基于BP神经网络的农业电子商务网站评价研究

提出了适合农业电子商务网站的评价指标体系。建立农业电子商务网站的BP神经网络评价模型,通过BP神经网络对数据进行训练、测试,对提出的评价指标体系进行了验证。通过对结果的分析发现,建立的基于BP神经网络的评价模型在农业电子商务网站评价中具有可行性,在网站建设方面具有较强的参考价值。     

基于多特征的BP神经网络多种植物叶片病害识别研究

为准确识别植物的健康状况,更好地对植物进行健康管理和治疗,以芒果、柠檬和石榴3种植物健康和病害叶片为研究对象,设计BP神经网络模型对植物健康状况进行识别。首先提取植物叶片表型特征数据,包括叶片颜色特征、形状特征和纹理特征。其中使用小波变换提取植物叶片的纹理特征,并用PCA主成分分析法对提取的特征数据降维。其次建立BP神经网络模型对植物进行分类识别。采用不同特征组合进行实验,识别准确率最高可达83.9%。采用颜色、形状和纹理组合特征建立的BP神经网络植物叶片健康识别模型具有最好的识别效果,可以便捷、高效地识别植物病害。     

基于主成分分析的BP神经网络估算藏北高寒草地覆盖度变化

藏北高寒牧区草地是中国高寒草地分布面积最大的地区。为了及时准确地获得该区域草地覆盖度的变化趋势,本研究利用多年气象数据、社会统计数据、GIMMS、MODIS两种归一化植被指数（NDVI）数据作为参数,构建 BP神经网络模型,估算2010—2014年藏北高寒草地年际变化趋势,并用主成分分析方法优化参数来改进模型。结果表明,① BP神经网络模型及其改进模型对藏北高寒草地覆盖度年际变化趋势与遥感值的相关系数为0.16、0.47,表明通过主成分分析优化参数后的BP神经网络模型具有较好的模拟效果。 ②两种BP神经网络估算的植被指数值与NDVI值平均误差率分别为2.36%、2.20%。均有较高的模拟精度。③从神经网络训练步数上看,BP神经网络结果训练收敛步长为5000,基于主成分分析的BP神经网络模型训练收敛步长为454,表明后者提高了计算效率,体现出良好的收敛性。因此,无论从年际变化趋势拟合程度、植被指数估算值精度、还是从计算效率来看,改进的BP神经网络模型对于估算藏北高寒草地覆盖度变化更加行之有效。     

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。（1）BP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%;（2）BP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%;（3）BP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。     

灰色关联综合评价法对夏玉米干旱胁迫调控指标优选

为获得合理的夏玉米灌溉控制指标，基于2 年控制试验结果，借助加权灰色关联综合评价法对夏玉米的耗水量、产量和水分利用效率(WUE）进行综合性评价。结果表明，与各处理的实测产量、耗水量、WUE 从高到低排序相比，产量、耗水量、WUE 的单层次评价值位次基本相同，对于优选夏玉米的干旱胁迫控制指标具有可行性。随干旱胁迫程度的增加，产量、耗水量评价值呈减小趋势；WUE 评价值呈先增加后减小趋势。多层次综合评价结果显示，WUE 的权重最大。随干旱胁迫程度的增加，综合评价值呈减小趋势，相同生育期内轻旱胁迫处理表现最优。2 年控制试验中，对照适宜水分处理最优，灌浆期轻旱处理次之，再次为苗期轻旱处理。考虑河南地区夏玉米生产实际，建议苗期、拔节期、抽雄期与灌浆期分别控制土壤水分下限保持在田间持水率的60%、70%、75%、60%以上时，可保证夏玉米节水稳产。该结论为河南省水资源高效利用提供理论参考。     

基于数据信息特征的土地资源评价客观赋权方法的研究

目前土地资源评价客观赋权方法种类繁多,而各种赋权方法对同一组指标数据的赋权结果不同,就常见客观赋权方法进行整理和归类,并以甘肃省庄浪县农村居民点整理数据为材料,从客观赋权方法原理出发,基于数据信息特征,引入变异系数、方差膨胀因子,根据指标体系中变异系数均值、方差膨胀因子均值的不同,创造性地构建差异组和相关组,在各指标体系下对赋权方法比较分析。结果表明：（1）利用差异信息赋权的熵权法、变异系数法、均方差法、离差最大化法,熵权法最优;（2）利用差异信息赋权的熵权法和利用重复信息赋权的复相关系数法的赋权结果无趋同性;（3）基于熵权法和复相关系数法的一种组合优化方法。     

冬小麦面团流变学特性的杂种优势和配合力分析

对冬小麦杂种Ｆ１２０个组合及其９个亲本的面团流变学特性（吸水率，面团形成时间，稳定时间，软化度和评价值）进行了杂种优势和配合力分析。结果表明：（１）吸水率表现为正向优势，面团形成时间、稳定时间、软件度和评价值表现为负向优势。一般地说，利用杂种优势提高面筋质量比较困难，但通过亲本的适当选配仍可能获得强优势组合。（２）５个性状的一般配合力和特殊配合力方差均极显著，说明基因加性效应和非加性效应均起重要作     

PI模型在乌兰察布市土壤生产力评价中的适用性研究

为了给乌兰察布市土壤生产力评价提供一种简单、实用、客观的评价方法,在PI模型及后人修正的PI模型(MPI)的基础上,结合研究区土壤特点,对PI模型进行了修正(MPI-Ⅱ),主要修改了MPI模型中有机质指标的计算方法,并增加了碳酸钙指标。利用MPI模型和MPI-Ⅱ模型,评价了43个土种的土壤生产力,并与研究区第2次土壤普查中综合评价法的评价值进行了比较。结果表明：（1）MPI-Ⅱ模型的评价值与综合评价法的评价值之间的相关性(R2=0.589,P<0.01)比MPI模型与综合评价法之间的相关性(R2=0.305, P<0.01)高,MPI-Ⅱ的评价值可能更接近研究区的实际情况;（2）总体而言,MPI-Ⅱ模型的评价值与综合评价法的评价值较一致,但有5种土壤的评价值差异较大,可能是综合评价法的主观性较强所致。因此,MPI-Ⅱ模型对研究区的土壤生产力评价可能有较好的适用性。     

基于BP神经网络的土壤容重预测模型

土壤容重是农业生产和研究的重要参数,但因成本高、工作量大等原因,其获取仍是一个紧迫的问题。数学建模技术使得科研人员尝试使用土壤传递函数PTFs间接获取土壤容重值。本研究以复合圆锥指数仪为工具,探讨应用BP神经网络建立PTFs预测土壤容重。选取粘土和粉质壤土作为实验对象,在MATLAB2008a上建立、并评价预测土壤容重的BP神经网络,即PTFs模型。研究中以均方根误差RMSE和决定系数R²为性能指标来评价所建BP神经网络。结果表明,针对复合圆锥指数仪的测量结果,应用BP神经网络算法建立PTFs可以有效预测土壤容重。粘土容重预测的决定系数R²达到0.6973,粉质壤土容重预测的决定系数R²达到0.6868。实验结果还证实土壤容重预测与测量深度无关,但与土壤类型显著相关。     

基于BP神经网络的土壤重金属污染评价方法——以包头土壤环境质量评价为例

为了克服国标(GBl5618—1995)内梅罗综合污染指数评价土壤环境质量时存在的缺点,借助BP神经网络模型,并结合GIS技术对包头土壤重金属污染的空间分布进行研究。实地调研获得221个土壤样,利用原子荧光光谱法和等离子体质谱法测试得到8种重金属含量数据。统计结果表明,研究区主要为Pb、Zn污染,考虑研究区特异性构造神经网络学习样本,建立基于特征模式的BP神经网络土壤环境质量评价模型。根据采样点评价结果,利用Kriging插值法绘制包头土壤环境质量专题图,分析得出包头土壤环境呈沿昆都伦河被污染的条带特点。结果表明,根据采样统计量信息利用BP神经网络模型,能够有效建立特殊研究区土壤中各种重金属含量与环境质量之间的非线性映射关系,为土壤污染的来源、分布、累积效应和主要影响因素以及污染链的阻断提供依据。     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。     

柴达木地区枸杞种植区遥感提取方法对比研究

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。     

山西日光温室逐日极端气温预测模型研究

利用山西省忻州市日光温室的室内小气候观测数据及气象站资料,用BP神经网络及逐步回归法建立以多种输入变量的不同天气条件下的日光温室内最高温度、最低温度的模型。结果表明,利用BP神经网络及逐步回归法建立的模型R2均在0.96以上,RMSE与AE大部分在2℃之下。利用逐步回归方法在模拟日光温室内晴天最高、最低温度和寡照的最高温度精度较高,利用BP神经网络模型在多云的最高、最低温度与寡照的最低温度模拟的精度较高。选择精度更好的模型对日光温室的极端气温做准确的预测,可为山西省设施农业的管理和调控及小气候预报提供支持。     

BP神经网络在许昌土壤墒情预测模型的应用

为了科学指导农业灌溉和抗旱救灾,通过采用BP神经网络方法,研究许昌现有土壤墒情经验分析模型,建立了许昌土壤墒情预测模型并结合许昌多年的土壤水分实测数据和气象资料进行误差分析,应用结果表明BP神经网络模型可较好地应用于许昌土壤墒情分析和预测,对于不同条件的地区具有较好的适应性和推广应用价值。     

基于BP神经网络的冬季日光温室小气候模拟

为了系统分析日光温室内外气候特征的关系,向日光温室作物环境调控及小气候预报提供支持,根据冬季日光温室内小气候观测试验资料和附近气象站观测资料,利用BP神经网络方法建立3个模型,分别对3种不同天气状况下石家庄地区日光温室冬季小气候特征进行模拟。结果表明,3个模型气温训练值与实测值的均方根误差(RMSE)都在2℃以内,决定系数都在0.95以上;相对湿度训练值的RMSE都在2个百分点以内,决定系数均高于0.95;接受到的太阳辐射的训练值与实测值的RMSE都在16 W/m2以内,决定系数也均超过0.95。利用此模型得到的气温预测值与实测值的RMSE都在2℃以内,决定系数都在0.9以上;相对湿度预测值与实测值的RMSE都在4个百分点以内,晴天和少云-多云状况下决定系数均高于0.9,寡照状况下的决定系数略低,约为0.8;接受到的太阳辐射的预测值与实测值的RMSE都在26 W/m2以内,决定系数均超过0.95。说明所建BP神经网络模型对于不同天气状况下石家庄地区日光温室冬季小气候特征模拟都有较高的精度,可以用于预测。     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%;外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

Stratification and Bearing Capacity Prediction Method Based on BP Neural Network for Foundation in Huaibei Plain

According to the features of stratification and obvious inhomogeneity in geological soil in Huaibei plain, BP neural network prediction method for stratification and bearing capacity calculation of multiple cross-bedded foundation was proposed. By comparing the results of drill sampling, static cone penetration tests and screw plate tests, plate loading tests, penetration resistance ps value was found as an evaluation index for stratification and bearing capacity prediction of cross-bedded foundation. Moreover, gradient descent algorithm and conjugate gradient algorithm BP neural network models were obtained, and the calculation results of the two algorithms were comparatively analyzed. The results show that penetration resistance value can be taken as an evaluation index for stratification and bearing capacity prediction of cross-bedded foundation in Huaibei plain. Gradient descent algorithm and conjugate gradient algorithm BP neural network models have good results for soil identification and bearing capacity determination, which can meet the accuracy requirements of actual engineering. However, the computational efficiency of gradient descent algorithm is significantly lower than that of conjugate gradient algorithm.     

基于LM-BP神经网络的耕地土壤养分等级划分模型──以皖南山区为例

研究旨在通过BP神经网络方法,构建起LM-BP网络结构(5-M-1)模型,达到对土壤养分等级划分的目的,为合理的土壤养分管理提供可靠依据。采用Levenberg-Marquardt (LM)训练算法,构建3层网络模型：一个输入层、一个隐含层、一个输出层,利用3层网络作为耕地土壤养分等级划分模型。利用土壤养分各级评价标准作为模型的训练样本和测试样本,以此来对BP神经网络进行训练和测试,并对歙县土壤养分进行综合评价。结果表明：LM-BP网络结构对测试样本输出的预测值和实际参考值是一致的。最终通过灰色关联模型和主成分分析方法对歙县土壤养分的综合评价结果与BP神经网络的模拟结果相对比,发现也是基本一致的。LM-BP网络结构应用于土壤养分等级划分中,得到了很好的预测效果,为智能算法应用于农业领域奠定了良好的基础。     

基于遗传算法的BP神经网络在小麦蛋白质含量预测中的应用

为了快速、简便、准确地测定小麦蛋白质的含量,本文提出了应用近红外光谱分析技术结合遗传算法(GA)的BP神经网络的建模方法。采用SPXY算法对光谱数据进行了合理划分,并运用连续投影算法(SPA)将预处理过的数据压缩,对光谱数据提取最佳敏感波点作为GA-BP神经网络的输入,建立小麦蛋白质含量的校正模型。模型的预测均方根误差和预测相关系数为1.3379和0.979,并与BP神经网络所建立的校正模型进行了比较。结果表明：GA-BP神经网络所建模型收敛速度快、训练时间短、准确度也较高,能够实现对小麦蛋白质含量快速高效的检测。