Resumen

La cantidad óptima de fertilizante que necesitan los árboles y los factores que influyen en la fertilización tienen una intrincada relación no lineal. De acuerdo con los problemas que presenta el modelo tradicional de predicción de la fertilización, como la falta de escalabilidad y practicidad, este trabajo inicia un modelo preciso de predicción de la fertilización basado en la red neuronal GRA-PSO-BP que puede hacer realidad la fertilización precisa y mejorar los beneficios económicos de la industria forestal. Este trabajo utiliza el método GRA para determinar la entrada de la red neuronal como el índice de sitio y hacer que la edad del bosque, el contenido de nutrientes de los árboles de ventaja, la biomasa de los árboles de ventaja, la biomasa de los árboles promedio, y el rendimiento objetivo como los números de salida de la cantidad real de fertilizante aplicado. Durante el proceso de cálculo, se utiliza el algoritmo de optimización global de enjambre de partículas para optimizar los números iniciales y los números de umbral de la red neuronal BP que construye un modelo de fertilización precisa GRA-PSO-BP por fases. En comparación con el algoritmo de predicción de la variante de entrada completa que se basa en la red neuronal BP única y el algoritmo de predicción de la variante de entrada completa que se basa en la red neuronal PSO-BP, el método GRA puede determinar los factores clave que influyen en la cantidad de fertilizante aplicado en diferentes áreas forestales y modificar el modelo de predicción para mejorar la escalabilidad y la precisión de la predicción y, finalmente, lograr la fertilización de precisión a medida que se actualizan los datos de diferentes bosques, por lo que podemos ver que el resultado de la predicción de este trabajo es más preciso. El resultado demuestra que el modelo de fertilización por segmentos de la red neuronal GRA-PSO-BP es más preciso que la red neuronal BP tradicional y la red neuronal BP que fue optimizada por el algoritmo PSO, y en concreto, el error de la cantidad predicha de aplicación de fertilizante y la cantidad real de aplicación de fertilizante es inferior al 5%, lo que puede guiar eficazmente la fertilización por etapas.

• Materias:Matemáticas
• Subjects:mathematics
• Palabras claves:red neuronal, red neuronal bp, variable de entrada completa, aplicación de fertilizantes, pso, gra, papel, método gra, árboles de ventajas, algoritmo de predicción
• Keywords:neural network, bp neural network, full input variate, fertilizer application, pso, gra, paper, gra method, advantage trees, prediction algorithm