智能技术的应用用于预测土壤侵蚀模式

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 机器学习应用 机器学习应用

背景情况:

• 准确的土壤侵蚀易受性评估对于土地管理和保护至关重要.
• 传统的侵蚀评估方法对于大面积可能是昂贵且耗时的.
• 由水引起的侵蚀对农田产生重大影响,需要有效的评估技术.

研究的目的:

• 评估四个数据驱动的优化算法与人工神经网络相结合,用于评估土壤侵蚀易感性.
• 在与多层感知子 (MLP) 模型集成时,比较基于生物地理学的优化 (BBO),优化算法 (EWA),共生生物搜索 (SOS) 和优化算法 (WOA) 的性能.
• 确定评估耕地侵蚀易受性的最有效方法.

主要方法:

• 使用了四种优化算法:BBO,EWA,SOS和WOA.
• 将这些算法与人工神经网络 (ANN) 模型,特别是多层感知器 (MLP) 集成.
• 采用了14个地理和环境评估标准,数据分为70%的培训和30%的测试.

主要成果:

• 所有四种测试方法 (BBO-MLP,EWA-MLP,SOS-MLP,WOA-MLP) 都显示出高精度,AUC值超过0.92.
• BBO-MLP模型实现了最高的AUC值 (训练为0.999,测试为0.9327).
• 此外,SOS-MLP也表现出色,AUC值为0.9973 (测试) 和0.9296 (训练).

结论:

• 将优化算法与ANN集成,为侵蚀易受性映射提供了一个强大而高效的工具.
• BBO-MLP模型对于识别易受土壤侵蚀的地区非常有效.
• 这些数据驱动的方法为大规模侵蚀评估的传统方法提供了有价值的替代方案.