原文内容请购买。
非线性多元样条回归预报模型
严华生;尤卫红
【期刊名称】《气象学报》
【年(卷),期】1997(055)005
【摘要】针对异常复杂的非线性预报系统,提出非线性多元样条回归预报模型,
该模型既保留了线性统计预报中多元分析,逐步筛在子及显著性检验的理论和方法,又吸取了样条函数分段拟合,按需要裁剪以适应任曲线连续变化的优点,具有处理复杂非线性预报系统的功能。
试验结果表明,该模型具有良好的模拟和预报能力,值得进一步深入探讨和应用。
【总页数】6页(P628-633)
【作者】严华生;尤卫红
【作者单位】云南大学地球科学系;云南大学地球科学系
【正文语种】中文
【中图分类】P456.8
【相关文献】
1.盐碱荒地土壤入渗参数的多元非线性预报模型 [J], 程诗念;樊贵盛
2.基于改进的多元自适应样条回归的全局近似算法 [J], 罗小玲;薛河儒
3.用深层地温资料建立多元非线性回归方程预报韶关站前汛期降水量 [J], 李丽
4.多元自适应样条回归预报浮游植物总量分析 [J], 王洪礼;向建平;葛根
5.黄土耕作农田地表土壤(0~2cm)容重的多元非线性预报模型 [J], 郭李娜;樊贵盛
因版权原因,仅展示原文概要,查看原文内容请购买。
收稿日期:2008-07-05.基金项目:国家/十一五0/8630课题(2006AA100220);国家科技支撑计划课题(2006BAD29B 01);国家基础性工作专项项目资助.作者简介:严昌荣(1964-),男,博士,研究员,主要从事旱作农业、生态农业方面的研究工作.*通讯作者:申慧娟,Em ai :l s h iz yk@hot m ai.l co m.基于多元回归方法的土壤水分预测模型研究严昌荣1,3,申慧娟2,*,何文清1,3,刘 爽1,3,刘 勤1,3(1.中国农业科学院农业环境与可持续发展研究所,北京100081;2.北京出版社信息中心,北京100011;3.农业部农业环境与气候变化重点开放实验室,北京100081)摘要:通过对气象因子与土壤水分相互关系分析,并采用多元回归法中/后退法0和/逐步前进法0进行自变量筛选.两种回归方法所选择标准虽然不同,但却得到了基本相同的结果,同时,研究结果也显示两种方法各有优点,/后退法0善于发现联合作用较强的变量,而/前进法0则善于发现单独作用较强的变量1通过多元回归法构建了延安地区0~50c m 共计5层土壤湿度的预测模型,分别是:Y 1=6811549+01619x 1-012110x 2+112948x 3+011875x 6;Y 2=10819065+015374x 1-012269x 2+017169x 3+013390x 6+011325x 7;Y 3=13119372+014412x 1-012415x 2+012653x 3+014231x 6+012257x 7+011444x 8;Y 4=14914898+013859x 1-013143x 2-012404x 4+013033x 5+015014x 6+013079x 7+012393x 8+011774x 9;Y 5=14418923+013033x 1-013020x 2-012769x 4+013592x 5+014436x 6+013124x 7+012686x 8+012078x 91通过验证发现模型预测值和实测值可以发现二者之间具有较好的一致性.关键词:土壤水分;多元回归;预测模型中图分类号:S152.7文献标识码:A文章编号:1008-8423(2008)03-0241-05Study on the Si m ul ation M odel of SoilM oisture w ithM ulti ple R egressi onM ethodYAN Chang-r ong 1,3,S H E N H ui-j u an2,*,HE W en-qi n g 1,3,LI U Shuang 1,3,LI U Q in1,3(1.Institute of Env iron m ent and Susta i nab l e D eve l op m en t i n A g ricu lture ,CAAS ,Be iji ng 10081,Ch i na ;2.T he Cen ter o f Infor m ati on of Be iji ng Pub lish i ng H ouse G roup ,Be iji ng 100011,Ch i na ;3.T he K ey labo rato ry for A g ro-environm ent&C li m a te Chang e ,M i n i stry of A g ricu lt ure ,P .R.C ,Be ijing 100081,Ch i na)Abst ract :By ana l y zi n g the re l a ti o nship o f cli m ate factors and so ilm o isture ,it selects the independent variab les w ith the backw ard eli m i n ation and for ward reg ression of mu lti p le regressi o n m ethod .A lthough the se lection standards of the t w o m ethods have so m e differences ,the selecti o n results are basica lly t h e sa m e .A t sa m e ti m e ,w e a lso found the t w o m e t h ods have d ifferen t advan tages ,and it is easy to get t h e u -n ite variab le w ith t h e back regressi o n ,and so litude variab le w ith for w ar d regressi o n.W ith the m ethods ,the fi v e equations constructed are as fo ll o w s :Y 1=6811549+01619x 1-012110x 2+112948x 3+011875x 6;Y 2=10819065+015374x 1-012269x 2+017169x 3+013390x 6+011325x 7;Y 3=13119372+014412x 1-012415x 2+012653x 3+014231x 6+012257x 7+011444x 8;Y 4=14914898+013859x 1-013143x 2-012404x 4+013033x 5+015014x 6+013079x 7+012393x 8+011774x 9;Y 5=14418923+013033x 1-013020x 2-012769x 4+013592x 5+014436x 6+013124x 7+012686x 8+012078x 91And the va li d ated resu lt sho w s tha t the f o recasti n g value and the m odel and m easured val u e are consisten.t K ey w ords:soilm o isture ;m ultiple regression;forecasti n g m ode l第26卷第3期 湖北民族学院学报(自然科学版) V o.l 26 N o .32008年9月 Journal o fH ube iUn i versi ty for N ati onaliti es(Na t ura l Sc i ence Editi on) Sep .2008土壤水分预测是土地持续利用、水资源规划与管理和农业生产的基础,一直受到生态学家、土壤学家、水文学家和农学家的广泛关注,其中统计预报是国外发展比较早和成熟的方法[1].20世纪60年代,加拿大科学家利用水分平衡方法进行土壤水分预报,20世纪70年代,英国和荷兰科学家先后建立了进行土壤水分预测的MORECS系统和S WATRE数值模型,印度也建立了土壤水分亏缺指数模型.近年来,国内土壤水分研究方面应用比较广泛的预测方法主要有引入随机变量的机理性模型[2,3],土壤水分平衡方程估算法[4,5],土壤水动力学模型法[6],时间序列分析模型[7],微波遥感技术估算法[8]和人工神经网络预测的方法[9,10].引入随机变量的机理性模型是一个以气象因子为随机变量,气象因子与土壤湿度相关关系为基础的预报方法.土壤湿度和气候因子是一种相互影响的过程,土壤湿度作为陆面过程重要参量一方面影响土壤本身的热力学性质和水文过程,另一方面气象因子,如降水、蒸发和日照等能够直接或间接影响到土壤含水量的变化.因此,可以将降水、气温、日照和蒸发等随机变量与土壤湿度按照一定的时段划分进行相关分析并建立预测方程,如仪垂祥等[11]以降水量和潜在蒸散量为依据,利用土壤水分收支方程对土壤湿度空间分布进行计算,构建了中国东部季风区土壤湿度空间分布图.马柱国等[3]研究中国东部地区的土壤湿度、降水和气温后认为土壤湿度和降水呈正相关,与气温呈负相关.本研究以黄土高原的延安地区作为对象,利用多元逐步回归方法研究降水、温度等气象因子与土壤湿度的相互关系,并构建相应的模型.1数据的来源和预处理本研究所用的气象数据从1951~2000年50年的日值,主要有降水量、日照时数、平均气温、最高气温、最低气温和蒸发量等.土壤湿度为1982~1998年的实测数据,观测在每年2~11月的8、18和28日进行. 1982~1993年土壤湿度测定深度为0~5、5~10、10~20、20~30、30~40、40~50、50~60、60~70、70~80、80~90、90~100c m等11层.从1994年开始,观测深度改为0~10、10~20、,、90~100c m等10层.根据现有数据的情况,本研究以旬为步长和土壤湿度为基准,抽取气象数据中和它对应的数据,构成自变量与因变量的数据对来建立预测模型.在数据的预处理过程中,根据原始数据采集资料的说明及专业的换算公式对特殊数据进行换算,得到研究需要的标准数据,然后进行旬值计算.由于每年12月至第二年的1~ 2月不进行土壤湿度的监测,因此,共得到延安站点从1982年3月下旬到1998年11月下旬的438个样本.在本研究中,以0~50c m土壤含水量和相对应的气象数据为原始数据,进行土壤水分含量的模拟研究.2模型的建立与求解在对数据作了初步整理的基础上,选择降水量、日照时数、平均气温、最高气温、最低气温和蒸发量等7个气象因子的旬值,还确定了对应某一旬数据的往前依次递推九旬的降水量数据为可选择的自变量,这样,自变量的选择范围就是7个气象因子和前九旬降水量.通过初步分析发现,最高气温、最低气温和平均气温这三个变量之间存在着线性关系,平均气温已经体现了最高气温和最低气温这两个指标的信息,根据研究问题的简便性,选择了平均气温作为自变量中的一个,最高和最低气温在模型中不再考虑.这样在经过初步筛选以后的自变量组就成了14个.采用全模型方式建模[12],具体为:Y=XB+E=Y^+E.Y=y1y2,y10,B=B0B1,B10,X=1x11x12,x1141x21x22,x214,,,,,1x101x102,x1014.其中,x1为旬降水量、x2为旬平均气温、x3为旬均相对湿度、x4为旬均日照时数、x5为旬均蒸发量、x6为前1旬降水量、x7为前2旬降水量、x8为前3旬降水量、x9为前4旬降水量、x10为前5旬降水量、x11为前6旬降水量、x12为前7旬降水量、x13为前8旬降水量、x14为前9旬降水量、y1,y2,,,y5分别为第1层,第2层,,,第5层的土壤含水量.利用M atlab软件[13]中统计工具包的o ls函数进行参数的最小二乘估计得到如下回归结果:第一层(0~10c m),R-squared=0.4681;Rbar-squared=0.4505;si g m a^2=899.6782.242湖北民族学院学报(自然科学版)第26卷表1利用全模型计算获得的土壤水分预测模型参数T ab.1T he ca lcu l ation o f reg ressi on pa rame ters of so ilm o isture forecasti ng w ith f u llm ode l变量系数T统计T概率变量系数T统计T概率con83.2350633.6090380.000344x80.0356580.5051640.613707x 10.6151637.2084010.000000x9-0.004624-0.0654070.947881x2-0.173830-2.3567320.018892x10-0.042695-0.6030360.546808x 31.0856783.4721110.000570x110.0722871.0154720.310462x40.0163870.1322540.894847x120.0275290.3755930.707407x5-0.162554-0.6575990.511153x13-0.010478-0.1381690.890173x 60.1823152.3724650.018116x14-0.088887-1.1732160.241369x70.0252770.3532490.724078计算结果显示回归系数存在一些不合理的情况,如日照时数x4应该和土壤湿度呈负相关关系,但是回归的结果是正相关关系.另外一些变量的t值远大于0.05,说明此变量系数与零的差异不显著,它们在回归方程中存在的合理性比较低.计算上述14个变量的相关系数r也表明5个气象因子之间存在着一些强相关性.因此,不能简单使用全模型建模方式进行土壤水分预测模型的构建,必须采取一些措施重新选择进入回归方程中的自变量.在本研究中,采用逐步回归法来筛选自变量进行回归.利用Stata统计软件提供的逐步回归命令,对延安站的0~50c m5层土壤湿度分别组成的5组回归方程依次用后退法和逐步前进法进行自变量的筛选.以假设检验的值为标准进行筛选.具体做法是,设后退法的P选为0.102;逐步前进法的P选为0.05,P剔为0.052.如果变量小于事先给定的标准即P选<0.05,则称符合入选标准,反之,如大于事先给定的标准,即P选>0.05,则不符合入选标准.筛选的过程与结果如下所示:对于第一层(0~10c m)土壤水分数据进行分析如下所示:采用后退法,P选为0.102时,筛选过程如表2所示:表2利用后退法获得0~10cm土层土壤水分模型变量的过程T ab.2T he processing o f se lecti ng v ariab l e o f so il mo ist ure f o recasti ng i n0~10cm w it h backward eli m i na ti on步骤筛选标准操作步骤筛选标准操作1P=0.9479\0.1020Remov i ng x96P=0.5789\0.1020R e m ov i ng x102P=0.8936\0.1020Remov i ng x47P=0.6025\0.1020R e m ov i ng x83P=0.8917\0.1020R emov i ng x138P=0.4708\0.1020R e m ov i ng x5 4P=0.7120\0.1020Remov i ng x79P=0.2436\0.1020R e m ov i ng x14 5P=0.6945\0.1020R emov i ng x1210P=0.3142\0.1020R e m ov i ng x11回归结果与参数计算源回归总误差自由度剩余标准差样本数n=438模型331503.05482875.763F值(4,433)=93.46残差383946.44433886.71233F检验P值Prob>F=0.0000总计715449.494371637.1842复相关系数R-squared=0.4633校正复相关系数A d jR-squa red=0.4584均方根R oo tM SE=29.778 y回归系数剩余标准差t值P>|t|95%置信区间x10.61914020.08048277.690.0000.4609549~0.7773254x2-0.2109550.023241-9.080.000-0.256634~-0.1652754x31.2948390.13919469.30.0001.021258~1.56842x60.18746320.07271322.580.0100.0445485~0.330378常数Cons.68.154948.7085137.830.00051.03872~85.27115采用逐步前进法,P选为0.05,P剔为0.052时,筛选过程与参数计算结果见表3.从表2、3的结果可以看出,两种不同的逐步回归方法,选择不同的P剔,得到了相同的筛选结果,但是对变量的筛选过程是不一样的,从各变量的回归系数的假设检验可知,x1、x2、x3的假设检验的P=0,x6的假设检验的P=0.01,故可以认为这四个变量均有显著性.构建回归方程如下:y1=68.1549+0.6191x1-0.2110x2+1.2948x3+0.1875x6.用同样的方法,对第2层(10~20c m)、第3层(20~30c m)、第4层(30~40c m)、第5层(40~50c m)的243第3期严昌荣等:基于多元回归方法的土壤水分预测模型研究数据进行分析,得出回归方程如下:表3利用前进法获得0~10cm土层土壤水分模型变量的过程T ab.3T he processi ng of se l ecting var i able o f so il mo isture forecasting i n0~10c m w it h f o r w ard stepw ise m ethod 步骤筛选标准操作步骤筛选标准操作1P=0.0000<0.0500add i ng x34P=0.0387<0.0500adding x62P=0.0000<0.0500add i ng x55P=0.0139<0.0500adding x23P=0.0000<0.0500add i ng x16P=0.5077\0.0520re m ov ing x5回归结果与参数计算源回归总误差自由度剩余标准差样本数n=438模型331503.052482875.763F值(4,433)=93.46残差383946.437433886.71233F检验P值P rob>F=0.0000总计715449.4894371637.1842复相关系数R-squa red=0.4633校正复相关系数A dj R-squared=0.4584均方根R ootM SE=29.778 y回归系数剩余标准差t值P>|t|95%置信区间x11.2948390.13919469.300.0001.021258~1.56842x2-0.2109550.023241-9.080.000-0.256634~-0.4219094x30.61914020.08048277.690.0000.4609549~0.7773254x60.18746320.07271322.580.0100.0445485~0.330378常数C ons.68.154948.7085137.830.00051.03872~85.27115 y2=108.9065+0.5374x1-0.2269x2+0.7169x3+0.3390x6+0.1325x7,y3=131.9372+0.4412x1-0.2415x2+0.2653x3+0.4231x6+0.2257x7+0.1444x8, y4=149.4898+0.3859x1-0.3143x2-0.2404x4+0.3033x5+0.5014x6+0.3079x7+0.2393x8+0.1774x9,y5=144.8923+0.3033x1-0.3020x2-0.2769x4+0.3592x5+0.4436x6+0.3124x7+0.2686x6+0.2078x9.3模型验证与讨论以上分析过程中发现即使采用同样的选择标准,两种方法得到的回归结果有时是不一样的,这是因为/后退法0善于发现联合作用较强的变量./前进法0善于发现单独作用较强的变量.因此,这两种方法常常是结合起来分析,以挖掘更多的有用信息,而且还经常使用多个筛选标准,经过多次分析才能得到较为满意的结果.比较表4的数据可以发现,运用逐步回归选择自变量后回归模型变得简单了,拟合优度提高了,剩余标准差变小了,校正复相关系数Rbar-squared也提高了,另外回归系数符号也与定性分析吻合.这说明使用选模型建模比较合理,数据还显示随着土层加深,回归方程的拟合效果在逐渐下降,对于深度较浅的土层,比如0~20c m使用这种回归方程效果还是不错的,但是对于较深的土层就要适当的考虑其他的预测方法了.表4选模型与全模型建模方式的回归结果比较T ab.4T he comparison of ca lcu l a tion resu lts bet ween fullm ode l and se l ected m ode l层次全模型R-squa red Rbar-squared S i gm a^2选模型R-squared R bar-squared S i gma^2第1层0.46810.4505899.67820.46330.4584886.712326第2层0.40250.3828781.72790.39730.3904772.108429第3层0.31250.2898888.25390.30560.2960880.510742第4层0.29070.2673941.72840.28520.2719935.819433第5层0.26770.2435905.24710.26080.2470901.040041根据均方误差函数m se=1N 6Ni=1(e i)2=1N6Ni=1(y i-y^i)2算得利用逐步回归法计算得到的均方误差根(RootM SE)为:0~10c m为2.67,10~20c m为2.00,20~30c m为2.09,30~40c m为2.07,40~50c m为2.05.利用1990年延安站点的气象数据,通过构建的模型对该站1999年0~50c m土壤含水量进行预测,得244湖北民族学院学报(自然科学版)第26卷到了1990年2月下旬到11月下旬分层的土壤含水量(表5),比较预测值和实测值可以发现二者之间具有表5土壤水分含量的实测值与逐步回归预测值/%T ab.5T he so ilm o i sture va l ue m easured and f o recasted w i th step w ise regress i on m ethod月份旬0~10c m实测值预测值10~20cm实测值预测值20~30c m实测值预测值30~40cm实测值预测值40~50c m实测值预测值2下旬12.19.913.612.316.013.216.713.312.112.8上旬13.99.914.412.114.412.913.513.113.612.7 3中旬16.713.713.814.312.813.813.013.413.912.9下旬12.812.112.913.413.013.513.013.213.212.7上旬15.510.912.412.413.512.613.312.412.812.0 4中旬12.59.712.511.312.211.811.911.812.111.6下旬11.511.512.112.412.112.113.511.912.811.7上旬11.310.011.811.212.011.412.311.312.411.1 5中旬14.911.213.312.012.611.611.911.712.011.5下旬11.48.213.010.012.210.413.110.812.410.7上旬9.39.112.010.112.29.911.710.213.810.3 6中旬15.711.815.211.813.811.112.810.413.310.2下旬10.28.212.49.912.810.112.910.413.010.3上旬17.015.117.414.617.313.117.011.716.311.2 7中旬14.012.414.412.815.612.415.211.615.611.2下旬12.612.114.312.414.411.414.610.614.710.4上旬8.611.39.911.911.012.011.311.412.211.2 8中旬16.311.211.412.010.711.711.911.711.511.6下旬17.311.916.012.413.712.311.111.410.811.1上旬10.312.312.112.412.411.712.011.111.510.9 9中旬12.914.412.314.111.113.010.812.211.311.9下旬14.714.212.514.111.913.311.912.211.911.8上旬15.914.914.214.812.714.011.613.311.512.9 10中旬12.412.112.813.112.013.311.912.912.412.6下旬11.612.111.113.011.612.911.212.611.612.3上旬12.114.712.014.811.714.111.913.312.212.8 11中旬11.514.411.615.010.914.511.613.611.413.1下旬10.913.011.214.410.914.810.714.210.813.6较好的一致性.因此,利用逐步回归法建立气象-土壤水分预测模型是可行的,但在最初自变量选择上还需结合专业知识进行分析判断,尽可能多地将强相关变量选进来.用逐步回归分析法所得结果不一定是全局最优,可能是局部最优.运用逐步回归分析建模可以有效考察自变量进出方程的过程,深入分析自变量的独立和联合作用.因此,在进行逐步回归时,需多用几个剔除变量的界值,考察不同界值时变量进出方程的情况.参考文献:[1]申慧娟,严昌荣,戴亚平.农田土壤水分预测模型的研究进展及应用[J].生态科学,2003,22(4):366-370.[2]郑建星,王伟宏.春季麦播期土壤墒情预报方法[J].黑龙江气象,2002(2):5-6.[3]马柱国,魏和林,符淙斌.中国东部区域土壤湿度的变化及其与气候变率的关系[J].气象学报,2000,58(3):278-287.[4]王桂玲,高亮之.冬小麦田间土壤水分平衡动态模拟模型的研究[J].江苏农业学报,1998,14(1):36-41.[5]舒素芳,高维英,赵荣.冬小麦分层农田土壤水分平衡模型[J].陕西气象,2002(2):12-16.[6]申双和,周英.农田土壤水分预测模型应用研究[J].南京气象学院学报,1992,15(4):540-548.[7]罗长寿,魏朝富,李瑞雪.时序模型在四川盆地土壤水分动态预报中的应用[J].西南农业大学学报,2002,24(5):464-466.[8]裴浩,范一大,乌日娜.利用气象卫星遥感监测土壤含水量[J].干旱区资源与环境,1999,13(1):73-76.[9]范爱武,刘伟,龙妍.基于BP网络的土壤水分预报研究[J].华中科技大学学报:自然科学版,2002,30(5):85-87.[10]程殿龙,马宏志,许晓春.神经网络方法在土壤墒情预测中的应用[J].中国农村水利水电,2002(7):6-8.[11]仪垂祥,刘开瑜,周涛.中国东部季风区土壤湿度场计算模型[J].土壤侵蚀与水土保持学报,1996,2(2):80-85.[12]何晓群.现代统计分析方法[M].北京:中国人民大学出版社,1998.[13]李涛,贺勇军,刘志俭.M atlab工具箱应用指南)))应用数学篇[M].北京:电子工业出版社,2000.245第3期严昌荣等:基于多元回归方法的土壤水分预测模型研究。