基于人工神经网络算法对水稻需水量的预测

水稻需水量预测是节水灌溉规划的基础,由于BP神经网络在解决多参数非线性问题表现出极强的自适应能力,从而可以科学准确预测需水量。本研究从多个影响因子分析出发,得到了BP神经网络模型,并结合实际数据进行了检验。试验结果表明,该模型能够较好地反映气象因子与水稻需水量之间的关系,预测精度高。     

基于BP神经网络的稻瘟病预测预报研究

【目的】稻瘟病是水稻主要病害之一,严重制约水稻高产稳产。近年来随着品种布局、耕作制度改变及气候变化的影响,其流行程度年度间波动很大。目前,稻瘟病在云南省各水稻产区呈现中等偏重发生的趋势,预测预报作为指导防治的先行者,具有重要作用。【方法】为了及时有效的做好稻瘟病防范工作,本研究采用稻瘟病发生相关气象因子及田间穗瘟病情指数,利用BP神经网络技术,选取德宏州芒市为试验点开展稻瘟病预测预报研究。【结果】从气象因子与预测对象的相关性来看,筛选出来的各气象因子与病情指数之间都存在较强的相关性,其理想输出和实际输出值都比较接近,误差曲线也比较吻合,预测准确度能满足实际需求。【结论】由此可见,BP神经网络建立的稻瘟病中期预测模型更具有优势。不需要事先进行数学公式表达,具有更高的预测准确度,选择试验点5-9月的气象数据以及田间稻瘟病病情指数建立的预测预报模型,预测结果更为客观和可靠,能及时做好稻瘟病的防控工作。     

基于因子分析的BP神经网络在需水预测中的应用

需水预测涉及农业、工业、生活和环境等多种因素,是典型的多指标评价问题,需对多因素进行综合评估.以广东省珠海市为例,利用1986～2000年的需水量数据,采用因子分析法对影响需水量的8个变量进行因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的需水量预测.结果表明:前4个公因子,即综合实力因子、畜牧影响因子、环境影响因子和补充分析因子,累计贡献率达99%以上,为影响研究区需水量的主要因子,以此作为输入样本建立的BP神经网络需水预测模型既能合理地构造神经网络的拓扑结构,又可加快网络的收敛速度,精度较高.因子分析与BP神经网络结合是多因素需水预测的一个有益尝试.     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

基于偏相关分析的烟台市土壤温度影响因素及预测模型研究

根据烟台市气象局2005年的气象数据,利用偏相关分析方法分析了表层土壤温度与相对湿度、绝对湿度、大气温度、平均风速、日照时数、降水量6个气象因子之间的相关性,进而建立了基于相对湿度、日照时数、大气温度、绝对湿度4气象因子的多元线性回归模型和BP人工神经网络模型。结果表明：在6个气象因子中,相对湿度、日照时数、大气温度、绝对湿度与土壤温度存在极显著相关关系,平均风速、降雨量与土壤温度相关关系不显著;晴天时,BP神经网络模型的决定系数R^2为0．9740,多元线性回归模型的决定系数R^2为0．9739;阴天时,BP神经网络模型的决定系数R^2为0．9881,多元线性回归模型的决定系数R^2为0．9877,因此建立的神经网络模型具有很高的精度,能很好地满足土壤温度的预测要求。     

保靖县稻瘟病发生动态及其与气象因子的关系研究

水稻稻瘟病严重影响水稻的产量和品质,同时稻瘟病的发生、扩散及危害均受气象因子的影响。调查研究了2007~2014年湖南省保靖县水稻稻瘟病的动态发生情况及其与气象因子之间的相关关系。结果发现,降雨量的多少与水稻稻瘟病的发生呈正相关关系;气温在20~30℃左右、相对湿度在90%左右、日照时间不足的情况下有利于水稻稻瘟病的发生和扩散。因此,可利用气象预测预报开展水稻稻瘟病的病情测报。     

基于江苏省河蟹主产区气象因子的产量BP神经网络预测

为提高江苏河蟹主产区产量预测能力,以此为基础制定科学合理的河蟹养殖发展规划,本研究对河蟹主产区附近设立的7个观测台站2013—2017年的气象数据和该区产量数据进行了采集,利用插值法补足少量缺失值,通过主成分分析选取了最能代表江苏省河蟹主产区特点的5个主成分作为研究对象建立BP神经网络,探索其用于江苏省河蟹主产区产量随气象因子变化的规律。结果表明,通过PCA主成分分析降维处理后数据的大部分特点能被BP神经网络学习到,预测值与真实之间的相关系数为0.82267,具备一定的模拟气象因子数据与产量之间的关系的能力。     

主成分回归在水稻需水量预测中的应用

影响水稻需水量的主要因素有气温、水面蒸发、空气饱和差、日照和风速，这几个影响因子之间存在着相关性。运用多元统计分析中的主成分分析法通过提取两个主成分，克服变量之间的相关性，然后再进行回归，建立主成分回归的水稻需水量模型，并对模型进行了拟合质量检查，取得了较为满意的结果。     

基于反向传播神经网络的区域水资源需求量预测——以金华市为例

为推广反向传播(BP)神经网络在区域水资源需求量预测方面的实际应用,以金华市为例,通过主成分分析法得到金华市水资源需求量的3类主要影响因子--经济发展因素、水资源开发利用因素和水环境破坏因素;运用BP神经网络预报模型对该区域水资源总需求量进行预测,得出金华市2010年总需水量为21.935 280×108m3,其结果可为与水资源相协调区域的发展规划提供参考.     

基于BP神经网络的巢湖市冬季浅层地温预报

利用2011—2016年冬季(12月至翌年2月)巢湖市国家基本站逐日气温、地温、日照、降水等气象资料,采用相关分析法筛选出影响地温的关键气象因子,运用MATLAB软件构建了基于BP神经网络浅层最低地温预报模型,并比较不同层模拟精度。结果表明,0~20 cm地温日变化均呈正弦曲线变化,越向深层地温变化幅度越小,位相逐层滞后。相关性分析表明,浅层最低地温与前一日的平均气温、最低气温、0~20 cm各层平均地温和最低地温成显著正相关,与前一日日照时数成显著负相关。模型模拟结果显示0、5、10、15、20 cm最低地温预报的标准误差和绝对误差逐层减小,20 cm层预报准确度明显优于0 cm层。     

Study on Maize-water Model for Supplemental Irrigation in Loess Plateau

The Loess Plateau has a typical semi-arid climate, and the area suffers from very harsh ecological environment, severe soil erosion and water runoff, and uneven distributed precipitation. Due to the re...     

基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于多种模型的浙江省入境游客量预测

入境游客量是衡量地区旅游发展的重要指标之一,准确的旅游需求预测可以为旅游规划提供参考依据。本文根据浙江省2001-2011年接待入境旅游游客量及其他相关统计数据,运用BP神经网络法、GMDH模型、逐步回归分析与BP神经网络组合预测法以及BP神经网络与GMDH模型组合预测法,基于影响因子要素对入境游客量进行预测分析。实验证明BP神经网络与GMDH模型组合预测法具有较强的预测优势。     

土壤水分预测的BP神经网络方法及模型

土壤水分预报是农田适时适量灌水的基础。田间土壤水分的变化受到外界气象因素及土壤特性、作物生长的影响,关系比较复杂。笔者利用多年实测土壤水分资料和气象资料,建立了考虑多个因素对土壤水分影响的BP人工神经网络模型。模型结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的。     

基于支持向量机优化粒子群算法的作物生育期ET0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

作物蒸发蒸腾量的人工神经网络模型研究

采用盆栽试验,利用BP-人工神经网络模拟作物的蒸发蒸腾量,分别构建ET1(气象因子)、ET2(气象因子与播种天数)、ET3(气象因子、播种天数和含水率)3种人工神经网络模型,并将预测结果与称重法得到的实际值ET进行比较,结果表明,所构建的ET3模型的计算精度较高,是一种最优的计算作物蒸发蒸腾量的BP-人工神经网络模型。     

作物蒸发蒸腾量的人工神经网络模型研究

利用BP-人工神经网络考虑气象条件、土壤水分条件以及作物的生物学特性3方面因素，构建作物蒸发蒸腾量（ET）模型。