多种机器学习模型在超声波检测不同温度条件下土壤含水率的应用研究
林兴1
王炳亮2
陈淑娟3
杨武1
佟宇森1
沈方森1
陈炳同4
李王成1
1.宁夏大学土木与水利工程学院,银川 750021;旱区现代农业水资源高效利用教育部工程研究中心,银川 2.宁夏大学土木与水利工程学院,银川 750021;旱区现代农业水资源高效利用教育部工程研究中心,银川 3.石嘴山市农业技术推广服务中心,宁夏 石嘴山 7530004.宁夏大学土木与水利工程学院,银川 750021
摘要：[目的]通过超声波检测技术结合机器学习模型和优化算法,精确模拟并预测不同温度条件下土壤含水率,为土壤物理特性预测及农业工程应用提供新的思路.[方法]通过室内试验,以宁夏石嘴山惠农区银河村土壤为样本,结合超声波检测技术,采用 BP 神经网络(BP)、长短期记忆网络(LSTM)、极限学习机(ELM)和随机森林(RF)等机器学习模型进行土壤超声波特性模拟与预测.为提高预测精度,引入蜣螂优化算法(DBO)、鹅优化算法(GOOSE)、粒子群优化算法(PSO)和麻雀优化算法(SSA)对ELM模型进行优化,同时对于超声波波速与土壤温度及含水率关系分析中的极端情况设置了 2 种方案,方案一为土壤冻结效果较差的情况,设置土壤温度为-5、-10、-15℃,含水率为 10%、15%、20%,方案二为土壤冻结较为完全的情况,设定土壤温度为-10、-15℃,含水率为 25%、30%.[结果]0℃以上时,随着土壤含水率的增加,超声波波速整体呈现略微递增的趋势,当含水率达到 15%后有下降的趋势,而 0℃以下,含水率为 10%～20%时,波速与温度呈负相关,且出现骤减现象,反映出土壤结构较差.当含水率超过 30%时,土壤趋近饱和,波速显著上升.在模拟过程中,发现 ELM模型表现最佳,R2 为 0.96,MSE 为 0.01.引入不同优化算法后,麻雀优化算法(SSA)对 ELM 的优化效果最为突出,R2 提升至0.98,MSE降至 0.000 9,显示出较高的预测精度和稳定性.2种极端试验方案的模拟结果验证了模型在极端条件下的良好预测能力,R2分别为 0.98 和 0.97,RMSE分别为 0.02和 0.06.[结论]本研究通过对比分析多种机器学习模型和优化算法在超声波检测不同温度条件下土壤含水率模拟中的表现,最终发现 SSA-ELM 的模拟效果最佳,且在土壤极端冻结条件下仍能满足模拟精度要求,具有重要的理论和实践意义.
关键词：超声波波速温度含水率土壤
分类号：S277.9(农田水利)TH79(仪器、仪表)
资助基金：国家重点研发计划(2021YFD1900600)
论文发表日期：2025-12-30
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：11( 93-103 )
英文信息