基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。     

基于机器学习算法的蒸发量模型评估

[目的]探讨合理的气候因子个数,建立蒸发量模型,提出基于特征选择算法筛选最优特征集。[方法]以陕西榆林、泾河和汉中3个气象站16年(2005-01至2021-03)的逐小时观测资料为研究对象,利用特征选择函数和遍历循环方法对模型参数、特征变量个数进行优化。基于最佳参数结合随机森林模型和多元线性回归模型两种机器学习算法建立榆林、汉中和泾河地区蒸发量模型,采用平均绝对误差、均方根误差和平方相关系数三项指标评估模型的预测精度。[结果]特征变量和随机森林模型中的决策树个数分别是8,61时,模型预测效果最佳。采用优化的随机森林模型、多元线性回归模型评估3个地区的平均绝对误差均为0,均方根误差除泾河地区相等外,榆林、汉中地区的均方根误差均小于优化的多元线性回归模型。优化的随机森林模型预测榆林、泾河和汉中地区蒸发量拟合效果分别为0.85,0.90,0.86,优化的多元线性回归模型的拟合效果分别为0.77,0.83,0.79。[结论]整体而言,优化的两种模型都具有良好的预测效果且随机森林模型的预测效果优于多元线性回归模型。     

黄土滑坡稳定性评价的集合卡尔曼滤波同化方法

[目的] 为提升区域滑坡稳定性评价模型的预测精度,解决传统滑坡稳定性分析基于静态的物理模型过度简化滑坡发生机理与力学机制,导致过度预测的缺点,以及模型参数通常具有的时空变异性、不确定性的问题。[方法] 基于集合卡尔曼滤波的数据同化方法,以甘肃省兰州市北环路周边区域为例,构建了基于TRIGRS模型和SBAS-InSAR观测数据的区域滑坡数据同化方案,对模型中的安全系数(F_s)进行同化,更新模型参数内摩擦角,进而修正滑坡稳定性,并利用均方根偏差(RMSD)检验同化值的精度。[结果] 同化后研究区域滑坡安全系数明显高于模型预测的结果,不稳定区域的面积比例由12 %降低至7 %,与实际观测更为接近;试验使内摩擦角参数逐渐向观测值方向改正,实现了模型参数的动态更新;均方根偏差从0.33减小到0.04左右。[结论] 基于集合卡尔曼滤波的数据同化方法有效修正了模型稳定性预测结果,可以更准确体现当前区域滑坡实际情况,具有更高的预测精度。     

采用RNCA-PSO-ELM的水稻叶绿素光谱特征分析与反演

为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模,解决东北粳稻叶绿素含量无人机遥感监测等问题,该研究利用沈阳农业大学卡力玛水稻实验站2018-2020年无人机（Unmanned Aerial Vehicle,UAV）水稻冠层高光谱数据及地面样本数据,设计了基于正则近邻成分分析的光谱特征选择方法,优化了其损失函数与正则化参数,获得水稻叶绿素不同含量的特征波段,并以此为输入,构建粒子群优化极限学习机叶绿素含量反演模型。结果表明：正则近邻成分分析算法具有较好的特征选择能力,其损失函数为均方误差损失函数、正则化参数值为0.306时,特征选择效果最佳,初选出权重非零的16个特征波段;进一步以叶绿素极限学习机反演精度为判据,优选出权重最高的6个特征波段：710、716、508、798、532和708 nm;应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差,粒子群算法正交试验种群规模（POP）、惯性权重（IW）、学习因子（C1,C2）和速度位置相关系数（MC）的优选结果分别为50、1.5、1.3、3.5和0.6;基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的RMSE和R2分别为9.549 mg/L、0.891。研究结果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于信息分解条件的滑坡变形预测

[目的] 有效掌握滑坡变形规律,实现对滑坡变形的高精度预测。[方法] 基于滑坡现场变形监测成果,先利用优化经验模态实现其变形数据的信息分解,再利用优化径向基神经网络和马尔科夫链完成滑坡变形的分项组合预测;最后,利用季节性Kendall检验判断滑坡变形趋势,以验证预测结果的可靠性。[结果] 经验模态能有效分解滑坡变形信息,且通过优化处理,能进一步提高分解效果,并以互补式集合经验模态的分解效果最优;同时,预测结果的平均相对误差均小于2%,具有较高的预测精度,验证了预测模型的有效性,且变形趋势判断结果与预测结果较为一致,说明预测过程较为可靠,两者均得出滑坡变形呈持续增加趋势。[结论] 由于滑坡变形具增加趋势,其稳定性趋于不利方向发展,应尽快开展滑坡灾害防治。     

基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型

针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题,提出了一种以误差反向传播算法神经网络(back-propagation neural network,BPNN)为核心,平均影响值法(mean impact value,MIV)为数据预处理方法,粒子群算法(particle swarm optimization,PSO)为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系,使用实地采集的颗粒饲料生产数据对模型进行训练和测试,测试结果显示实际值与模型预测值呈显著正相关,决定系数R2均在0.94以上;平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平,各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本BPNN模型预测结果对比可以发现,MIV-PSO-BPNN预测模型预测性能有显著提升,各输出误差优化幅度从39.55%~91.80%不等,平均优化幅度分别达到84.99%和56.95%;同时相对误差变化趋势图显示MIV-PSO-BPNN预测模型具有更优的预测稳定性,相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路,可为饲料行业高效低耗生产提供理论依据。     

基于数量化理论Ⅲ的滑坡变形组合预测研究

[目的]探讨基于数量化理论Ⅲ的组合预测模型在滑坡变形组合中的适用性,为滑坡变形组合预测提供新的思路。[方法]选取GM(1,1)、支持向量机、BP神经网络及MC预测作为滑坡变形的单一预测模型,并利用数量化理论Ⅲ分析单项预测的相对误差区间的重要性,进而确定区间权重,再结合预测误差确定的组间权重,综合确定组合预测的权值。[结果]组合预测结果相对误差的平均值为1.1%,方差为0.16。[结论]组合预测较单一预测模型的预测精度及稳定性都有较大的提高。     

基于近邻传播算法的茶园土壤墒情传感器布局优化

针对节水灌溉的土壤墒情传感器布局问题,提出了基于近邻传播算法(affinity propagation,AP聚类算法)的优化布局策略。策略在保证茶园传感网络全覆盖的基础上,实时采集试验区各节点的土壤墒情数据,构建节点土壤含水率的相似度矩阵,并迭代计算各节点的吸引度和归属度值,得出聚类数和聚类中心。结果表明,采用AP聚类算法对试验区域传感器进行优化布局,优化了传感器数量和位置,使传感器数量由25个减少到2个。在试验区随机采集土壤相对含水率,经验证,聚类中心节点的土壤相对含水率与试验区平均值相近,相对偏差近为0.76%,表明聚类中心节点的土壤墒情数据具有代表性。该方法有效降低了数据的冗余度,节约了系统成本。     

昆明市土地利用变化趋势的多模型对比分析

[目的]对比分析逻辑回归(LogReg)、多层神经网络(MLP)和相似度加权学习(SimWeight)3种土地利用变化趋势模型在多地类变化分析中的模拟效果与土地利用预测精度,为云贵高原地区的国土空间规划、水土保持和生态修复等提供参考。[方法]以2000—2020年昆明市土地利用变化为例,分别采用3种模型对该区域建模,并使用受试者工作特征曲线、ROC曲线下面积和Kappa系数等多种方法评估精度。[结果]对于大多数地类的变化趋势,MLP和SimWeight模型的模拟效果要好于LogReg模型,特别是在未利用地的变化分析中MLP和SimWeight模型的AUC值均大于0.9。在整体土地利用变化预测上,LogReg, MLP和SimWeight3种模型的Kappa值分别为0.9066,0.904 1,0.925 3,整体预测结果表现接近,但SimWeight模型略微优于其他模型。[结论]对于昆明市LUCC建模的模型选择,若为追求更高精度可选择SimWeight模型,若更在意运算速度则优先选择MLP模型,若需要进一步分析驱动因子与土地变化的关系应选择LogReg模型。     

基于时空变异的旱地土壤有机碳高效采样策略研究

土壤有机碳(SOC)空间分布具有时序差异性,明确样点数量对不同时期SOC预测精度影响是制定高效采样策略的基础。选取3.93×10~4 km~2江苏北部旱地作为案例区,运用普通克里金插值方法,分析样点数量对不同时期SOC空间预测精度的影响。结果表明:不同数量样点数据集下1980年苏北旱地SOC预测值与实测值的相关系数r和均方根误差RMSE变幅分别在0.15～0.56和2.09～2.63 g·kg~(–1)之间,当样点数量大于75%时,预测精度较高且能达到相对稳定水平,最佳采样数目在563个左右;而2008年r和RMSE变幅分别在0.24～0.63和2.11～2.62 g·kg~(–1)之间,预测精度对于样点数量的变化更为敏感,70%的样点数量即可达到相对稳定水平,最佳采样数目在526个左右,这表明不同时期SOC空间预测精度对于样点数量变化的响应不同,土壤属性的空间自相关性越大,预测精度对于采样数量的敏感性越强,空间信息达到饱和状态所需样点数量也相对较少;此外,本研究也发现在SOC高、低值等关键区域设置足够的样点数量是提高土壤空间预测效果的重要手段之一。     

基于矩阵奇异值分解约束型无迹粒子滤波的滑坡位移预测模型研究

[目的]通过对滑坡位移预测模型进行研究,为政府部门实施更加可靠的灾害防治决策提供科学依据。[方法]提出了一种矩阵奇异值分解(SVD)约束型无迹粒子滤波(IUPF)方法,建立基于位移参数的滑坡位移预报模型。[结果]利用改进的SVD方法有效提升了无迹粒子滤波方法中Sigma点计算的鲁棒性,从而提升了算法的预测精度,对滑坡的稳定趋势能够做出更准确的预报。将该算法在镇江市跑马山滑坡体监测工程、京港澳高速公路雨花互通南侧护坡体滑坡监测工程相关数据进行了应用和分析验证。[结论]实例验证结果表明,加入SVD约束后的无迹粒子滤波算法,能够使得滑坡位移预测更加准确,预测的数据更加准确地反映了滑坡的变形趋势。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

高分遥感在黄河流域水土流失动态监测中的应用

[目的]总结和分析黄河流域水土流失动态监测项目所采用的遥感监测技术,为流域水土流失动态监测探索和推广一种崭新、高效的方法。[方法]基于资源3号高分辨率卫星影像,采用面向对象的影像分类方法对准格尔旗2014年的土地利用信息进行半自动分类,并构建植被覆盖度回归模型,对项目区植被覆盖度进行反演研究。[结果]面向对象的土地利用半自动分类结果和植被覆盖度回归模型反演结果,其野外验证精度达到90%以上,满足水土流失动态监测高解析度和高精确度基础数据获取的需求。[结论]面向对象的土地利用分类方法和植被覆盖度回归模型计算,能够有效避免传统人工目视解译导致的成果误差,节约人力成本和时间成本,提高数据获取的精度和效率。     

基于支持向量机和BP神经网络的滑坡变形复合式预测

[目的]探讨复合式组合预测模型对滑坡两变形时间序列的预测效果,为滑坡的变形预测提供一种新的思路。[方法]基于支持向量机和BP神经网络,构建滑坡位移序列和速率序列的复合式预测模型,首先,对滑坡环境因素进行分析,提取其基本信息;其次,利用2种预测方法构建回归结构预测模型和多因素预测模型,并对两时间序列进行一重预测;最后,利用BP神经网络对一重预测结果进行了二重组合优化。[结果]滑坡库水位与滑坡两变形序列均具有较大的相关性,滑坡的稳定性很大程度上会出现周期性疲劳减弱的可能,且通过对滑坡变形的复合式预测。[结论]该方法的相对预测误差均较小,很大程度上提高了滑坡变形的预测精度和稳定性,证明了该预测模型的有效性。     

基于随机森林算法的耕地面积预测及影响因素重要性分析——以甘肃省庆阳市为例

[目的]分析耕地面积变化影响因素的重要性,以便科学预测耕地资源数量,为保护耕地资源服务。[方法]以属于黄土高原地区的甘肃省庆阳市为例,尝试采用随机森林算法构建耕地面积预测模型,与BP神经网络模型的预测结果进行对比,并对耕地面积变化影响因素重要性进行排序。[结果]随机森林算法预测结果的相对误差和均方根误差均小于BP神经网络的,预测精度高,结果稳定。它预测出2020,2025,2030年的耕地面积分别为4.515×10~5,4.513×10~5,4.512×10~5 hm~2,呈现减少的趋势;主要影响因素重要程度排序为:农业机械总动力农业人口地区生产总值固定资产投资额。[结论]随机森林算法适合于耕地面积预测,且能够测度耕地面积变化影响因素的重要程度。     

面向对象分类技术在开发建设项目水土保持监测中的应用

[目的]研究基于无人机低空遥感影像的面向对象分类技术在开发建设项目水土保持监测中的应用,为水土保持监测工作的信息化能力提升提供技术支撑。[方法]利用旋翼无人机获取水土保持监测目标区域的低空遥感影像,通过倾斜摄影技术构建数字表面模型,结合ESP分割尺度评价工具获取最优分割尺度参数,采用多元特征空间指标参与最邻近分类法的监督分类,并依据位置信息的评价方法和误差矩阵对分类解译精度进行验证。[结果]本研究的水土保持监测目标区域的地物分类总体精度达到了86.10%,Kappa系数为0.841,有较好的一致性,能够满足精度需求。[结论]利用无人机低空遥感影像的面向对象分类技术实现了开发建设项目水土保持监测区域地物的快速、精确识别和分类。     

基于无线传感器网络与GIS的蓝藻水华爆发动态监测与模拟

准确获取水体中物质含量与分布区域是开展蓝藻水华爆发预防、预测、预警工作的基础。针对内陆湖泊蓝藻水华爆发突发性、随机性、区域性等特点,研究了一种基于无线传感器网络（wireless sensors networks,WSNs）及地理信息系统（Geographic Information System,GIS）相结合的蓝藻水华爆发动态监测与模拟方法。利用水质传感器组成多源异构水环境感知单元,获取湖泊水质数据;将改进的灰色理论（A Grey Model,AGM）及BP人工神经网络（BP Artificial Neural Network,BPANN）相结合,从而预测24 h内蓝藻水华的浓度与趋势;结合GIS强大的空间分析能力,实现蓝藻水华变化的空间描述。滇池现场试验结果表明,该方法具有一定的普适性,能够为湖泊环境保护与治理提供理论依据及数据支持。