人工神经网络技术在树干液流预测中应用.doc

人工神经网络技术在树干液流预测中应用 　　摘要：分别利用BP人工神经网络模型、多元线性回归模型和逐步回归模型拟合了树干液流速率，并比较了3种模型的拟合精度。结果表明，在液流速率的拟合结果中，BP人工神经网络模型拟合方程的直线斜率为0.961 8，决定系数为0.944 3，在三者中均最大，拟合图像中的数据点更集中；液流速率拟合相对误差的波动范围为-31.120 0%～36.755 5%，在三者中最小，说明在液流速率的拟合中，BP人工神经网络模型的拟合精度最高。 关键词：BP人工神经网络模型；多元线性回归；逐步回归；拟合精度 中图分类号：TP183；Q945.17 文献标识码：A 文章编号：0439-8114（2014）02-0434-03 Application of Artificial Neural Network in Predicting Trunk Sap Flow XIE Heng-xing1，ZHANG Zhen-hua2 （1.College of Chemistry and Life Science， Weinan Normal University， Weinan 714099， Shaanxi， China； 2. College of Geography and Planning， Ludong University， Yantai 264025， Shandong， China） Abstract： The BP artificial neural network model， multi-linear regression model and stepwise regression model were used to fit trunk sap flow velocity and the fitted precision was compared. Results showed that the fitting effect was the best in BP artificial neural network model with a deciding coefficient of 0.944 3， the smauest relative error within the range of -31.120 0%～36.755 5%. In the fitting effect of sap flow， BP artificial neural network was the best one. Key words： BP artificial neural network model； multi-linear regression； stepwise regression； fitting precision 液流是指蒸腾在植株体内引起的上升流，植株根部吸收的水分99.8%以上消耗在蒸腾上[1]，而树干是树木液流通道的咽喉部位，因此通过精确测量树干部位的液流速率、液流量可以基本反映植株的蒸腾状况。热技术是目前测量植株液流应用最广泛的方法[2]，热技术根据不同的原理可分为热脉冲法、热平衡法和热扩散法[3]。国内外学者应用热技术对植株液流进行了研究，如刘奉觉等[4]、司建华等[5]应用热脉冲技术分别研究了杨树和胡杨的液流；严昌荣等[6]、曹文强等[7]应用热平衡技术分别研究了胡桃楸和辽东栎等树木的液流；马长明等[8]、孟平等[9]应用热扩散技术对山杨和苹果等树木的液流进行了研究。但研究多停留在对植株液流现象的描述上，对植株液流与环境因子的定量分析也仅仅是简单的回归分析或逐步回归分析[4-9]，缺乏系统的量化研究。Ford等[10]利用热扩散技术观测了火炬松的液流变化，并应用ARIMA（差分自回归移动平均）模型拟合了土壤水分亏缺条件下火炬松树冠蒸腾。人工神经网络是一个具有高度非线性的超大规模连续时间动力系统，因其具有自学习功能、联想存贮功能、高速寻找优化解功能等优点而在经济、化工、水文、农业等领域得到了广泛应用[11-14]。树干液流与环境因子之间很难建立一个准确的数学方程[15]，本试验尝试利用BP人工神经网络模型来拟合液流速率，以求为液流速率和环境因子之间建立准确的数量关系。 1 材料与方法 1.1 研究区概况 1.2 仪器安装 2 结果与分析 2.1 BP人工神经网络基本原理 2.2 液流速率BP人工神经网络分析 3 结论 液流速率是植物蒸腾强弱的表现，蒸腾受温度、湿度、风速和太阳辐射诸多因子的影响，而环境因子之间又存在复杂的关系，这给液流速率的预测带来了很大的难度。BP人工神经网络在超大规