BP神经网络的土壤肥力评价研究
基于神经网络的土壤重金属污染物预测研究
基于神经网络的土壤重金属污染物预测研究近年来，土壤重金属污染问题在全球范围内逐渐凸显，对环境和人类带来了严重危害。
预测土壤污染物浓度和污染程度，可以帮助环境保护部门制定科学合理的治理和修复措施。
基于神经网络的土壤重金属污染物预测研究正在成为当前的研究热点。
一、神经网络技术简介神经网络是一种模仿人类神经系统构建的计算机程序，其结构包括输入层、隐藏层和输出层。
神经网络通过学习和迭代的方式，不断优化自身的权重和偏置，以实现对输入数据的分类、回归、聚类等复杂任务的处理。
相比于传统的回归模型和决策树模型，神经网络具有更强的拟合能力和泛化能力，可以处理非线性、多变量、高维度的数据，因此逐渐受到了研究者的重视。
二、土壤重金属污染物预测的研究现状土壤重金属污染物预测主要分为单因素预测和多因素预测两类。
单因素预测建立在对单个因素（如氧化还原电位、土壤pH值等）与重金属浓度之间关系的研究基础上，通过回归分析、决策树等模型预测污染程度。
多因素预测则考虑了多个因素（如土壤有机质含量、土壤类型、地形、降雨等）对重金属浓度的影响，采用聚类分析、主成分分析和人工神经网络等方法进行建模和预测。
其中，神经网络模型已经在土壤重金属污染物预测中得到广泛应用，开始显示出良好的预测效果。
三、基于神经网络的土壤重金属污染物预测研究方法基于神经网络的土壤重金属污染物预测通常需遵循如下步骤：数据预处理、神经网络模型建立、模型评价和预测应用。
其中数据预处理包括数据清洗、数据归一化、特征选择等过程，目的是为了保证原始数据的完整性和稳定性，同时尽量减少建模中出现的过拟合和欠拟合问题。
神经网络模型建立需要确定网络结构、训练算法和激活函数等参数，这些参数的选择往往需要反复试验和验证。
模型评价包括误差分析、相对误差、假阳率等指标的计算和统计分析。
如果模型能够通过评价指标较高的标准，可以得到一定的预测能力和可靠性。
预测应用则需要结合实际情况和需求，选择合适的方法将预测结果转化为有效的决策支持。
基于BP神经网络人参栽培中土壤肥效模型的研究
到 严 重 破 坏 。另 外 ， 由 于技 术 发 展 缓 慢 ，我 国西 洋 参 和 人 参 栽 培 生 产 模 式 依 旧采 用 传 统 化 模 式 ， 只有 少 量 的 西 洋 参 和 人 参 是 农 田种 植 。 在 吉林 省 人 参 主 产 区 的
２１ 信息的正向传递 ．
信 息 的 正 向 传 递 是 通 过 在 相 对 于 误 差 函 数 梯 度 下
忆能力和很高的 自适应能力 ，对 缺损 信息具有高度 的
容错能力 。运用人工神经 网络 可以对人参 的产量 、病
基 金项 目： 课题 “ 校级 依托 科研 平 台， 建 独立院校 高 素质信 息化 人才培 养模 式的研 究 与实践” 创 。 作 者简介 ： 亮（９４ ）男 ， 士研 究生 ， 究方 向 ： 工智 能与数据 控掘 。 矫 １８一 ， 硕 研 人 通 信作者 ： 玉霞（９７ ）女 ， 授 ， 士 生导 师， 究方 向： 姚 １５ 一 ， 教 硕 研 计算机 与应 用。 收稿 日期 ： １－ ５ ０ ２ ０ ０— ６ ０
一
２ Ｂ Ｐ神 经 网络的 主要原 理
Ｂ Ｐ神经网络是 目前应用最广泛 的神经 网络之 一 ， 它是由信息的正向传 递和误 差的反 向传播两个 过程组
成的。
半 以 上【 ｌ 参 中 的野 山参 具 有 极 高 的 药用 价值 ，但 】 。人
由 于森 林 的破 坏 和 人 类 的过 度 采 挖 ，野 山 参 资 源 也 遭
降的方向上连续不断地改变网络连接 的权值 和域值而 逐渐逼近所需 目标 。假设 网络 的输入 层有 ｎ个输入神
经元 ，隐含层有 ｎ 个神经元 ，输 出层有 Ｉ 个神经元 ， ｌ １
建安 、通化 、敦化和长 白县等 也存 在人参 、西洋参轮
基于MATLAB6_x的BP人工神经网络的土壤环境质量评价方法研究
农业环境科学学报２００６，２５（１）：１８６－１８９ＪｏｕｒｎａｌｏｆＡｇｒｏ－ＥｎｖｉｒｏｎｍｅｎｔＳｃｉｅｎｃｅ基于MATLAB6.x 的ＢＰ人工神经网络的土壤环境质量评价方法研究赵玉杰１，２，师荣光２，高怀友２，王跃华２，白志鹏１，傅学起１（１．南开大学环境科学与工程学院，天津２０００７１；２．农业部环境监测总站，天津３００１９１）摘要：对基于ＭＡＴＬＡＢ６．ｘ的ＢＰ人工神经网络工具箱进行了简要的介绍，并将ＢＰ人工神经网络应用到土壤环境质量现状评价中，编制了基于ＭＡＴＬＡＢ６．ｘ土壤环境质量评价程序，并对影响评价结果的训练集的构建、隐层神经元数量的选择、训练过程的建立等问题进行了探讨。
结果表明，用随机函数ｒａｎｄ或线性函数ｌｉｎｓｐａｃｅ内插生成网络的训练集是可行的，ＢＰ网络隐层的传递函数为ｔａｎｓｉｇ，神经元数量为５（用ｒａｎｄ函数生成训练集）或８（用ｌｉｎｓｐａｃｅ函数生成训练集），输出层的传递函数为ｐｕｒｅｌｉｎ，神经元数量为１。
训练集中加入一定的噪声更有利于提高网络的识别能力。
在此基础上，将构建的网络应用到实际土壤环境质量评价中，并将评价的结果与其他评价方法得出的结果进行了比较，表明ＢＰ人工神经网络应用到土壤环境质量评价中是切实可行的。
关键词：ＢＰ人工神经网络；土壤；环境质量评价；ＭＡＴＬＡＢ中图分类号：Ｓ１２６，Ｘ８２５文献标识码：Ａ文章编号：１６７２－２０４３（２００６）０１－０１８６－０４收稿日期：２００５－０５－２１基金项目：科技部科技基础性工作专项资金支持项目（２００１ＤＥＢ３００６５）作者简介：赵玉杰（１９７６—），男，南开大学在读博士，工程师，主要研究方向农业环境信息系统。
Ｅ－ｍａｉｌ：ｙｕｊｉｅｚｈａｏ＠１２６．ｃｏｍ土壤环境质量评价方法有多种，应用较多的如内梅罗指数法、模糊评价法、污染损失率法等，这些方法各有其优缺点，如内梅罗指数法易于计算，应用广泛，但存在扩大最大分指数或缩小次大分指数的问题，模糊评价法人为效应过强，而污染损失率法虽有明确的物理意义，但评价公式中参数的确定及应用还有待进一步研究。
基于神经网络的土壤肥力综合评价
基于神经网络的土壤肥力综合评价刘东海;梁国庆;周卫;王秀斌;夏文建【期刊名称】《中国土壤与肥料》【年(卷),期】2011(000)005【摘要】Comprehensive evaluation method based on fuzzy BP neural network was used to evaluate soil fertility of Shenz-hou. The result showed that the method was more objective and stable and applicability than fuzzy comprehensive evaluationmethod based on the principal component analysis, 89. 1% of the arable land in Shenzhou was the lower level of fertility. Atthe same time, fertility evaluation plans by interpolation of CIS technology was helpful for soil fertility improvement and soiltesting.%基于BP神经网络算法的模糊综合评判法对深州市土壤肥力进行等级评价,结果表明,该方法比主成分分析改进的模糊综合评判法更客观、稳定,适用性强,深州市至少89.1％的耕地肥力处于中下等水平；同时利用GIS的插值技术,生成土壤肥力评价图,为深州市的土壤改良和测土培肥提供一定依据.【总页数】8页(P12-19)【作者】刘东海;梁国庆;周卫;王秀斌;夏文建【作者单位】中国农业科学院农业资源与农业区划研究所,北京 100081;中国农业科学院农业资源与农业区划研究所,北京 100081;中国农业科学院农业资源与农业区划研究所,北京 100081;中国农业科学院农业资源与农业区划研究所,北京100081;中国农业科学院农业资源与农业区划研究所,北京 100081【正文语种】中文【中图分类】S158【相关文献】1.基于因子分析的土壤肥力综合评价 [J], 段必挺;杨锡永;李发平;赵旭辉;李茂林;苏仕开;苏德艳;张平;刘洪华2.基于GIS技术的北票市土壤肥力综合评价研究 [J], 闫洪亮3.基于地统计学和GIS的通州区于家务乡土壤肥力综合评价 [J], 杨全合;安永龙4.基于隶属度函数和因子分析的赤松人工林土壤肥力综合评价 [J], 刘永禄;矫兴杰;孙倩;张专文;崔海金;苗杰;张靖川;杜振宇;孙太元5.基于模糊数学隶属函数模型的某龙眼园土壤肥力综合评价 [J], 张俊丽;林剑波;唐海尧;陈勇;刘和平因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络在土地利用变化监测中的应用
BP神经网络在土地利用变化监测中的应用摘要：应用遥感技术进行土地利用变化监测主要有两种方式：一是将两时相影像数据进行融合来实现变化监测；二是利用单时相遥感影像与土地利用资料结合的方法，本文主要研究了这种方法，应用BP神经网络分类器作为判别规则，采用面向图斑的变化监测方法。
在遥感影像与土地利用矢量图精确配准的基础上进行空间叠加，以图斑单元为单位，将BP神经网络分类结果作为判别规则，自动发现并描绘出土地利用变化图斑，并对监测区域的变化图斑进行统计，分析与变化监测精度评定。
关键词：BP神经网络、土地利用变化监测Change monitoring of land use in remote sensing Technology has mainly two ways. One is realization of change monitoring by the fusion of two temporal image. The other is method of combination of single temporal remote sensing image and land use datum. This paper mainly studies this method that applying BP neural network classifier asdiscrimination rule，adopts the span-Oriented method.Based on overlaying the remote sensing image with land use vector map，BP neutral network according to discrimination rule classifies the span unit. It automatic finds and describes the change span in land use, and obtains the statistics, analysis and accuracy assessment of change span of monitoring area.Key words：BP neutral network; texture feature研究背景和意义土地利用变化研究是全球环境变化研究的一个重要方面，同时也是从自然和社会经济两方面综合研究全球和区域环境变化的突破口之一。
基于BP神经网络对蔗区土壤养分肥力等级综合评价
摘
要
土壤 养分是土壤肥 力的具体反 映，其肥 力等级综合评价很难 用常规 方法进行 。本研 究利用Ｂ Ｐ
人 工神经 网络评 价模 型 ，对广 西柳 江县 露塘 农场的蔗地土壤 养分肥 力状况进行 了等级综合评 价 ，用于
评 价 的主要指 标 包括 有机质 、碱解 氮、速效磷 、速效钾 、缓 效钾 ，活性硅 、有 效硼和 有效锌 。结果表
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ： ｓ ｏ ｉ ｌ ｆ ｅ ｒ ｔ ｉ ｌ ｉ ｙ ｔ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ； Ｍａ ｔ ｌ ａ ｂ
自２ ０ 世 纪８ ０ 年代 以来 ，广 西糖 业规模 和产值一直
土壤养分状 况是土壤肥力 的具体反映 ，其评价 实
在 全 国糖 业 中 占有 相 当大 的 比重 。甘蔗种植 业在振 兴 质上是依 据实 际土壤养 分含量与 土壤养 分含量分级 表 广西 经济 ，促进 工农业 的发展 ，增 加地方财 政收入 ， 带动农 村脱 贫致富 中起着 重要作用 。生产实 际证 明， 进行 比较 ，如果接近 ，则其就被认 为是属于该 土壤养
明 ：该蔗 区土壤 养分肥 力评价等 级为一 级 占９ ３ 个 ， 占总体样 本５ ３ ％，二 级占８ ２ 个 ，占总体样 本４ ７ ％。
关键 词 Ｂ Ｐ 神 经 网络 ；土壤肥 力评价 ；Ｍａ ｔ ｌ ａ ｂ
中图分类号 ：Ｓ １ ５ ８ ． ２ 文献标志码 ：Ａ 文章编 号 ：１ ６ ７ ３ — ８ ９ ０ Ｘ （ ２ ０ １ ３ ） １ ０ — ０ ４ ７ － ０ ４
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｓ ｏ ｉ ｌ ｆ ｅ ｒ ｔ ｉ ｌ ｉ ｙ ｔ ｉ ｓ ａ ｃ ｏ ｎ ｃ ｒ ｅ ｔ ｅ ｒ ｅ ｌ ｆ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｉ ｔ ｓ ｆ ｅ ｒ ｔ ｉ ｌ ｉ ｙ ｔ ｌ ｅ ｖ ｅ ｌ ｃ ｏ ｍｐ ｒ ｅ ｈ ｅ ｎ ｓ ｉ ｖ ｅ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ｉ Ｓ ｄ ｉ ｆ ｎ ｃ ｕ ｌ ｔ ｔ ｏ ｕ ｓ ｅ
BP神经网络在土地分类中的应用研究以汶川地区为例
《测绘通报》测绘科学前沿技术论坛论文集1BP神经网络在土地分类中的应用研究 -以汶川地区为例* 简季 杨武年 马正龙 陈园园成都理工大学遥感与 GIS 研究所 610059 摘要:最大似然分类方法进行遥感影像分类时要求数据服从正态分布并且要求训练样区所提供的判别资料与一定的地物相对应，则计算机便将满足该类条件的像元识别为与训练样区相一致的地物，如此完成对整幅图像的处理，但是其存在分类精度低的缺点。
而BP网的分类原理是目前应用于遥感图像分类较成功、较成熟的神经网络模型，用BP神经元网络算法进行遥感影像分类，可以在一 定程度上消除传统的遥感影像分类带来的模糊性和不确定性，因此BP神经网络学习算法可以更好的提高分类模板的精度。
本论文综合运用最大似然分类方法和BP神经网络分类对汶川地区进行土地分类与信息提取， 并对最大似然分类方法与BP神经网 络在土地分类中的精度进行比较,结果表明，BP神经网络方法优于最大似然分类方法。
关键词：人工神经网络，BP神经网络，最大似然法，Kappa系数一、 引言遥感影像数据具有多传感器、多平台、多时相、多光谱和多分辨率的海量数据的特点，遥 感图像分类是图像分析与处理中一个既特殊又复杂的分支。
遥感图像的分类是利用计算机通过 对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征 空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去 。
传统的遥感 图像计算机分类方法一般多为基于bayes 统计理论的最大似然法。
然而随着遥感数据空间维数 的不断扩展，最大似然法开始暴露出一些弱点： (1) 多源、多维的遥感数据，可能不具备正态分布特征； (2) 离散的类别数据(如地面实测数据)， 在很多情况下不具备统计意义； (3) 对于高维空间数据，bayes 准则所要求的协方差矩阵将难以得到 。
神经网络分类法的兴起为这一问题的解决提供了可能，20世纪80年代初，随着计算机、人 工智能尤其是专家系统的发展，形成了对神经网络研究的热潮，并且随着学术界对其的关注程 度的增加，BP网络模型开始应用于各个领域，如智能控制、信号处理、计算机视觉、优化计算、 知识处理、生物医学工程等。
网络作文之基于BP神经网络的耕地土壤重金属污染评价
基于BP神经网络的耕地土壤重金属污染评价摘要：本研究将土壤重金属污染评价神经网络预测模型分为3层，7-6-1为该模型的神经网络结构，输入层共包括7个神经元，分别是土壤耕地有重要影响的pb、as、cr、hg和cd共5个重金属元素，以及2个限制条件：土壤类型（水田或旱地）和土壤ph值；以已知的成都市不同生态区土壤重金属指标作为本模型的训练和检验样本，本研究采用的软件为 matlab ，利用这个软件训练和检验bp 神经网络，然后对宜宾市翠屏区土壤中的重金属进行综合等级评价。
评价结果显示bp神经网络对检验样本的模拟输出跟期望输出是相同的；同时，对研究区土壤重金属综合等级评价结果跟模糊模式识别、传统内梅罗指数评价法得出的结果也是基本一致的。
关键词：bp神经网络；土壤重金属污染中图分类号：tp183 文献标识码：a doi：10.11974/nyyjs.201705332191 材料与方法1.1 研究区概况1.2 土样采集与处理土样采集按照《农田土壤环境质量监测技术规范》（ny/t395-2000）的要求，于2015年9月在作物收获后秋耕前，根据研究区土地利用现状划分取样单元，每13.3～20hm2取一个样点，共采集耕层土壤样品10个，耕层按0～20cm，亚耕层按20～40cm用不锈钢土钻采集土样，每个土样均采用“s”法随机采集15～20个点，经充分混合后，用四分法留取1kg，重点点位留取1.5kg，装入土袋标明，样品取回在实验室荫干、碾碎备用。
1.3 测定项目及方法土样送四川省农科院土壤肥料研究所化验室进行，对农产品质量安全有重要影响的pb、as、cr、hg和cd共5个重金属元素的化验分析，分析方法根据《农田土壤环境质量监测技术规范》（ny/t395-2000）要求确定：as、hg采用原子荧光光谱法测试，cd、cr、pb采用等离子体质谱法测试。
1.4 评价方法1.4.1 传统指数评价法污染指数法是检测评价土壤重金属污染中最常用的一种方法，主要包括2种，分别为单因子和多因子污染指数法，多因子指数法是内梅罗指数法使用最多的一种方法。
神经网络法在土壤墒情预测中的应用
摘要：影响土壤的生长条件有很多种，例如气候、土壤的特性以及农作物的生长状况等，这些因素都对土壤的墒情预测产生一定的影响。
因此，在进行土壤墒情预测工作时，可以应用神经网络的方法，建立神经网络预测模型。
在对目前的土壤墒情预测模型的比较分析的基础上，可以使用创新的神经网络法建立土壤墒情预测的模型，通过对数据的分析总结，了解神经网络法在土壤墒情预测中起到的重要作用，并在不同地区的土壤墒情预测中都有广泛应用。
本文主要对神经网络法在土壤墒情预测中的应用进行了详细分析。
关键词：神经网络法；土壤墒情；预测；应用探析中图分类号：S152.7文献标识码：ADOI 编号：10.14025/ki.jlny.2017.18.029吴敬东（吉林省墒情监测中心，吉林长春130033）神经网络法在土壤墒情预测中的应用对土壤墒情进行预测不仅是平衡农田水分，实现土壤、植物、大气三者的水分转化的核心内容，也是农业生产的质量和效率的重点研究部分。
旱灾是主要的自然灾害之一，旱灾具有频率快、时间长等特点。
对于干旱的地区，通过对土壤的水分进行预测对比，使用有效的土壤水分预测方法，对于合理利用农业天气预报，解决干旱问题的意义十分重大。
1土壤墒情预测神经网络模型的建立1.1神经网络模型的概述在传统的土壤墒情预测模型中，如果只提供简单的参数，那么模型则很难得到应用，而且许多墒情预测模型都比较复杂，在实际应用中很不方便，也存在一定的误差。
因此，可以采用神经网络方法，通过建立神经网络预测模型，对土壤墒情进行准确的预测工作。
神经网络就是模拟人类思维的第二种方式。
在神经网络模型中，BP 网络是应用最为广泛的模型之一。
BP 网络是一种按照误差逆传播算法训练的多层前馈网络，可以学习和存储许多输入、输出模式的映射关系，在各个领域都得到了广泛的应用。
1.2神经网络模型的建立BP 网络模型是一种前向多层网络，主要由输入层、多个隐含层以及输出层构成。
每一层都有多个神经元，同一层的各个神经元之间没有相互关联，而相邻的神经元之间由权来连接。
bp神经网络在土壤重金属污染分析中的应用
bp神经网络在土壤重金属污染分析中的应用bp神经网络（BPNN）是一种最具代表性的人工神经网络，它具有很高的学习能力、模型复杂度低、计算效率高和操作简便等优点，因此经常用于识别、预测、分类和控制等研究领域。
本文将BPNN应用到土壤重金属污染分析中，使用训练集和测试集，针对淮河上游土壤铅、镉、铬、硒、汞、镍和锑的重金属含量进行建模和预测，讨论BP神经网络在重金属污染分析中的应用潜力。
试验结果表明，BP神经网络提供了有用的技能用于重金属污染分析，它能够快速有效地分析重金属数据，并能有效地拟合复杂的重金属污染状况。
关键字：bp神经网络；重金属污染；淮河上游；预测建模1论近年来，随着经济的发展，气候的变化以及工业的扩张，人类的活动造成的环境污染问题更加严重。
土壤重金属污染已经成为当前研究的重要热点。
传统的污染分析方法技术落后，效率低下，结果不够准确。
随着机器学习和数据挖掘技术的发展，可以利用大量的历史数据和现有技术来对污染进行准确的定量分析，以达到预防和控制污染的目的。
BP神经网络（BPNN）是一种最具代表性的人工神经网络，它具有精度高、模型复杂度低、计算效率高和操作简便等优点。
本文将BP神经网络应用于土壤重金属污染分析，使用训练集和测试集，针对淮河上游土壤铅、镉、铬、硒、汞、镍和锑的重金属含量进行建模和预测，讨论BP神经网络在重金属污染分析中的应用潜力。
2景重金属污染的持续发展是现代社会的一个重要问题，它不仅破坏了土壤的有机物、农产品的可食用性和植物的生长，而且还对人类的健康和生命安全带来巨大的威胁。
对于重金属污染，有效的监测和定量分析是必不可少的，因此早期的重金属污染分析方法基本上都是结构化的、定量的、实验室规模的，这些方法往往需要大量的样本，耗费大量的时间和金钱，结果可能不够准确。
因此，智能计算技术，特别是神经网络技术，已成为研究重金属污染的新的解决方案。
BP神经网络是一种最具代表性的人工神经网络，具有精度高、模型复杂度低、计算效率高和操作简便等优点，因此经常用于识别、预测、分类和控制等研究领域。
基于Vis-NIR光谱的土壤质地BP神经网络预测
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ａ ｔ ｅ ｔ ｈ ｅ ｓ ｏ ｉ ｌ ｔ ｅ ｘ ｔ ｕ ｒ ｅ ｆ ａ ｓ ｔ ａ ｎ ｄ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｙ， ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｕ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ｍｏ ｄ ｅ ｌ ｉ ｎ ｇ ａ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ Ｖｉ ｓ — ＮＩ Ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ
ｃ ｏ ｒ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｏ ｆ ＭＬ Ｓ Ｒ． Ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗ ｅ ｄ ｔ ｈ ａ ｔ ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｗａ ｓ ｂ ｅ ｔ ｔ ｅ ｒ ｔ ｈ ａ ｎ ＭＬ Ｓ Ｒ． Ｒｏ ｏ ｔ — Ｍｅ ａ ｎ — Ｓ ｑ ｕ ａ ｒ ｅ Ｅ ｒ ｒ ｏ ｒ ｏ ｆ Ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ
ｍｏ ｄ ｅ ｌ ｓ ｏ ｆ ｃ ｌ ａ ｙ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ａ ｎ ｄ ｓ ａ ｎ ｄ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｗｅ ｒ ｅ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｕ ｓ ｉ ｎ ｇ Ｐ Ｃ Ａ ｏ ｆ ｔ ｈ ｅ ｏ ｒ ｉ ｇ ｉ ｎ ａ ｌ ａ ｎ ｄ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ，ａ ｎ ｄ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｗ ｉ ｔ ｈ ｔ ｈ ｅ
ａ ｎａ ｌ ｙ ｓ ｉ ｓ ｔ ｅ ｃ ｈｎ ｏ ｌ ｏ ｇ ｙ ｃ ｏ ｍｂ ｉ ｎｅ ｄ ｗｉ ｔ ｈ ＢＰ ｎｅ ｕ ｒ ａ ｌ ｎ ｅｔ ｗｏ ｒ ｋ． Ｂａ ｓ ｅ ｄ ｏ ｎ ８ ６ ｓ ｏ ｉ ｌ ｓ ａ ｍｐ ｌ ｅ ｓ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｅ ｄ ｆ ｒ ｏ ｍ Ｆ ｅ ｎｇ ｑ ｉ ｕ Ｃｏ ｕｎ ｔ ｙ ，ＢＰ ｎ ｅ ｕｒ ａ ｌ ｎｅ ｔ ｗｏ ｒ ｋ
基于BFA—BP神经网络的土壤肥力评价
［ 中国矿业大学（ 北京 ） 土地复垦与生态重建研究所 ， 北京 １ ０ ０ ０ ８ ３ ］
摘要 ： 在Ｂ Ｐ 神经 网络 的基础上 ， 针对其网络结构中连接权重和阈值难 以赋 值的问题 ， 引入细菌算法 （ Ｂ Ｆ Ａ ） ， 寻找 连接权 重和阈值的最优值 ， 构建 了土壤肥力等级 的 Ｂ Ｆ Ａ—Ｂ Ｐ神经 网络评 价模型 。以吉林 省黑土为 例 ， 选取 土壤 的养
（ ｚ ， ｌ ， …， ｚ ） ； 输 出 向量 Ｃ ＝（ ｃ ， ｃ ， …， ｃ ） ； 参 数 ｋ＝１ ， ２ ，
…
随机性 ， 改 进 细 菌算 法 （ Ｂ Ｆ Ａ） ， 构 建 土 壤 肥 力质 量 评 价 的 Ｂ Ｆ Ａ—Ｂ Ｐ模型 ， 对吉林省 黑土 肥力等级 进行实 例分 析 ， 检 验
差， 并用此误差修正前 一层权值 。以下为 Ｂ Ｐ神经 网络 的学 习 过程 及 步 骤 “ ］ ： 设 网络输 入 向量 Ｐ ＝（ ａ ， ａ ： ， …， ａ ） ， 网 络 目标 向量
＝
称Ａ Ｎ Ｎ） 模拟大脑神经系 统的结构 和功 能 ， 建 立输入 量与 输出量之间全局性非线性 映射关 系 ， 获得 已知数据 的 内在规
壤 肥力评价 中适用且更准确反映 了土壤综合特性 。
关键词 ： 土壤肥力 ； Ｂ Ｐ神经 网络 ； 细菌算法 ； 阈值 ； 黑土
中图 分 类 号 ： Ｓ １ ５ ８ 文献标志码 ： Ａ 文章编号 ： １ ０ ０ ２—１ ３ ０ ２ （ ２ ０ １ ３ ） ０ ８— ０ ３ ４ ０— ０ ４
律， 为解决 复杂 的非 线性 高 维 问题提 供 了有 力工 具 。Ｂ Ｐ
基于BP神经网络的城市建设土地分析模型
基于BP神经网络的城市建设土地分析模型随着城市化进程的加快和城市人口的不断增加，城市建设土地的规划和利用变得越来越重要。
为了更好地进行城市建设土地的分析和规划，需要建立一种准确而快速的模型来辅助决策。
近年来，神经网络技术在土地分析领域得到了广泛的应用，其中基于BP神经网络的城市建设土地分析模型是一种常见而又有效的模型。
BP神经网络是一种常见的前馈式神经网络，它具有较强的拟合能力和泛化能力，适合用于复杂的非线性模型建立。
在城市建设土地分析中，BP神经网络可以通过训练来学习土地利用的规律和特征，从而辅助规划和决策。
1. 数据准备：首先需要收集并整理相关的城市土地利用数据，包括土地类型、土地面积、土地用途、地理位置等信息。
这些数据可以来自于土地利用调查、遥感影像、地理信息系统等来源。
2. 数据预处理：对于收集到的原始数据，需要进行预处理和清洗，包括数据去重、缺失值填充、异常值处理等。
同时还需要进行数据的规范化处理，将数据转化到统一的尺度和范围内，以便于神经网络的训练和拟合。
3. 模型建立：在数据准备和预处理之后，可以开始建立BP神经网络模型。
首先需要确定神经网络的输入层节点数和输出层节点数，然后根据实际情况确定隐藏层的节点数和网络的结构。
接着需要对神经网络的学习率、训练轮数、误差准则等参数进行设置。
4. 模型训练：在模型建立完成之后，可以利用历史的土地利用数据来对神经网络进行训练。
通过不断地调整网络的权值和偏置，使得网络的输出与实际的土地利用情况尽可能接近。
训练的过程中需要对模型进行验证，以确保模型的准确性和稳定性。
5. 模型应用：经过训练和验证的BP神经网络模型可以用于实际的土地分析和规划。
通过输入新的土地利用数据，可以得到神经网络的预测输出，从而辅助城市建设的土地规划和决策。
1. 高度自适应：BP神经网络可以通过训练学习土地利用的规律和特征，具有较强的自适应能力。
即使土地利用的情况发生变化，神经网络模型也可以通过重新训练来适应新的情况。
基于BP神经网络方法的城市土地生态安全评价_以广州市为例
性，剔除 0 及 1 两种极值的影响，使结果更加贴近
现实，在一般归一化公式（式 4）的基础上添加 0.1
及（0.9－0.1）两个项，运用式 5 使数据分布在 0.1 至
0.9 之间。
xij =
xij - min max- min
（4）
xij' =
0.1 +
（xij
- min）（0.9 max- min
分值 ＞0.9
0.9—0.8 0.8—0.6 0.6—0.4 ＜0.4
图 1 BP 神经网络结构示意图 Fig.1 BP neur al networ k schematic
元，输入层各神经元的主作用是接收来自外界的输 入信息，并传给中间层的神经元。而中间的隐层主 要负责处理内部的信息，中间层可以设计为单隐层 或者多隐层结构。隐层通过一系列的算法，完成自 学习过程，最终由最后一个隐层把信息传递到输出 层。输出层向外界输出最终的结果及数字信息。
（3）
式中：wij0 代表相互两层神经元之间的权值。 在 BP 神经网络评价过程中，通过反复的修改
网络参数设定，最终使自学习过程得以完成。各层
权值在自学习过程中不断的调整和修正，一直到网
络输出的误差到达可以接受的程度或预先设定的
学习次数据为止。
3 城市土地生态安全评价实证
3.1 广州市概况 广州市地处珠江入海口。全市地势东北高、西
如图 1 所示，神经网络的每一个节点称为神经
等级 安全状态 Ⅴ 安全
Ⅳ 较为安全
Ⅲ 一般 Ⅱ 不安全
Ⅰ 非常不安全
表 2 安全分级标准 Tab.2 Safety assessment cr iter ion
描述
土地生态服务功能处于理想状态，土地资源得到有效利用，土地生态系统拥有较强再生能力， 土地利用进行良性循环。 土地生态服务功能可以满足社会需求，土地资源利用效率一般，土地生态系统基本上实现可持 续发展，生态灾害发生频率低。 土地生态服务功能基本具备，但已出现退化症状，土地资源利用率不高，生态灾害偶有发生。 土地丧失大部分生态服务功能，生态灾害严重并危害人的生命健康安全，土地生态系统处于崩 溃边缘，恢复所需时间较长、社会成本高。 土地完全丧失生态服务功能，受到灾难性毁灭，不适合居住，土地生态系统已崩溃，并无法恢复。
基于BP神经网络的重点行业企业周边土壤重金属污染预测及评价
趋严重.重金属具 有 一 定 的 累 积 性 和 生 物 毒 性,在 误差反向传播算法(errorbackpropagtion,BP)是人
土壤中难降解,滞留时间长,大量重金属在土壤中的 工神经网络模型中 的 一 种,它 能 够 建 立 输 入 量 与 输
累积会降低土壤微生物活性,影响土壤的正常功能, 出量之间全局性非 线 性 映 射 关 系 的 分 析 方 法,从 已
考虑行业企业的重 金 属 特 征 污 染 因 素,使 得 研 究 成 不 同 时 ,误 差 就 会 在 网 络 中 进 行 反 方 向 传 播 ,并
果 不 够 全 面 、科 学 地 反 映 土 壤 环 境 质 量 .
综合考虑土壤环境质量模糊性及各污染因素的
人 工 神 经 网 络 模 型 可 以 利 用 有 限 的 监 测 指 标, 权 重 ,循 环 地 对 权 重 值 进 行 调 整 ,使 输 出 误 差 平
土壤环境质量监测受到监测能力和监测成本等因素 网络算法中,将输入 层 的 结 果 作 为 输 入 变 量 进 入 隐
制约,土 壤 环 境 质 量 重 金 属 污 染 评 价 主 要 集 中 于 藏层,在隐藏层 中 对 数 据 进 行 算 法 处 理,得 到 一 定
Cd、Hg、As、Cu、Pb、Cr、Zn、Ni等 常 规 指 标,而 没 有 的 输 出 进 入 输 出 层 ,当 输 出 层 的 结 果 与 预 期 结 果
罗指数、潜在风险指 数、地 累 积 污 染 指 数 等)和 构 建 取得了较好的效果 . [１０Ｇ１３] 土壤空间位置与各种重金
模型(如:地统计模型、人工神经网络模型、土壤景观 属的含量之间,以及 污 染 程 度 与 不 同 重 金 属 含 量 之
模型等)对土壤 中 重 金 属 进 行 污 染 评 价. 由 于 当 前 间均存在高 度 复 杂 的 非 线 性 映 射 关 系[９].BP 神 经
基于GIS和BP神经网络的土地适应性评价
基于GIS和BP神经网络的土地适应性评价通过运用GIS技术和BP神经网络理论，力图用新的研究方法对土地的适应性进行分析和评价。
将土地适应性评价指标标准作为BP神经网络的学习样本，利用GIS的Union 工具将各指标图层进行叠加，选取合适的评价单元，以单元的属性数据作为训练好的BP神经网络的输入，进行了土地适应性等级的划分。
将评价等级划分为高度适宜S1、中度适宜S2、勉强适宜S3以及不适宜N四个等级。
最后发现该研究方法具有简单方便和客观性强等优点。
标签：GIS;BP神经网络;土地适应性评价0 引言GIS和BP神经网络应用到土地适应性评价中是科技进步的必然趋势。
以往对土地评价的研究中，大部分研究都运用到了GIS技术，特别是运用其强大的空间分析能力，但运用到神经网络的却不是很多。
将两者结合起来运用到土地适应性评价中更是甚少。
针对以上研究的不足，本研究力图将两者结合起来应用到土地适应性评价中，以寻求新的方法[1-5]。
1 指标体系及评价等级土地适宜性评价即评定土地在一定经营管理水平下对确定利用类型的适宜状况。
本文将这里的利用类型限定为宜耕地类型。
根据指标选取原则并结合贵州省毕节市鸭池镇为例，选取土壤酸碱度、年均降水量、土壤厚度、海拔、坡度以及交通区位作为影响土地适应性评价的因子。
本文将耕地类型的土地适应性评价等级划分为高度适宜S1、中度适宜S2、勉强适宜S3以及不适宜N四个等级。
1.1 GIS的应用将以上6个指标体系在ArcGIS10.0中分别以独立图层表示，然后利用ArcGIS10.0的叠加分析中的Union工具将以上6个指标图层进行合并，在合并的同时也进行了相应的属性合并，即每个栅格单元都具有土壤酸碱度、年均降水量、土壤厚度、海拔、坡度以及交通区位等属性。
在将指标图层进行叠加分析后，需要将研究区域划分为许多评价单元。
因为评价单元是土地适应性评价的最小评价单位。
这也将成为后文中运用BP神经网络进行评价的基础。
基于BP神经网络和灰色关联度的侧柏人工林土壤肥力评价
基于BP神经网络和灰色关联度的侧柏人工林土壤肥力评价作者：吕雷昌葛忠强梁燕李宗泰杜振宇王清华来源：《山东农业科学》2019年第10期摘要：土壤肥力对于诊断森林土壤养分失调和林地土壤退化具有重要意义，可为人工林合理经营提供科学依据。
本研究以鲁中山地侧柏人工林样地土壤为材料，采用BP神经網络和灰色关联度对林地土壤肥力进行综合评价，并对这两种方法的应用效果进行对比研究。
结果表明，供试林地土壤的粘粒、碱解氮和有效磷含量偏低，速效钾含量整体较为适宜，而阳离子交换量和有机质含量处于较高水平。
土壤碱解氮与土壤有机质、阳离子交换量和速效钾之间均存在显著正相关关系，表明土壤氮素对侧柏人工林地土壤肥力有显著影响。
评价结果表明，鲁中山地侧柏林地土壤肥力处于中等水平，综合土壤肥力相对较高的样地为位于黑峪林场的22、21号和位于原山林场的9号样地，而燕子山林场土壤肥力较低。
BP神经网络和灰色关联度分析的评价结果整体一致，均可用于林地土壤肥力评价。
关键词：BP神经网络;灰色关联度;土壤肥力;侧柏人工林;鲁中山地中图分类号：S791.38：S714.8 文献标识号：A 文章编号：1001-4942（2019）10-0104-07Evaluation on Soil Fertility of Platycladus orientalis Plantation Basedon BP Neural Network and Grey Relation AnalysisLü Leichang， Ge Zhongqiang， Liang Yan， Li Zongtai， Du Zhenyu， Wang Qinghua（Shandong Academy of Forestry， Jinan 250014， China）Abstract Soil fertility is of great significance for diagnosing forest soil nutrient imbalance and forest land soil degradation， and can provide scientific base for rational management of plantation. Taking soil samples from Platycladus orientalis plantation in central mountainous area of Shandong Province as research object， the soil fertility of forest land was comprehensively evaluated by BP neural network and grey relation analysis， and the application effects of the two methods were compared. The results showed that the contents of clay， alkali-hydrolyzed nitrogen and available phosphorus were relatively lower， and available potassium was relatively suitable as a whole，while the cation exchange capacity and organic matter content were relatively higher. Soil alkali-hydrolyzed nitrogen was positively correlated with soil organic matter， cation exchange capacity and available potassium， indicating that soil nitrogen had a significant effect on soil fertility of P. orientalis plantation. The evaluation results showed that the soil fertility of P. orientalis forest land in central mountainous area of Shandong Province was in the middle level. The relatively higher soil fertility of sample plots were No. 22 and No. 21 in Heiyu forest farm and No. 9 in Yuanshan forest farm， while the soil fertility of Yanzishan forest farm was lower. The evaluation results of BP neural network and grey relation analysis were consistent， and both of them could be used to evaluate soil fertility of forest land.Keywords BP neural network; Grey relation analysis; Soil fertility; Platycladus orientalis plantation; Central mountainous area of Shandong Province侧柏（Platycladus orientalis）耐干旱瘠薄能力强，是我国北方山区主要造林树种，对荒山绿化、水土保持、净化空气等具有重要意义。
BP神经网络的土壤肥力评价研究
BP神经网络的土壤肥力评价研究冯惠妍;陈争光;王淑云【摘要】为给用户提供准确、科学的施肥指导。
在建立BP神经网络评价模型的基础上，构建了以黑龙江850农场为研究区域的土壤肥力评价的空间信息平台，实现地块肥力等级在线评价及等级空间分布。
因BP神经网络方法不需要人为干预，更具有客观评判性，与相关方法进行比较，该评价方法能更有效地对该农场的土壤肥力进行正确的评价。
%For providing more accurate and scientific fertilization guidance to the users. On the basis of BP neural network evaluation model,the spatial information platform of soil fertility evaluation application was constructed in Heilongjiang 850 farms,which achieved online assessment of plot fertility degree and spatial distribution. BP neural network method that didn’t require human intervention was more objective evaluation and could be more effective to evaluate thefarm soil fertility by comparing with the related methods.【期刊名称】《黑龙江八一农垦大学学报》【年(卷),期】2014(000)001【总页数】4页(P92-95)【关键词】WebGIS;BP神经网络;土壤肥力【作者】冯惠妍;陈争光;王淑云【作者单位】黑龙江八一农垦大学信息技术学院，大庆 163319;黑龙江八一农垦大学信息技术学院，大庆 163319;黑龙江省科学技术情报研究所【正文语种】中文【中图分类】TP311.1土壤肥力评价是精准农业的重点和热点问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｉ ｎ ｔ ｅ ｒ ｖ ｅ ｎ ｔ ｉ ｏ ｎ ｗ ａ ｓ ｍ ｏ ｒ ｅ ｏ ｂ ｊ ｅ ｃ ｉ ｔ ｖ ｅ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｃ ｏ ｕ ｌ ｄ ｂ ｅ ｍ ｏ ｒ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｔ ｏ ｅ ｖ ａ ｌ ｕ ａ ｔ ｅ ｔ ｈ ｅ ｆ ａ ｒ ｍ ｓ ｏ ｉ ｌ ｆ ｅ ｔ ｒ ｉ ｌ ｉ ｔ ｙ ｂ ｙ ｃ ｏ ｍ ｐ ａ ｒ ｉ ｎ ｇ ｗ ｉ ｔ ｈ ｔ ｈ ｅ
土壤肥力评价 的空 间信息平台 ， 实现地块肥力等级 在线评价及等级空问分 布。因 Ｂ Ｐ神经网络方法不需 要人为干预， 更具有客 观评判性 ， 与相关方法进行比较 ， 该评 价方法能更有效地对该农 场的土壤肥力进行正确的评 价。
关键词 ： Ｗｅ ｂ Ｇ Ｉ Ｓ ； Ｂ Ｐ神经网络 ； 土壤肥力
（ １ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｈ ｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ Ｂ ａ ｙ ｉ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｄ ａ ｑ ｉ ｎ ｇ １ ６ ３ ３ １ ９ ；
中图 分 类 号 ： Ｔ Ｐ ３ １ １ ． １ 文献标识码 ： Ａ
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ Ｓｏ ｉ ｌ Ｆｅ ｒ ｔ ｉ ｌ ｉ ｔ ｙ Ｅｖ ａ ｌ ｕａ ｔ ｉ ｏ ｎ ｏ ｆ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
Ｆｅ ｎ ｇ Ｈｕ ｉ ｙ ａ ｎ ， Ｃｈ ｅ ｎ Ｚｈ ｅ ｎ ｇ ｇ ｕ ａ ｎ ｇ Ｉ ， Ｗａ ｎ ｇ Ｓ ｈｕ ｙ ｕ ｎ
第 ２ ６卷 第 １ 期
２０１ ４正
黑 龙 江 八 一 农 垦 大 学 学 报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｈ ｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ Ｂ ａ ｙ ｉ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
２ ６ （ １ ） ： ９ ２ ～ ９ ５
２ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｄ Ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｈ ｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｆ ｏ ｒ ｐ ｒ ｏ ｖ ｉ ｄ ｉ ｎ ｇ ｌ ｎ ｏ ｒ ｅ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ａ ｎ ｄ ｓ ｃ ｉ ｅ ｎ ｔ ｉ ｉ ｆ ｃ ｆ ｅ ｒ ｔ ｉ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｇ ｕ ｉ ｄ ａ ｎ ｃ ｅ ｔ ｏ ｔ ｈ ｅ ｕ ｓ ｅ ｒ ｓ ． Ｏｎ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｓ ｏ ｆ ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ
Ｆ ｅ ｂ ． ２ ０１ ４
２月
文章 编 号 ： １ ０ ０ ２ — ２ ０ ９ ０ （ ２ ０ １ ４ ） 叭一 ０ ０ ９ ２ — ０ ４
Ｂ Ｐ神 经 网 络 的土壤 肥 力 评 价研 究
冯 惠妍 ， 陈争 光 ， 王淑 云
（ １ 黑龙江八一农 垦大学信息技 术学 院 ， 大庆 １ ６ ３ ３ １ ９ ； ２ ． 黑龙江省科学技术情报研 究所 ） 摘 要： 为给用户提供准确 、 科学的施肥指导 。 在建立 Ｂ Ｐ神经 网络评价模型的基础上 ， 构建了以黑 龙江 ８ ５ ０农场为研究 域的
ｍｏ ｄ ｅ ｌ ， ｔ ｈ ｅ ｓ ｐ ａ ｔ ｉ ａ ｌ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｐ ｌ ａ ｆ ｔ ｏ ｒ ｍ ｏ ｆ ｓ ｏ ｉ ｌ ｆ ｅ ｔ ｒ ｉ ｌ ｉ ｔ ｙ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｗ ａ ｓ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ｉ ｎ Ｈ ｅ ｉ ｌ ｏ ｎ ｇ ｊ ｉ ａ ｎ ｇ ８ ５ ０ ｆ ａ ｒ ｍ ｓ ， ｗ ｈ ｉ ｃ ｈ
ｒ ｅ ｌ ａ ｔ ｅ ｄ ｍｅ ｔ ｈ ｏ ｄ ｓ ．
Ｋｅ ｙ ｗｏ ｒ ｄｓ： Ｗｅ ｂ Ｇ１ Ｓ； ＢＰ ｎ ｅ ｕｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｓ ｏ ｉ ｌ ｆ ｅ ｔｉ ｒ ｌ ｉ ｔ ｙ
土壤肥力评价是精 准农业 的重点 和热点问题 。 针对土壤肥力评价问题 ， 韩磊等【 １ 建立了基 于 ｍ ａ ｔ ｌ ａ ｂ
的Ｂ Ｐ神 经 网络 的土壤 养 分综 合评 价参 考模 型 ， 李 政 等 ｔ ２ １ 建立 了东湖沉 积 物 营养状 况 的 Ｂ Ｐ神 经 网络 模
１ 材料来 源
黑龙江 ８ ５ ０农 场位 于虎林 市 境 内 ，北 依 完 达 山
型。庞永青等１ ３ 】 立 了基于 Ｗｅ ｂ Ｇ Ｉ Ｓ的农 田测土配方施 肥管理系统的设计 。目前基于 ｍ ａ ｔ ｌ ａ ｂ 的土壤肥力评 价方法得到广泛的使用 ， 但很少将基于 Ｂ Ｐ神经 网络 的土壤肥力评价方法和 Ｗｅ ｂ Ｇ Ｉ Ｓ 技术相结合 。使用
ａ ｃ ｈ ｉ ｅ ｖ ｅ ｄ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ｏ ｆ ｐ ｌ ｏ ｔ ｆ ｅ ｒ ｔ ｉ ｌ ｉ ｔ ｙ ｄ ｅ ｇ ｒ ｅ ｅ ａ ｎ ｄ ｓ ｐ ａ ｔ ｉ ａ ｌ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ．Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｅ ｔ ｈ ｏ ｄ ｔ ｈ ａ ｔ ｄ ｉ ｄ ｎ’ ｔ ｒ ｅ ｑ ｕ ｉ ｒ ｅ ｈ ｕ ｍａ ｎ