基于灰色预测和 随机森林组合算法的电量预测

为解决地区电量预测精度低、预测模型通用性差等问题,文章通过对区域用电量和经济因素的历史数据研究分析,提出了一种基于灰色预测和随机森林的组合电量预测方法。首先利用灰色预测方法通过历史电量数据进行电量初步预测;其次再利用经济指标数据,通过随机森林算法对初步预测的用电量进行修正,以达到最佳的用电量预测效果。最后将本模型运用于地区月用电量预测,结果表明:该预测方法平均绝对百分误差为(MAPE)2.06%,为地区电量预测工作提供一种新思路。     

基于PSO-LSSVM的森林地上生物量估测模型

为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。     

融合多源时空数据的冬小麦产量预测模型研究

为提高大尺度冬小麦产量预测精度,以2005—2019年河南省遥感数据、气象数据、土壤含水率等多源时空数据为特征变量,分析其与小麦单产的相关性,并基于随机森林算法对特征变量进行了重要性分析,构建了融合多源时空数据的冬小麦产量预测模型。结果表明:增强型植被指数（Enhanced vegetation index, EVI）、日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）与高程为小麦产量预测的重要因子,与小麦产量呈高度正相关,对小麦产量预测的重要性指标均超过0.45,远大于土壤含水率、降水量、最高温度、最低温度等因子;基于随机森林算法构建的小麦不同生长阶段产量预测模型中,以10月—次年5月和10月—次年4月为特征变量的产量预测模型精度较高,R²分别为0.85和0.84,RMSE分别为821.55、832.01 kg/hm²,在空间尺度上,豫西和豫南丘陵山地模型预测相对误差高于平原地区。该研究结果可为大尺度作物产量预测提供参考。     

基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法...     

基于Landsat 8的节水改造背景下盐渍化土壤含盐量反演

为探明沈乌灌域节水改造后因渠道衬砌、引排水量减少引起的土壤含盐量时空分布特征及变化规律,采用区域土壤信息定点监测,结合经典统计学、空间插值以及机器学习建模反演等技术手段,利用Landsat 8卫星获取光谱数据,通过对实测土壤含盐量、光谱指数及波段反射率进行处理,运用Adaboost回归、BP神经网络回归、梯度提升树回归、KNN回归、决策树回归、随机森林回归方法构建了沈乌灌域土壤含盐量空间反演模型。采用最优反演模型对沈乌灌域土壤含盐量空间分布特征进行了遥感反演。结果表明： 通过全变量单一回归法筛选出相关系数大于0.55的9个光谱因子,使用SPSS PRO软件构建6种机器学习反演模型,对比6种反演模型精度,验证集决定系数R2由大到小依次为随机森林回归、梯度提升树回归、Adaboost回归、KNN回归、决策树回归、BP神经网络回归。其中随机森林回归模型的拟合精度最佳,训练集与验证集的决定系数R2分别为0.834和0.86,说明随机森林回归模型的反演效果较好。反演结果表明：节水改造后非盐渍土面积增加391.7km2,占灌域总面积的21%,中度盐渍土面积、重度盐渍土面积、盐土面积分别减少95.61、63.37、45.7km2,分别占灌域总面积的5%、3%、2%。综上所述,节水改造工程完成后,沈乌灌域土壤盐渍化程度减轻,作物生长安全区面积增加,但由于渠道衬砌以及引排水量减少,土壤盐分淋洗效果减弱,土壤盐分在灌域内部运移,整体土壤环境得到改善,局部地区出现盐分聚集。     

基于随机森林回归的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R~2=0. 303),达极显著水平(P 0. 001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9. 85%,均方根误差为824. 77 kg/hm~2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。     

新疆兵团农机总动力预测模型的研究

为了提高新疆兵团农机总动力预测模型的精度,获得更加可靠的预测结果,针对回归模型的多重共线性问题及灰色模型仅含有指数增长趋势的问题,基于2007-2014年农机动力的相关数据,建立了主成分回归和灰色回归两种预测模型。对两种模型的预测精度进行比较分析,结果表明:主成分回归模型和灰色回归模型预测值的平均相对误差分别为0.57%、0.46%,灰色回归预测模型的精度较高,可以较真实地反映新疆兵团农机总动力的变化趋势。应用该模型进行预测,得到了新疆兵团农机总动力未来5年的预测值。     

基于条件植被温度指数的夏玉米生长季干旱预测研究

为验证条件植被温度指数(VTCI)在夏玉米生长季干旱预测中的适用性,以河北中部平原为研究区,应用求和自回归移动平均(ARIMA)模型及季节性求和自回归移动平均(SARIMA)模型,对该地区VTCI时间序列数据进行分析建模预测。首先基于49个气象站点所在像素的VTCI时间序列数据,选取不同长度时间序列建立ARIMA模型,并分析时间序列长度与预测精度间关系,以期为时间序列长度选择提供依据;然后选择理想长度的VTCI时间序列数据,分别建立ARIMA模型和SARIMA模型,用于研究区域2017年夏玉米生长季VTCI预测,并分析评价两模型预测精度;最后采用性能较好的ARIMA模型逐像素建模预测,得到2016-2018年9月上旬至下旬VTCI预测结果。结果表明:基于ARIMA模型的VTCI预测精度与时间序列长度未呈现明显的相关关系,但随时间序列长度增加,模型预测精度逐渐趋于稳定;ARIMA模型对干旱的预测精度高于基于SARIMA模型,其1步、2步、3步VTCI预测结果均方根误差较SARIMA模型分别降低0. 06、0. 07、0. 09;ARIMA模型在不同年份夏玉米生长季VTCI1~3步的预测精度稳定性较好,2016-2018年1步、2步和3步VTCI预测结果绝对误差绝对值大于0. 20的像素平均百分比分别为5. 84%、6. 38%、8. 72%。     

土壤有机碳空间变异性对采样密度的响应研究

以北京地区土壤有机碳(SOC)为目标变量,对比4种不同采样密度下SOC质量比空间变异的结构变化以及在不同采样密度下不同空间预测方法对SOC质量比空间预测不确定性方面的表现。结果表明,SOC质量比关于地形因子的趋势属于宏观趋势,以低采样密度的趋势拟合效果最优;随着采样密度的增加,SOC质量比及其去趋势后残差的系统内部随机变异逐渐增强,结构变异逐渐减弱,变异函数的分布也越平稳,空间预测的不确定性也逐渐减小。另外,变异函数的变程可能也影响空间预测的不确定性;增加采样密度和引入地形因子辅助的回归克里格法均可以提高北京地区SOC质量比的预测精度;在预测精度不降低的情况下,引入地形因子辅助可以在一定程度上减少采样的数量。     

基于灰色马尔科夫的参考作物腾发量预测

参考作物腾发量(ET0)是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水量预报精度具有十分重要的意义。针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时预测效果差的情况,作者提出了用马尔科夫对GM(1,1)模型修正的组合模型,该模型结合了灰色模型可以揭示预测数据的发展趋势以及马尔科夫预测适合描述随机波动性较大的预测问题的优点,将其应用于沈阳地区参考作物腾发量预测中,对比分析了GM(1,1)模型与灰色马尔科夫模型的预测结果。结果表明,灰色马尔科夫模型不仅能反映系统的动态特性,还具有比GM(1,1)更高的预测精度、逼近性和稳定性,具有较好的应用价值。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于改进RF特征选择策略的烤烟油分高光谱特征分析

针对烤烟油分特征预测模型的特征优选问题,提出一种改进RF(随机森林)算法特征选择策略,首先通过RF特征选择算法计算出各个特征的RF-Score,将特征按RF-Score的大小排序依次添加到特征子集中,若分类器分类准确率提高则保留该特征,若分类器分类准确率没有提高或降低则去除该特征。结果表明:利用RF特征选择算法对烤烟高光谱特征进行筛选时,将176个高光谱特征中按基尼系数降序排列依次输入SVM分类器中,前64个高光谱波段特征即可使支持向量机分类器性能最佳,特征子集维度为64,其分类准确率为93.33%。利用改进RF特征选择策略对176个烤烟高光谱波段特征进行筛选,只需输入371.08 nm、716.71 nm、378.31 nm、487.77 nm、484.09 nm、535.85 nm六个波段的高光谱特征即可使支持向量机分类器性能最佳,其分类准确率为95%,特征子集维度为6,说明改进的RF特征选择策略可以在保证分类器性能的前提下能较好地进行数据降维,减小特征集的冗余。改进后的RF特征选择算法与全高光谱波段相比,特征数量减少170个,分类准确率提高3.33%;与RF特征选择算法相比,特征数量减少58个,分类准确率提高1.67%。     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧（DO）浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM）的对虾养殖溶解氧浓度组合预测模型。首先采用经验模态分解（EMD）对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量（IMF）;然后分别采用长短时记忆神经网络（LSTM）和随机森林（RF）对高、低频不同尺度IMF进行建模;最后结合各分量预测结果构建叠加模型,实现对溶解氧浓度时序数据的综合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用,在基于真实数据集的性能测试中,经验模态分解后EMD-ELM模型与极限学习机（ELM）模型对比,平均绝对误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和,EMD-RF-LSTM模型预测的精度指标MAPE、RMSE和MAE分别为0.0129、0.1156和0.0844,其中关键指标MAPE较EMD-ELM、EMD-RF和EMD-LSTM分别降低了84.07%、57.57%和49.81%,预测精度显著提高。结果表明,本研究针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能,表明本研究模型具有较高的预测精度,能够较准确地实现对虾养殖水体中溶解氧浓度预测。     

基于无人机多光谱遥感和机器学习的苎麻理化性状估测

苎麻生理生化性状是其遗传基础和环境条件综合影响的结果，能够反映特定胁迫环境下苎麻的生长发育状况。无人机遥感技术为大规模田间作物长势监测提供了有效手段，利用无人机搭载多光谱相机对苎麻理化性状进行综合评价具有实际意义。因此，以苎麻种质资源为研究对象，采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数，运用相关性分析法(Pearson correlation analysis, PCA)、递归特征消除法(Recursive feature elimination, RFE)2种最优特征筛选方法和线性回归(Linear regression, LR)、决策树(Decision tree, DT)、随机森林回归(Random forest, RF)、支持向量机(Support vector machines, SVM)、偏最小二乘回归分析(Partial least squares regression analysis, PLSR)5种机器学习算法分别构建了苎麻叶绿素相对含量(SPAD值)、叶面积指数(Leaf area index, LAI)和叶片相对含水量(Relative water ...     

基于MESMA和RF的山丘区土地利用信息分类提取

探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

基于NARX模型的参考作物蒸散发预测

为了实现气象资料缺失情况下参考作物蒸散量(ET₀)精确计算和预测,以攀枝花站点为例,构建非线性自回归滤波器(NARX)模型预测ET₀.以Penman-Monteith模型计算的ET₀作为预测标准,将日最高温、日最低温、日照时数、风速和相对湿度作为模型的输入参数,建立11种不同气象因子组合的NARX模型,并与Hargreaves-Samani模型、Irmak-Allen模型、Makkink模型、Priestley-Taylor模型的计算结果进行比较.结果表明:不同气象因子输入下的NARX模型模拟精度表现出明显的差异.其中,基于全部气象因子的NARX-1模型的RMSE,MAE和MBE分别为0.425 mm/d,0.320 mm/d和0.069 mm/d,NSE为0.920,GPI排名第11,精度最差;而基于风速的NARX-9模型精度最高,其RMSE,MAE和MBE分别为0.285 mm/d,0.237 mm/d和0.019 mm/d,NSE为0.964,GPI排名第1.在输入相同气象参数情况下,基于温度和日照时数的NARX-4模型模拟精度优于Irmak-Allen,Makkink,Priestley-Taylor模型;基于温度的NARX-7模型模拟精度明显高于Hargreaves-Samani模型.因此,可将NARX模型作为四川西南山地缺失较多气象资料情况下计算ET₀的推荐模型,为农田精准灌溉提供科学依据.