기업조회

본문 바로가기 주메뉴 바로가기

논문 기본정보

Prediction of soil nutrients spatial distribution based on neural network model combined with goestatistics

논문 개요

기관명, 저널명, ISSN, ISBN 으로 구성된 논문 개요 표입니다.
기관명 NDSL
저널명 應用生態學報 = Chinese journal of applied ecology
ISSN 1001-9332,
ISBN

논문저자 및 소속기관 정보

저자, 소속기관, 출판인, 간행물 번호, 발행연도, 초록, 원문UR, 첨부파일 순으로 구성된 논문저자 및 소속기관 정보표입니다
저자(한글) LI, Qi-quan,WANG, Chang-quan,ZHANG, Wen-jiang,YU, Yong,LI, Bing,YANG, Juan,BAI, Gen-chuan,CAI, Yan
저자(영문)
소속기관
소속기관(영문)
출판인
간행물 번호
발행연도 2013-01-01
초록 방사형 기저 함수 신경회로망 모델(radial basis function neural network model)과 정규크리징(ordinary kriging) 기법으로 촨중(Chuanzhong) 구릉 지역에서 토양 양분의 공간적 분포를 예측하고, 정규크리징 기법 및 회귀 크리징(regression kriging) 기법과 비교하였다. 연구 결과, 다양한 방법으로 연구 지역 내 토양 양분을 예측한 결과는 거의 일치하였다. 다중 회귀 모델(Multiple regression model)과 비교하였을 때, 신경회로망 모델은 실험 지점에 토양 유기질과 총질소의 예측값과 실측값의 상관계수를 각각 각각 12.3%와 16.5% 제고하였다. 이는 신경회로망모델이 토양 양분과 정량적 환경 요인 사이의 복잡한 관계를 정확히 찾아낼 수 있음을 말한다. 469개 연구 지점의 예측 결과 오차를 분석한 결과, 신경호로망 모델과 정규크리징 기법을 결합하는 방법은 토양 유기질과 총질소를 예측함에 있어서의 평균 절대 오차(absolute error), 평균 상대 오차, 평균제곱오차의 제곱근(Root mean square error)을 정규크리징 기법보다 6.9%, 7.4%, 5.1%와 4.9%, 6.1%, 4.6% 줄였으며, 감소폭은 매우 선명한 수준에 이르렀다(P lt;0.01). 회귀크리징 기법과 비교해 보면 각각 2.4%, 2.6%, 1.8%와 2.1%, 2.8%, 2.2% 줄었고, 감소폭이 매우 선명하다(P lt;0.05).
원문URL http://click.ndsl.kr/servlet/OpenAPIDetailView?keyValue=03553784&target=NART&cn=NART66521609
첨부파일

추가정보

과학기술표준분류, ICT 기술분류,DDC 분류,주제어 (키워드) 순으로 구성된 추가정보표입니다
과학기술표준분류
ICT 기술분류
DDC 분류
주제어 (키워드) radial basis function neural network model,ordinary kriging,regression kriging,soil nutrient,방사형 기저 함수 신경회로망 모델,정규크리징,회귀크리징,토양 양분