Phân Tích Độ Nhạy Của Kỹ Thuật Gần Nhất Phi Tham Số Để Ước Tính Khả Năng Giữ Nước Của Đất

Vadose Zone Journal - Tập 5 Số 4 - Trang 1222-1235 - 2006
Attila Nemes1,2, W. J. Rawls1, Yakov Pachepsky3, Martinus Th. van Genuchten4
1USDA-ARS, Hydrology and Remote Sensing Lab., 10300 Baltimore Ave., Bldg. 007, BARC-West, Beltsville, MD, 20705
2Univ. of California, Dep. of Environmental Sciences, Riverside, CA 92521
3USDA-ARS; Environmental Microbial Safety Lab.; Powder Mill Road, Bldg. 173, BARC-East Beltsville MD 20705
4USDA-ARS George E. Brown Jr. Salinity Lab., 450 West Big Springs Rd., Riverside, CA 92501

Tóm tắt

Biến thể của thuật toán k-láng giềng gần nhất (k-NN) phi tham số đã được áp dụng thành công trước đây để ước tính khả năng giữ nước của đất. Trong nghiên cứu này, chúng tôi đã kiểm tra độ nhạy của biến thể k-NN đó đối với các dữ liệu và tùy chọn thuật toán khác nhau, chẳng hạn như: (i) các ước tính được thực hiện trên các loại đất có sự phân bố thuộc tính khác nhau; (ii) việc sử dụng các phương pháp trọng số mẫu khác nhau; (iii) số lượng tổ hợp mà chúng tôi phát triển; (iv) mật độ dữ liệu trong bộ dữ liệu tham chiếu; (v) sự hiện diện của các giá trị ngoại lệ trong bộ dữ liệu tham chiếu; (vi) trọng số không đều của các thuộc tính đầu vào; và (vii) việc thêm dữ liệu đặc thù địa phương vào bộ dữ liệu tham chiếu. Chúng tôi đã sử dụng một tập hợp phân cấp các thuộc tính đầu vào và kích thước bộ dữ liệu để phát triển các tổ hợp dự đoán bằng cách sử dụng nhiều lựa chọn tập con ngẫu nhiên. Kỹ thuật k-NN hoạt động tốt tương đương với các mô hình mạng nơron được phát triển trên cùng một dữ liệu. Việc sử dụng hơn 50 thành viên tổ hợp không cải thiện thêm kết quả. Kỹ thuật k-NN cho thấy ít độ nhạy đối với việc lựa chọn các phương pháp trọng số mẫu và đối với việc trọng số không tối ưu của các thuộc tính đầu vào. Những khác biệt trong mật độ dữ liệu ở các phần của bộ dữ liệu tham chiếu không ảnh hưởng đáng kể đến lỗi ước tính. Những ước tính đã cải thiện đáng kể cho dữ liệu đặc thù địa phương khi một số mẫu địa phương được đưa vào bộ dữ liệu tham chiếu, trong khi các ước tính cho những mẫu khác gần như không bị ảnh hưởng. Kỹ thuật k-NN cho thấy một mức độ ổn định lớn và ít nhạy cảm với các cài đặt và tùy chọn khác nhau, có thể dễ dàng áp dụng dữ liệu mới mà không cần phát triển lại các phương trình, và là một sự thay thế hiệu quả cho các kỹ thuật khác để ước tính khả năng giữ nước của đất.

Từ khóa


Tài liệu tham khảo

Baker L.2005.Optimisation of pedotransfer function models for soil hydraulic properties using an artificial neural network ensemble method. Ph.D. diss. Univ. of Abertay Dundee UK.

Dasarathy B.V., 1991, Nearest neighbor (NN) norms: NN pattern classification techniques

Demuth H., 1992, Neural network toolbox manual

10.1007/978-1-4899-4541-9

10.2136/vzj2005.0111

Harrold T.I., 2003, A nonparametric model for stochastic generation of daily rainfall occurrence, Water Resour. Res., 39, 1300

Harrold T.I., 2003, A nonparametric model for stochastic generation of daily rainfall amounts, Water Resour. Res., 39, 1343

Haykin S., 1994, Neural networks, a comprehensive foundation

Hecht‐Nielsen R., 1990, Neurocomputing

10.1175/1520-0493(1996)124<1225:ASSATE>2.0.CO;2

10.13031/2013.17623

10.1046/j.1365-2389.1999.00247.x

10.1029/95WR02966

10.1097/00010694-197201000-00005

10.1016/j.advwatres.2005.08.007

10.2136/sssaj2002.3520

10.1016/S0016-7061(99)00061-0

10.1002/qj.49712252905

10.2136/sssaj2005.0128

10.2136/sssaj2003.1093

10.1016/S0016-7061(99)00014-2

10.2136/sssaj1996.03615995006000030007x

10.1175/BAMS-85-6-853

10.1097/00010694-199810000-00001

10.2136/sssaj2000.643843x

10.2136/sssaj1998.03615995006200040001x

Schaap M.G., 1999, Proc. Int. Worksh., Characterization and Measurements of the Hydraulic Properties of Unsaturated Porous Media, 1237

Sharma A., 2002, A nonparametric approach for representing interannual dependence in monthly streamflow sequences, Water Resour. Res., 38, 5, 10.1029/2001WR000953

Soil Survey Staff, 1951, U.S. Dep. Agric. Handbook no. 18

Soil Survey Staff, 1997, National characterization data

Tamari S., 1996, Testing an artificial neural network for predicting soil hydraulic conductivity, Soil Sci. Soc. Am. J., 60, 771, 10.2136/sssaj1996.03615995006000060018x

10.1029/97WR02429

10.2136/sssaj2000.641327x

10.2136/sssaj2003.1085

10.1023/A:1006593614256

10.1016/S0016-7061(98)00132-3

10.1016/0304-4149(93)90050-E

10.1029/2002WR001769

10.1029/2003WR002557

Thông tin
Thông tin xuất bản

Vadose Zone Journal

Tập 5 Số 4

1222-1235

Thông tin tác giả