基于BP神经网络的盐碱地稳定性预测方法及系统技术方案

本发明专利技术公开了基于BP神经网络的盐碱地稳定性预测方法及系统，获取盐碱地稳定性分析的参数量；对参数量进行预处理；对预处理得到的数据进行归一化处理；计算影响蒸发能力的环境影响因素值、地理影响因素值和气候影响因素值；将三个因素值进行加权求和，得到的结果作为盐碱地蒸发能力值；搭建BP神经网络结构；利用已知的前四年盐碱地蒸发能力值作为BP神经网络的输入值，将已知的第五年盐碱地蒸发能力值作为BP神经网络的输出值，对BP神经网络进行训练；得到训练好的BP神经网络；将待预测年份的前四年的盐碱地蒸发能力值作为输入值，输入到训练好的BP神经网络中，输出待预测年份的盐碱地的蒸发能力值，实现对盐碱地稳定性的预测。

Prediction Method and System of Saline-alkali Land Stability Based on BP Neural Network

The invention discloses a prediction method and system of saline-alkali land stability based on BP neural network, obtains the parameters of saline-alkali land stability analysis, preprocesses the parameters, normalizes the data obtained from the pretreatment, calculates the values of environmental impact factors, geographical influence factors and climatic influence factors affecting evaporation capacity, and weights the values of the three factors. The results are used as evaporation capacity of saline-alkali land; the structure of BP neural network is built; the evaporation capacity of saline-alkali land in the first four years is used as input value of BP neural network, and the evaporation capacity of saline-alkali land in the fifth year is used as output value of BP neural network to train BP neural network; the trained BP neural network is obtained; the saline-alkali land in the first four years to be predicted is used as input value of BP The evaporation capacity value is input into the trained BP neural network, and the evaporation capacity value of saline-alkali land in the year to be predicted is output to realize the prediction of saline-alkali land stability.

【技术实现步骤摘要】
基于BP神经网络的盐碱地稳定性预测方法及系统
本专利技术涉及盐碱地生态稳定性领域，特别是基于BP(Backpropagation)神经网络的盐碱地稳定性预测方法及系统。
技术介绍
生态系统稳定性是指生态系统受干扰后保持原有状态的能力。20世纪70年代以前，生态学家们一直认为，更高的物种多样性和营养关系复杂性会增加种群与系统的稳定性。Macarthur(1955)用Shannon-Weaver指数来描述营养水平多样性作为稳定性的度量。May(1971)等生态学家则认为，系统复杂性的增加将减弱系统的稳定性。彭少麟(1987)采用植物群落的年龄结构来分析森林群落稳定性。Pimm(1991)总结出了45种不同的生态系统稳定性含义。Volker(1997)认为稳定性不能直接定义，只能是通过其他的概念来表示。生态系统稳定性的一般内涵包括:(1)抵抗力(resistance)，是指生态系统对外界干扰的抵抗力。生态系统在达到演替顶级后，能够自我更新和维持。当面对外来干扰时生态系统内部一定程度上能自我调节。(2)恢复力(resilience)，是指生态系统在遭到外界干扰破坏以后恢复到原状的能力。(3)持久性(persistence)和变异性(variability)，指生态系统的结构和功能长期保持在较高水平，受到自然或人为干扰后，功能和结构波动较小，很快能够重新平衡。傅伯杰(1998)认为适度的人为干扰对生态系统起到一定的积极作用。盛连喜(2002)在环境生态学中也提出适度的自然干扰是维持生态系统平衡和稳定的重要因子。目前对生态系统稳定性的认识尚存在许多异议，生态系统稳定性及其相关问题始终是生态科学工作者所面临的重要研究课题。总之，无论对于生态系统的稳定性的含义还是探讨生态系统稳定性的人为干扰和自然因素的作用，对于提高生态稳定性均具有重要的作用。盐碱地作为障碍性土地，由于受土壤盐渍化和不良气候条件影响，导致生态稳定性较差，急需采用科学有效的抚育和改良措施，为其构建稳定的生态系统，提高其生态稳定性，发挥其最大效用。蒸发要素改变着土壤的地下水位，影响着土壤的水盐平衡。在盐碱化程度的预测研究中，有许多影响因素，比如降水和蒸发因素，蒸发条件无疑是提高盐碱化程度预测精度的重要因素，蒸发能力强弱深刻影响土壤的积盐和返盐，由于环境的蒸发因素，水盐平衡受到破坏，“盐随水来，盐随水去”，蒸发过程的非线性过程深刻影响着盐碱地的形成。因此为了正确认识盐碱地的生态稳定性能力，必须实现对盐碱地形成过程中面临的非线性过程的科学预测，尤其是蒸发因素对于盐碱地生态稳定性的强烈制约作用。神经网络是一个非线性的数据建模工具集合，它包括输入层和输出层、一个或者多个隐藏层。通过设置神经网络的训练条件，进而控制训练的停止条件及网络结构，或者让算法自动选择最优的网络结构。神经元之间的连接赋予相关的权重，在迭代过程中训练算法的选择可不断地调整权重，从而使得预测误差最小化并给出预测精度。神经网络应用比较广泛，已在各个领域中应用，以实现各种复杂的功能。模式识别、鉴定、分类、控制系统等领域。在农业领域也有广泛的应用，对于作物产量的预测、土壤分类、水资源的综合评价等方面。实践应用和非线性理论的发展证明，神经网络是一种表达非线性过程和非线性因素建模的有效的工具，BP(Backpropagation)网络是多层网络,也是应用最广泛的网络。在本专利技术中我们主要运用较成熟的BP神经网络进行盐碱地生态稳定性蒸发因素的非线性预测研究，以期获得更大的效用。一般地，在BP神经网络计算和预测过程中，有以下几点需要注意：1.BP网络转移函数的筛选是个重要的问题。logsig，tansig，或者线性函数purelin是BP网络中最常用到的函数。当网络的最后一层采用曲线函数时，输出被限制在一个很小的范围内，如果采用线性函数则输出可为任意值。2.网络构建和初始化是另一个较重要的问题。运用初始化函数newff建立网络对象并且初始化网络权重，进行网络训练。3.网络模拟和训练。用sim模拟建立的带输入变量的网络。网络训练在网络加权和偏差被初始化之后执行。检索盐碱地生态稳定性的研究和专利技术专利可知，以往的研究者和专利技术者主要从改良和利用盐碱地的角度去研究和专利技术，而未见有从影响盐碱地的重要因素角度构建稳定的盐碱地生态系统，特别引入非线性算法神经网络对于蒸发这一重要因素对盐碱地形成的非线性过程实现精准的预测。诸多影响盐碱地生态稳定性的典型因素中，蒸发因素深刻地影响着土壤的积盐和返盐，影响着盐碱地生态稳定能力。多年蒸发和降雨的平衡尤其主导着盐碱地生态系统的稳定性，多年蒸发状况对于土壤盐渍化的影响是一种复杂的非线性影响，但是已有的盐碱地生态稳定性研究和专利技术中，对于时间序列下蒸发要素影响盐碱地生态稳定性的非线性过程认识和研究不足，对于盐碱地区域蒸发状况的非线性预测能力较弱，更缺乏系统性，也未见有盐碱地生态稳定性蒸发因素的非线性预测中较好的解决方案。
技术实现思路
为了解决现有技术的不足，本专利技术提供了基于BP神经网络的盐碱地稳定性预测方法、系统及介质；为了解决上述技术问题，本专利技术采用如下技术方案：作为本专利技术的第一方面，提供了基于BP神经网络的盐碱地稳定性预测方法；基于BP神经网络的盐碱地稳定性预测方法，包括：步骤(1)：获取盐碱地稳定性分析的参数量；步骤(2)：对参数量进行预处理；步骤(3)：对预处理得到的数据进行归一化处理；步骤(4)：计算影响蒸发能力的三个因素值：环境影响因素值、地理影响因素值和气候影响因素值；步骤(5)：将环境影响因素值、地理影响因素值和气候影响因素值进行加权求和，得到的结果作为盐碱地蒸发能力值；步骤(6)：搭建BP神经网络结构；步骤(7)：利用已知的前四年盐碱地蒸发能力值作为BP神经网络的输入值，将已知的第五年盐碱地蒸发能力值作为BP神经网络的输出值，对BP神经网络进行训练；得到训练好的BP神经网络；步骤(8)：将待预测年份的前四年的盐碱地蒸发能力值作为输入值，输入到训练好的BP神经网络中，输出待预测年份的盐碱地的蒸发能力值，从而实现对盐碱地稳定性的预测。进一步的，在本专利系统中设定蒸发能力阈值，如果预测出的蒸发能力值超过设定能力阈值，则认为当前盐碱地稳定性差，否则认为当前盐碱地稳定性好。进一步的，所述步骤(1)中：所述参数量，包括：盐碱地温度、盐碱地湿度、盐碱地风速、盐碱地日照时间长度、盐碱地海拔高度、盐碱地降水量和盐碱地蒸发量。进一步的，步骤(2)对参数量进行预处理得到：盐碱地的日平均温度值、盐碱地的日平均湿度值、盐碱地上方的日平均风速、盐碱地的日平均日照时间长度、盐碱地海拔高度、盐碱地日平均降水量和盐碱地日平均蒸发量。进一步的，所述步骤(4)的步骤为：对归一化处理后的盐碱地的日平均温度值和盐碱地日平均湿度值加权求和，得到的结果作为环境影响因素值；将盐碱地分布海拔高度作为地理影响因素值；对归一化处理后的盐碱地上方的日平均风速、盐碱地的日平均日照时间长度、盐碱地日平均降水量和盐碱地日平均蒸发量作为气候影响因素值。进一步的，所述BP神经网络，包括：依次连接的输入层、隐含层和输出层。隐含层神经元数目为11个，使用newff函数创建前向神经网络；输入层与隐含层之间的神经元采用logsig传递函数，本文档来自技高网...

【技术保护点】
1.基于BP神经网络的盐碱地稳定性预测方法，其特征是，包括：步骤(1)：获取盐碱地稳定性分析的参数量；步骤(2)：对参数量进行预处理；步骤(3)：对预处理得到的数据进行归一化处理；步骤(4)：计算影响蒸发能力的三个因素值：环境影响因素值、地理影响因素值和气候影响因素值；步骤(5)：将环境影响因素值、地理影响因素值和气候影响因素值进行加权求和，得到的结果作为盐碱地蒸发能力值；步骤(6)：搭建BP神经网络结构；步骤(7)：利用已知的前四年盐碱地蒸发能力值作为BP神经网络的输入值，将已知的第五年盐碱地蒸发能力值作为BP神经网络的输出值，对BP神经网络进行训练；得到训练好的BP神经网络；步骤(8)：将待预测年份的前四年的盐碱地蒸发能力值作为输入值，输入到训练好的BP神经网络中，输出待预测年份的盐碱地的蒸发能力值，从而实现对盐碱地稳定性的预测。

【技术特征摘要】
1.基于BP神经网络的盐碱地稳定性预测方法，其特征是，包括：步骤(1)：获取盐碱地稳定性分析的参数量；步骤(2)：对参数量进行预处理；步骤(3)：对预处理得到的数据进行归一化处理；步骤(4)：计算影响蒸发能力的三个因素值：环境影响因素值、地理影响因素值和气候影响因素值；步骤(5)：将环境影响因素值、地理影响因素值和气候影响因素值进行加权求和，得到的结果作为盐碱地蒸发能力值；步骤(6)：搭建BP神经网络结构；步骤(7)：利用已知的前四年盐碱地蒸发能力值作为BP神经网络的输入值，将已知的第五年盐碱地蒸发能力值作为BP神经网络的输出值，对BP神经网络进行训练；得到训练好的BP神经网络；步骤(8)：将待预测年份的前四年的盐碱地蒸发能力值作为输入值，输入到训练好的BP神经网络中，输出待预测年份的盐碱地的蒸发能力值，从而实现对盐碱地稳定性的预测。2.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，所述步骤(1)中：所述参数量，包括：盐碱地温度、盐碱地湿度、盐碱地风速、盐碱地日照时间长度、盐碱地海拔高度、盐碱地降水量和盐碱地蒸发量。3.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，步骤(2)对参数量进行预处理得到：盐碱地的日平均温度值、盐碱地的日平均湿度值、盐碱地上方的日平均风速、盐碱地的日平均日照时间长度、盐碱地海拔高度、盐碱地日平均降水量和盐碱地日平均蒸发量。4.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，所述步骤(4)的步骤为：对归一化处理后的盐碱地的日平均温度值和盐碱地的日平均湿度值加权求和，得到的结果作为环境影响因素值；将盐碱地海拔高度作为地理影响因素值；对归一化处理后的盐碱地上方的日平均风速、盐碱地的日平均日照时间长度、盐碱地日平均降水量和盐碱地日平均蒸发量作为气候影响因素值。5.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，所述BP神经网络，包括：依次连接的输入层、隐含层和输出层；隐含层神经元数目为11个，使用newff函数创建前向神经网络；输入层与隐含层之间的神经元采用logsig传递函数，隐含层与输出层之间的神经元模型采用purelin函数，运用trainlm算法进行仿真预测；输入层、隐含层和输出层之间通过节点相连，节点的激励函数选取S型函数：其中，Q为调整激励函数形式的sigmoid参数；运用S型函数实现网络节点的激励。6.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，BP神经...

【专利技术属性】
技术研发人员：王清华，杨玉建，仝雪芹，杜振宇，葛忠强，
申请(专利权)人：山东省林业科学研究院，山东省农业科学院科技信息研究所，
类型：发明
国别省市：山东,37