不同的遮光率对文心兰切花生长及品质的影响

比较了不同遮光率对文心兰切花品质的影响.结果表明:文心兰在不同的生长发育阶段对遮光率的要求不同,75％遮光率的环境有利于文心兰中小苗的生长发育,当文心兰花芽长度为10～20 cm时,则必须将遮光率调整为60％.60％的遮光率可以大幅度提高花穗的直立性,大大降低花穗的倒伏,明显缩短文心兰切花节间长度,降低花穗上第1个分叉...     

基于BP神经网络的番茄干重预测研究

以番茄干重作为正交试验指标,研究温室内番茄生长的环境参数(温度、相对湿度、光照强度)对番茄干重的影响,建立BP神经网络模型,运用MATLAB对试验数据进行训练和模拟,为检验预测的可靠性,采用10-折交叉验证,准确率为95.32%。结果表明,利用BP神经网络得出预测值与实测值接近,具有较好的预测性,可用于干重的预测,能够为温室环境调控提供科学依据。     

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。     

基于非成像高光谱的高山松叶绿素估算模型研究

以云南省香格里拉县建塘镇的高山松为研究对象,使用ASD Field Spec 3便携式野外地物光谱仪测定高山松叶片光谱,并在实验室测定叶片样本的叶绿素含量。经光谱分析技术及统计相关分析法进行光谱数据的分析处理,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,建立与叶绿素含量间的单变量估测模型和双隐层BP神经网络预测模型,并采用决定系数(R~2)、均方根差(RMSE)和相对误差(RE)进行精度检验。结果表明,单变量模型以一阶微分光谱反射率的三次函数模型为最优模型,其R~2、RMSE、RE分别为0.511、1.297 6mg/g、10.06%,而基于双隐层BP神经网络最优模型的R~2、RMSE、RE分别为0.637、0.384 1mg/g、9.47%,精度达到90.53%,经比较得出其具有较优的预测能力,充分体现BP模型的可行性,为快速、准确的估测高山松叶绿素含量提供有利的理论依据。     

日光温室番茄群体纵向尺度叶面湿润时间的模拟研究

植株群体叶面湿润时间(LWD)与病害发生密切相关,为预防叶面湿度过高引起日光温室番茄病害的发生,建立合理准确地日光温室番茄群体纵向尺度叶面湿度分布的预测模型十分必要。通过测定温室外光照强度、温室内温度、相对湿度及番茄植株不同高度的叶面湿润时间,分析温室环境因素对番茄群体纵向尺度叶面湿润时间的影响规律,并利用BP神经网络和多元线性回归建立番茄植株叶面湿润时间的预测模型。结果表明:叶面湿润时间与光照强度、温度呈现负相关关系,与湿度呈现正相关关系;植株不同高度的叶面湿润时间具有一定差异性,表现为植株群体上部叶片湿润时间变化最为明显,中部叶片变化次之,下部叶片变化最慢。距地面150,90和30cm高度处叶面湿润时间BP神经网络模型均方根误差(RMSE)分别为0.9262,1.3275和1.5568,多元线性回归方程的RMSE分别为2.0349,2.8907和3.4359,进一步的分析发现模拟值和实测值之间具有良好的对应关系。叶面湿润时间与光照强度、温度和湿度关系密切,且在群体内不同高度所受影响存在差异性,本研究建立的BP神经网络叶面湿润时间模型优于多元回归方程,可用于长季节栽培番茄群体叶面湿润时间的预测。     

基于MATLAB神经网络的温室草皮腾发量预测研究

[目的]明确基于MATLAB的BP神经网络预测温室草皮腾发量的可行性。[方法]在9月温室实测气象资料的基础上,对温室内的平均气温、相对湿度、光照强度和草皮日腾发量(ET)进行回归分析,建立了BP网络ET预报模型(BP-ET)。[结果]气温、光照强度与草皮腾发量呈显著正相关(P<0.05),相对湿度与草皮腾发量呈显著负相关(P<0.05)。BP神经网络模型具有极高的拟合精度,9月资料检验预报模型的平均相对误差为5.58%,模拟与检验均有很高的拟合精度。BP网络可以用于草皮日腾发量的预测,是对传统草皮日腾发量计算的补充。[结论]该研究为气象数据缺测条件下温室草皮日腾发量的估算提供了新思路。     

应用正交试验法优化药用植物杜鹃兰高产栽培措施

[目的]应用正交试验法对药用植物杜鹃兰高产栽培的有效措施进行探讨。[方法]针对种栽年龄、栽培基质、遮光强度、肥料质量等关键因子,用L9(34)表安排4因素3水平的正交试验。[结果]方差分析结果表明,种栽年龄和光照强度对根长的影响达到了极显著水平(P0.01);种栽年龄、光照强度和肥料质量对根粗的影响达到了极显著水平(P0.01);栽培基质对根粗的影响达到了显著水平(P0.05);光照强度对生物量的影响达到了极显著水平(P0.01),对生物量的影响最大。在贵阳地区杜鹃兰高产栽培的理想措施组合为:3年生假鳞茎,腐殖土,遮光95%,5 g/盆肥料。[结论]该方法优选了杜鹃兰高产栽培的有效措施,为杜鹃兰的种植栽培提供了理论依据。     

武汉市日光温室冬季温湿度环境的神经网络模拟

选取武汉市农业气象试验站聚氯乙烯(polyvinyl chloride,简称PVC)温室的小气候观测数据及台站资料,以PVC温室外的气温、相对湿度、风速、太阳辐射为输入变量,温室内温度、相对湿度为输出变量,分别建立典型天气状况下PVC温室温湿度环境的逆向反馈(back propagation,简称BP)神经网络预测模型。结果表明:气温模拟值与实测值的标准误差(root mean squared error,简称RMSE)为1.1~1.4℃,相对误差为4.0%~5.7%,相对湿度的RMSE为2.1%~3.4%,相对误差为1.7%~3.0%;气温预测值与实测值的气温RMSE为1.5~2.4℃,相对误差为0.7%~1.7%,相对湿度RMSE为1.5%~4.2%,相对误差为1%~3%。模型模拟效果良好,可为PVC温室内温湿度环境的合理调控提供科学依据。     

基于LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。     

3种标准树高曲线建立方法的比较

【目的】比较3种标准树高曲线建立方法的优劣,为选择适宜的标准树高曲线建立方法提供依据。【方法】以福建省将乐县国有林场29块杉木人工林实测数据为依据,采用传统非线性模型、BP神经网络模型、非线性混合模型分别建立杉木标准树高曲线模型,以决定系数R2、均方根误差RMSE以及平均绝对残差|珚E|作为模型评价和检验指标,对比分析三者的拟合效果。【结果】从拟合精度来看,非线性混合模型、BP神经网络模型、传统模型的决定系数分别为0.916 1,0.904 8和0.889 7,RMSE分别为1.652 9,1.761 2和1.895 4,|珚E|分别为1.205 9,1.291 7和1.400 1;从预测精度来看,三者的决定系数分别为0.941 5,0.935 2和0.918 3,RMSE分别为1.361 8,1.432 2和1.609 0,|珚E|分别为0.989 8,1.030 5和1.142 8。【结论】3种方法均能较好地模拟杉木树高的生长,BP神经网络模型与非线性混合模型的拟合精度和预测能力均较传统的非线性模型好,但非线性混合模型略优于BP神经网络模型。     

冬小麦冠层叶绿素质量分数高光谱遥感反演研究

叶绿素质量分数是评估冬小麦生长状况和预测产量的重要参数,估算叶绿素质量分数对于冬小麦的生长监测具有重要意义。利用SPAD-502叶绿素仪和SVCHR 1024i型便携式高光谱仪对冬小麦冠层叶绿素质量分数和光谱特征进行田间测量,分别利用回归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的估算模型,并将模型估算的叶绿素质量分数与田间实测的叶绿素质量分数进行对比,分析反演精度,从中筛选出精度最高的模型。结果表明:基于BP神经网络的冬小麦冠层叶绿素质量分数估算模型拟合精度要优于其他7种基于植被指数的估算模型,其相关系数(R)为0.961 4,均方根误差(RMSE)为1.875 4,相对误差(RE)为2.815 2%,以及检验方程的决定系数(R~2)为0.704 8,RMSE为1.744 6,RE为2.845 1%。研究结果为估测冬小麦冠层叶绿素质量分数提供参考,从而为冬小麦叶绿素质量分数的实时、快速、无损监测奠定基础。     

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。     

夏季遮阳网内小气候对四季香芹生长的影响初探

夏季利用SZW12型遮光率为70%的黑色遮阳网覆盖栽培四季香芹,在晴天和阴天的白天时段网内叶层气温、0cm地温、10cm地温和光照强度均明显下降,相对湿度则明显提高,并能有效避免暴雨对植株的直接冲刷,有效改善了其生长环境。与露地栽培相比,株高、产量和经济效益均明显提高。     

基于神经网络模型的安徽省土壤pH预测

以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking, RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking, RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation, SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R~2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROPRPROP-WBRPROP-OBBP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R~2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROPRPROP-WBRPROP-OBBP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R~2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈"南酸北碱"趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间, RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。     

甘肃省小麦条锈病发生面积预测

甘肃是中国小麦条锈菌重要的周年循环发生区之一,是重要的菌源基地。准确预测甘肃省小麦条锈病的发生面积,对甘肃及中国小麦条锈病的科学防控具有重要意义。利用2001-2021年甘肃省小麦条锈病秋苗发生面积、温度、相对湿度、降雨量和日照时数等资料,通过Pearson相关性分析筛选到影响甘肃小麦条锈病流行的4个关键因子,即小麦条锈病秋苗发生面积、上年8月最低气温、1月平均相对湿度和3月日照时数,并采用全子集回归和BP神经网络算法对甘肃小麦条锈病发生面积进行预测。结果表明,全子集回归模型1和模型2对2020-2021年甘肃小麦条锈病发生面积预测准确度分别为94.63%和88.81%;BP神经网络模型1和模型2的预测准确度分别为98.25%和94.03%。综上可知,BP神经网络模型1是最佳预测模型,其预测2022年甘肃省小麦条锈病发生面积为10.03万hm²。     

随机模型预测UASB反应器对奶牛养殖废水处理效果

为实现UASB反应器运行人工智能控制,采用三层BP神经网络(Back Propagation Artificial Neural Network,BP-ANN)预测升流厌氧反应器处理奶牛养殖废水COD去除效果。运用BP神经网络构建出水与进水COD浓度、水力停留时间、p H、温度、碱度、挥发性有机酸、有机负载率和悬浮固体之间非线性模型,比较不同算法。Levenberg-Marquardt算法为BP神经网络最佳算法,最佳结构为8-8-1,模拟训练效果较好。BP神经网络预测值与真实值接近,一致性较高,模型拟合程度较好。利用线性-非线性模型评价不同输入参数对废水COD去除率影响,比较BP-ANN与线性-非线性模型预测效果,为奶牛养殖废水处理智能化管理提供技术支持。     

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。     

雄先型核桃雄花疏除的二次回归与BP神经网络模型研究

雄先型核桃雄花疏除（去雄）是提高产量的重要管理措施,为提高核桃去雄的效率,建立二次回归与 BP神经网络模型。分别以乙烯利、赤霉素和甲哌鎓为自变量和核桃雄花脱落率为响应指标,进行田间建模试验,建立了二次多项式回归方程和 BP神经网络模型,并于翌年进行 BP模型田间确认试验。试验数据分为训练集、确认集和试验集,中心组合（二次旋转回归试验设计）田间建模试验得到的20组数据随机划为训练集（17）和确认集（3）数据,试验集为翌年田间确认试验得到的数据,BP神经网络的拓扑结构为3-5-1。①BP神经网络对确认集样本的预测值误差分别为1.3550%、0.4291%、0.3538%;②BP神经网络的预测值与田间确认试验结果相差为2.04%,回归预测值与田间确认试验结果相差为3.12%;③BP神经网络预测比回归预测提高预测精度1.0%以上。将二次多项式逐步回归分析和 BP神经网络方法有效的结合使用,既可明确各因子的作用效应亦可得到相对准确的预测结果。     

胶东地区日光温室周年温湿度变化规律分析及预测

为探究胶东地区日光温室内部环境的变化情况及对番茄栽培的适宜性,并对内部温湿度进行预测,利用不同传感器,全天候监测并分析了2019-06-01至2020-05-31温室内外温湿度,同时建立了该地区日光温室内部不同季节不同天气条件下气温及相对湿度的预测模型,并利用根均方差（RMSE）进行统计分析。结果表明,日光温室内部7月平均气温最高,1月平均温度最低,分别为29.7和14.1 ℃。温室内春秋季日期数较外部增加了78 d,冬季减少了118 d。不利于番茄生长的时期集中在夏季和冬季,温室内易产生夏季高温低湿、冬季低温高湿现象。温室内气温、相对湿度预测模型的预测值与实际值的平均RMSE值分别为4.1 ℃、10.1%,模型的模拟效果整体较好。     

基于环境气体信息的BP神经网络苹果贮藏品质预测

针对苹果贮藏品质预测复杂、精度低的问题,设计了基于环境气体信息的BP神经网络苹果贮藏品质预测。首先分析了贮藏环境中温度、气体体积比与苹果理化特性指标的相关性,再通过对苹果的贮藏温度、气体(氧气、二氧化碳)体积比和理化特性指标(硬度、可溶性固形物含量、总酸含量、水分含量)进行检测,将16组温度和气体体积比数据作为BP神经网络的输入,理化特性指标分别作为BP神经网络的输出,对建立的BP神经网络进行训练。训练后用5组非训练样本进行试验验证,结果表明用BP神经网络模型预测苹果贮藏品质的预测值与实测值相对误差在5%以下,可以满足苹果贮藏品质预测的精度要求。