基于PCA-SVR的冬小麦土壤水分预测

土壤含水量状况是影响农作物生长的重要因素,对农作物生长关键期土壤水分的精准预测是田间管理的重要内容。研究选取宝鸡市2014年至2016年冬小麦种植区3—5月的气象、地形和土壤属性3个方面共15个预测因子,建立基于主成分分析(principal component analysis,PCA)的支持向量回归机(support vector regression,SVR)模型预测0~20 cm和20~40 cm土层的土壤水分,并同时采用随机森林(random forest,RF)回归模型对同质数据进行预测分析,以对比分析PCA-SVR模型的预测效果。结果表明:PCA-SVR模型对宝鸡市冬小麦土壤水分的预测在0~20 cm和20~40 cm土层的平均预测精度分别为92.899%和92.656%,RMSE分别为7.521和8.011;随机森林回归预测模型在0~20 cm和20~40 cm土层的平均预测精度为87.632%和87.842%,RMSE分别为10.759和11.042。因此,PCA-SVR模型对宝鸡市冬小麦土壤水分具有更好的预测能力,且模型在0~20 cm土层的预测效果略优于20~40 cm土层。     

基于灰色系统理论的长汀县森林火灾灾变预测

依据灰色系统建模理论,建立长汀县森林火灾高火险年和重灾年灰色灾变GM(1,1)预测模型,模型模拟检验精度达到一级水平,模型发展系数-a小于0.3,可用于该县森林火灾灾变的中长期预测。预测结果表明:2015~2030年间,该县将出现4个森林火灾高火险年,3个森林火灾重灾年,出现的间隔期为3~5年,预测平均相对精度达到98%以上,2017年既是高火险年,又是重灾年,预测精度分别为97.92%和98.19%。     

时空尺度对灰色系统理论预测秸秆折标煤量的影响研究

能源供给潜力的准确预测对秸秆生物质资源开发具有重要意义,数据的时空尺度对预测精度有重要的影响。在不同的时间尺度（7、10、12和15a）下研究了灰色系统理论Grey Model（1,1）模型及其拓展形式对全国、京津冀、河北三个空间尺度上秸秆折标煤量的预测精度,确定各空间尺度上的最优模型和数据时间尺度,分析影响可收集秸秆折标煤量的主要因素,并得到2021-2030年的预测结果。结果表明,灰色Verhulst模型的预测效果整体最好,10a时间尺度下的预测精度要明显高于7a、12a和15a,全国地区的预测精度为99.69%和99.72%,高于京津冀和河北省地区的预测精度;全国主要农作物和粮食农作物可收集秸秆折标煤量主要受到播种面积和单位面积产量双因素的影响,而京津冀和河北地区的主要农作物和粮食农作物可收集秸秆折标煤量则主要受单位面积产量的影响;2021-2030年的预测结果表明,全国主要农作物和主要粮食作物的可收集秸秆折标煤量基本稳定,而京津冀和河北地区的秸秆可收集折标煤量呈增加趋势,且主要粮食农作物的秸秆折标煤量的增速高于主要农作物秸秆折标煤量的增速。研究结果反映了京津冀协同发展对京津冀地区尤其是河北现代化农业格局发展和秸秆生物质资源量的影响,得到了不同空间尺度上影响秸秆折标煤量的关键因子,对灰色系统理论预测秸秆生物质资源潜力、推动能源格局转变有理论意义。     

湖北省农作物播种面积灰色预测

首先介绍了灰色系统理论及灰色预测建模原理,以湖北省连续9年的农作物播种面积数据为基础,建立GM(1,1)灰色预测模型,对湖北省未来8年的农作物播种面积进行了预测,并对预测结果进行检验,预测结果精度较高,可以用来对湖北省未来几年的农作物播种面积进行预测。结果表明,湖北省农作物播种面积呈现逐步下降趋势,土地利用规划部门应实行严格的耕地保护制度,切实保障农民的利益,提高农民耕种的积极性。     

基于聚类法筛选历史相似气象数据的玉米产量DSSAT-CERES-Maize预测

根据陕西杨凌、合阳、长武3个站点各2 a玉米试验,在对玉米生长模拟模型CERES-Maize进行调试、验证的基础上,探索在生育期内进行动态产量预测的方法并验证.研究将目标生育期内未知气象数据分别用试验地的多年历史同期数据代替,结合生育期实时数据对应生成多个完整的气象数据序列运行模型预测产量.随着生育期的推进,逐日在气象数据序列中融入目标年实测的气象数据,从播种至收获动态模拟玉米产量.此外该研究使用改进前后的K-NN算法从历史气象年份中筛选目标年的气象相似年份进而预测产量.通过对3种方法预测精度及预测效率对比,确定改进的K-NN算法最优.研究表明,玉米生育前期产量预测可靠性和准确率均较差,抽雄后预测精度迅速提高;利用改进的K-NN算法在3个站点全生育期预测产量的平均绝对相对误差的均值分别为9.9%、19.8%、17.9%,抽雄后预测产量的平均绝对相对误差在0.2%~12.6%之间,相比于使用全部历史年份数据进行全生育期产量预测,模拟所需时间从61 min缩短至25 min.对该方法中降雨因子的筛选进一步改进可提高预报精度,未来有望达到业务应用水平.     

气候变更的敏感性对预测水土流失量的影响

研究气候变更的空间敏感性,将提高对大规模预测水土流失量的精度。2006年美国学者X.C.Zhang在3个温室、3种耕作措施下,模拟2070~2099年气候变化对水土流失的影响。研究结果表明:在种植季节,温度每增长1℃,导致小麦减产10%;CO2累积量每增长50%,产量增加26%;降雨量每减少1%,产量降低0.9%;传统耕作和保土耕作的土壤流失减少了3.8%。根据全部预测结果得知,径流介于-33%~3%,土壤流失介于-33%~0%。来自不同空间的气候预测的平均水土流失的多样性与气候模拟的多样性一致。当全球气候模型具有预测功能时,应在空间分布规律下评估气候的影响;当分布规律未知时,应在多个空间分布下评估气候的影响。由于空间分布的不确定性,预测的影响随之不确定。     

粮食产量预测理论、方法与应用Ⅲ.粮食生产潜力中、长期预测理论、模型及其应用

粮食生产潜力中、长期预测的目的是为国家中、长期粮食生产规划提供科学依据。粮食生产潜力中、长期预测的"双向预测理论":从若干个预测模型中选择出2个模型,一个模型预测的未来产量是持续增加的,体现产量持续增加的科技进步力量;另一个模型预测的未来产量是先增加后减少或持续减少的,体现影响产量持续增加的负面综合因素力量。应用结果表明:模型可预测未来1~10年的粮食生产潜力,平均预测误差在5%以内。大量案例证明粮食生产潜力中、长期预测的"双向预测理论"是科学的、方法是通用的、结果是实用的。     

基于SOLANUM模型的甘肃中东部马铃薯潜在产量研究

为探究马铃薯专用生长模拟模型SOLANUM对甘肃省中东部马铃薯产量预测的适用性,并分析该地区主要气候因子对马铃薯产能差的影响。本试验以3个马铃薯基因型为参试材料,利用SOLANUM模型计算并校准甘肃省天水市和定西市马铃薯模型参数,并对SOLANUM模型进行统计学的模型评价。结果表明,SOLANUM模型在甘肃省适用性评价中,产量和冠层覆盖度模拟结果相对均方根误差(RRMSE)均在16%~76.2%之间,模型效应系数(EF)在0.068~0.805之间。相关性分析表明,产能差变化与太阳辐射变化相关系数为0.8,与年降雨量变化相关系数为0.71;潜在产量与年降雨量相关系数为0.92,与太阳辐射相关系数为0.78;实际产量与年降雨量相关系数为0.89,与太阳辐射相关系数为0.68。综上,SOLANUM模型对甘肃省中东部地区马铃薯潜在产量和冠层覆盖度模拟具有适用性,但还需对马铃薯生长发育和生育期长短的估算进行深入研究,从而提高模型模拟精度和适用性。为缩小产能差,甘肃省应选择晚熟抗旱马铃薯品种种植。本研究结果为补充SOLANUM模型模拟精度和提高甘肃省马铃薯潜在产量提供了决策依据。     

基于WOFOST作物模型的玉米区域干旱影响评估技术

为探讨作物区域干旱影响评估技术,拓展农业气象灾害区域影响评估方法,基于WOFOST作物模型,以西南玉米干旱为研究对象,对发育期、光合生产等模块进行了改进与提高,利用西南地区8个代表性站点的玉米田间观测数据和同期逐日气象数据对模型进行了适宜性检验,在此基础上,选择西南地区历年典型干旱年份,模拟分析了玉米的产量变化趋势,并与实际减产率作了对比分析。结果表明:改进后,玉米生育期模拟值与实测值归一化均方根误差(NRMSE)由原来的3.25%~6.95%降低到1.48%~3.07%,R~2由原来的0.57~0.79提高到0.63~0.99,平均模拟精度由原来的74.12%提高到78.9%。玉米产量模拟值与实测值NRMSE范围由原来的7.88%~11.99%降低到3.07%~6.79%,R2由原来的0.52~0.93提高到0.77~0.98,平均模拟精度由原来的75.7%提高到80.95%。对1987年、1992年及2006年西南地区关键生育期典型干旱年份产量模拟平均精度分别是69.8%、78.1%与75.9%。结合上述分析可得出模型对发育期与产量的模拟精度都有不同程度地提高,模型对西南玉米主产区干旱影响评估有很好的反应,对干旱分布范围与分布规律的模拟值与实际情况基本接近,表明该方法可为区域干旱影响评估提供一种更为科学的评估技术。     

人工神经网络在水土流失规律预报中的应用

运用人工神经网络技术 ,采用九龙江西溪流域水文数据 ,以年降雨量、年径流量和年平均含沙量为输入因子 ,建立年输沙量的预测预报模型 ,结果表明 :所建立的模型的模拟精度与预测精度分别达到 95 .972 %与 98.315 % ,高于线性模型和幂函数模型 ,从而为水土流失规律的预测预报提供理论依据     

基于灰色GM(1,1)模型的闽西红壤农田灌溉需水量预测研究

龙岩地处闽西,是典型的红壤丘陵区,其农田灌溉用水量占用水总量的比重较大,高达60.6%,科学合理地预测未来农田灌溉的需水量,对水资源的合理开发与管理尤为重要。本文在论述了灰色预测模型在农田灌溉需水量预测中的原理、方法与步骤的基础上,利用灰色预测GM(1,1)模型,依据龙岩市2001~2011年农田灌溉用水资料对实际农田灌溉用水量进行了模拟分析,经检验模型精度达到98.45%,准确度高;并用该模型对龙岩市2012~2020年农田灌溉需水量进行了预测。预测结果表明,该模型用于农田灌溉需水量预测,符合其灰色特性,可检验,适用性好,可为龙岩市水资源规划与管理提供必要的参考。     

防虫网覆盖塑料大棚小白菜采收期与产量预测模型

为准确预测防虫网覆盖塑料大棚栽培小白菜的采收期和产量,本研究通过不同品种、播期试验,定量分析了出叶速率、单叶伸长速率与温度和辐射的关系,建立了基于辐热积的小白菜叶面积预测模型,并将该模型与通用的光合作用与干物质生产模型相结合,建立了防虫网覆盖塑料大棚栽培小白菜采收期与产量预测模型。并用与建立模型相独立的试验资料对模型进行检验,结果表明,对小白菜展开叶数、叶长、叶面积指数、采收期、产量的预测与实测值之间基于1︰1直线的决定系数(R2)分别达到0.93、0.95、0.97、0.91、0.97,相对预测误差(RE)分别为10.9%、8.7%、11.4%、3.4%、12.5%。本模型预测精度较高,模型参数容易获取,具有较强的实用性。     

番茄果实蠕变特性表征的Burger's修正模型

针对经典Burger’s模型在蠕变特性表达中的不足,进行了绿熟期、变色期、红熟前期和红熟中期番茄果实的蠕变试验,并在Burger’s模型和常用指数型与幂函数型修正模型分析的基础上构造提出了4元件6参数修正模型.该模型对不同成熟期蠕变段试验数据拟合的平均决定系数与和方差分别达0.9975~0.9994和0.04047~0.07633,蠕变变形率和弹性度的拟合平均相对误差分别为2.54%~3.04%和2.89%~7.12%,蠕变量预测的平均相对误差为0.29%~0.46%,蠕变速率也与实际更加吻合,其曲线拟合精度、关键指标表达精度和蠕变预测精度大大优于Burger’s模型和常用修正模型.研究表明该模型实现了蠕变行为的更准确表征与预测,从而为果实收获、储运、分选的减损提供了更好的模型依据.     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

多模式集合模拟气候变化对玉米产量的影响

气候模式驱动作物模型是气候变化影响评估的主要手段。但是,单一气候模式输出和作物模型的结构差异使得研究结果存在不确定性。多模式集合的概率预估可以有效减少研究结果的不确定性。为此,本文利用1981—2009年东北地区海伦、长岭、本溪3地区农业气象站的历史气象资料和玉米作物数据,分别建立了作物统计模型并验证了APSIM机理模型在研究区域的适用性。在此基础上,与CMIP5在RCP4.5情景下的8个全球模式结合,尝试基于多模式集合评估了未来2010—2039年时段和2040—2069年时段气候变化对玉米产量的可能影响(相对于1976—2005年基准时段)。研究结果表明,APSIM模型对玉米生长发育和产量形成有很好的模拟能力。玉米生育期的模拟误差(RMSE)为3~4 d,产量的RMSE为0.6~0.8 t?hm~(-2)。建立的产量统计模型表明,玉米出苗阶段(5月中旬)的温度增加对产量增加有积极作用,而开花到成熟阶段(7月中旬到9月上旬)的温度和降水的增加、光照的不足均不利于产量增加。与1976—2005年基准时段相比,气候因素影响下2010—2039年玉米产量减少3.8%(海伦)~7.4%(本溪),减产的概率为64%(长岭)~73%(本溪);2040—2069年时段减产6.4%(海伦)~10.5%(本溪),减产的概率为74%(海伦)~83%(本溪)。未来2010—2039年时段和2040—2069年时段基于机理模型模拟的产量降低分别为6.6%(海伦)~8.9%(本溪)和9.7%(海伦)~13.7%(本溪),均高于相应时段基于统计模型得到的0.9%(海伦)~6.0%(本溪)和2.0%(长岭)~7.3%(本溪)减产结果。     

参数优化方法对微生物模型预测土壤有机碳时空演变的影响

准确把握土壤有机碳（SOC）的时空演变规律对于土壤资源的高效持续利用、发挥土壤生态系统服务功能，以及应对气候变化等均具有重要意义。以江苏省南部为研究区，以明确表达微生物分解作用的微生物模型MIMICS为对象，以模型参数敏感性分析为切入点，分析了不同参数优化方法对MIMICS模型预测苏南农田表层（0 ~ 20 cm）SOC时空演变动态的影响。结果表明，批处理和点对点两种参数优化方法下，MIMICS模型均能较好地模拟1980─2015年苏南农田表层SOC密度先增加后减少的总体趋势；采用考虑模型参数空间异质性的点对点参数优化方法时，MIMICS模型预测精度最高，其预测误差（RMSE）较采用默认参数值时分别降低22.2%（2000年独立验证）和14.7%（2015年独立验证），但2015年SOC密度预测精度依然偏低（R2 = 0.13，RMSE = 1.22 kg?m–2）。上述结果表明进一步改进微生物模型的结构、提高模型输入数据的精度及分辨率，将是微生物模型建模区域尺度SOC时空动态所面临的重要挑战。     

基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取

冬小麦播种面积监测是农情遥感的重要研究内容之一,及时、准确地获取冬小麦的播种面积对冬小麦产量估算具有重要的意义。该文在面向对象技术的支持下,首先利用融合的高空间分辨率SPOT5遥感影像提取农田地块专题层信息;然后在专题层控制下对多时相的ETM+遥感数据统一尺度分割,得到不同时相遥感影像相同形状的地块特征基元;通过光谱特征规则集构建不同时相的冬小麦信息提取模型,实现对各个时期冬小麦播种田块对象的提取;最后通过交叉验证,确定最终的冬小麦播种面积。结果表明,该方法能够快速获得冬小麦播种面积,总体精度达到90%以上,基本上能够满足农情遥感监测的需求,为冬小麦种植面积遥感快速监测提供了一种可行的方法。     

响应气候变化的棉花生长模拟与县域尺度产量评估

为评估气象变化对棉花生长和县域尺度产量的影响,使用校正的CROPGRO-Cotton模型实现棉花生长模拟和响应气候变化的年际籽棉产量评估。2018年和2019年的田间试验数据被用于校正和验证CROPGRO-Cotton模型,结果表明校正的CROPGRO-Cotton模型对物候发育期模拟精度较好,出苗期、开花期、结铃期和吐絮期的模拟误差分别为+1、+3、+1和-2 d。模拟的生长期地上总产量(TAGP)和叶面积指数(LAI)与实测值吻合较好,D值为0.99,模拟的RMSE值分别为718 kg·hm^-2和0.29 m²·m^-2, 显示了较高的TAGP模拟精度(10%D值为0.55,NRMSE值为15.8%。不同年际籽棉产量评估的平均D值和NRMSE值分别为0.48和15.6%,不同区域的籽棉产量评估的平均D值和NRMSE值分别为0.44和16.8%,校正的模型均获得了较高的年际和区域产量评估精度(NRMSE≤20%)。研究结果可为分析气候变化对棉花生长和产量的影响提供一种定量分析方法。     

未来气候变化对中国小麦产量影响的差异性研究——基于Meta回归分析的定量综述

对2017年以前预测未来气候变化对中国小麦产量影响的国内外相关研究进行了综述,并对其中26篇研究信息相对全面完整的文献进行Meta分析,总结了原始独立研究预测结果的差异,并讨论差异的可能来源,以期为本领域后续研究提供依据。结果表明：（1）未来气候变化对中国小麦产量的影响存在一定不确定性,但以负面影响为主;A2和B2主流气候情景下预测的小麦产量减产幅度较其它气候情景分别高18%和20%。（2）政策、技术、市场和投入等非气候性因素有助于适应气候变化,引入这些因素时小麦增产幅度预测结果增加10%;（3）研究数据和方法对预测结果有显著影响,预测时间间隔每延长一年,小麦产量增幅和减幅预测结果提高1%,进行产量分离、采用相应的气候模型和作物模型对预测增幅有显著的正向影响,增加水平分别为26%、22%和18%;（4）期刊文献比非期刊文献的产量增幅预测结果平均高5%。     

基于相关向量机的冬小麦蚜虫遥感预测

蚜虫的流行严重影响了冬小麦的产量。区域尺度上及时准确的预报冬小麦蚜害发生范围能为蚜害的有效预防提供基础信息,从而降低冬小麦产量的损失。该研究利用多时相的环境星CCD光学数据和IRS热红外数据,分别提取了冬小麦的长势因子,比值植被指数(ratio vegetation index,RVI)和归一化植被指数(normalized difference vegetation index,NDVI),以及生境因子,地表温度(land surface temperature,LST)和垂直干旱指数(perpendicular drought index,PDI),利用相关向量机(relevance vector machine,RVM)、支持向量机(support vector machine,SVM)和逻辑回归(logistic regression,LR)方法建立了北京郊区冬小麦灌浆期蚜虫发生预测模型,并对比分析了3种模型预测精度。试验结果表明,RVM总体预测精度达到87.5%,优于SVM的79.2%和LR的75.0%。另外,RVM模型计算量较小,相比于SVM和LR模型,其预测时间可分别缩短7倍和60倍。较高预测精度和较小计算量的特性扩大了RVM在实际中的应用价值。