土壤湿度地面观测数据处理方法研究

摘要

土壤湿度是一类重要的地表环境变量，获取高质量的区域土壤湿度数据对于科学研究和生产实践具有重要意义。传统的土壤湿度数据是基于地面站点监测，其优势是精度高、时间连续性好，但是空间连续性较差。为了获取高精度、空间连续的土壤湿度数据,本文以黑河中游盈科/大满灌区域为实验区，利用地面观测得到的多个空间点的土壤湿度时间序列数据，对该区域的土壤湿度进行了空间分析，并对土壤湿度的空间插值方法和时间序列数据预测方法进行了研究。主要工作如下：
　　1、对土壤湿度进行空间异质性分析
　　土壤湿度的空间异质性分析主要包括统计分析、变异分析以及自相关分析三个方面。为了解本实验区域的空间异质特性，为接下来的实验作为对比与参考,本文分别通过数值统计分析了解数据布局以及变异程度；以模型拟合度和残差大小为检验指标，选取合适的变异模型，利用变异分析剖析区域化变量的空间结构特征；计算土壤湿度的全局自相关Moran’s I系数，计算结果通过Z值检验，检验具有空间位置的土壤湿度观测点是否显著地与其相邻观测点的观测值相关联。
　　2、基于叠加理论，建立了考虑时空特征的土壤湿度插值方法
　　依据信号叠加基本理论，信号可以分解为互不重合的部分，经过处理后仍可以重构得到原数据。以叠加理论作为理论基础，利用小波分解方法，对土壤湿度时序数据进行分解，得到低频部分和残差部分。分别利用高精度曲面建模（HASM）和变异函数对两部分进行插值。将插值结果进行拟合，得到了精度较高的插值结果。
　　3、建立了一种基于改进BP神经网络的土壤湿度时序预测方法
　　针对普通BP神经网络收敛速度慢，易陷入局部最优的问题，提出动量因子和自适应学习率的BP神经网络改进方法，并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法（PSO）中惯性权重线性递减、学习因子取常数而导致的PSO收敛速度慢、易错过全局最优解等问题，将迭代次数和适应度值相结合改进惯性权重和学习因子，有效提高算法找到全局最优解的速度。

目录

声明

1绪论

1.1研究目的和意义

1.2国内外研究现状

1.3研究内容与组织结构

2研究区与数据

2.1实验区概况

2.2 数据获取

2.3 数据预处理

2.4 小结

3土壤湿度空间异质性分析

3.1 传统统计分析法

3.2 土壤湿度的变异分析

3.3 土壤湿度的空间自相关分析

3.4 小结

4 基于信号叠加理论的土壤湿度插值方法

4.1 常用插值方法

4.2 方法原理

4.3 数值实验与讨论

4.4 小结

5 基于改进的BP神经网络的土壤湿度时间序列数据预测方法

5.1 预测模型建立

5.2 数值实验与讨论

5.3 小结

6 结论与展望

6.1 主要结论

6.2 问题与展望

参考文献

致谢

硕士期间取得的成果