阴离子表面活性剂的临界胶束浓度的支持向量回归研究

应用支持向量回归(Support vector regression,SVR)方法,结合粒子群参数寻优(Particle swarm optimization,PSO)技术,对分子结构参数与分子性能之间的关系进行研究来预测阴离子表面活性剂的临界胶束浓度.并与基于人工神经网络模型的预测结果进行了比较.结果表明:对于相同的训练样本和检验样本,支持向量回归比BPNN模型有更高的预测精度.     

基于支持向量机回归的猪肺疫发病率预测模型研究

为探明支持向量机回归(SVR)模型在动物疫病定量预测上的效果,以便为动物疫病防控决策提供依据,利用广西2007—2013年的猪肺疫月发病率时间序列,进行了SVR模型预测猪肺疫月发病率效果的研究。首先,以自相关函数法和Cao方法相结合,确定该时间序列的时间延迟为2,嵌入维数为6,并对其进行相空间重构;然后,依据主分量分析(PCA分布)方法判定该时间序列具有混沌特性,表明其在重构相空间中进行分析预测是可行的;最后,基于相空间重构结果构建SVR模型,分别采用网格搜索算法、遗传算法、粒子群算法对模型参数进行优化,并分析预测效果。结果表明,运用遗传算法优化SVR模型参数预测效果最优,平均绝对偏差(MAD)为0.043、均方误差(MSE)为0.003、平均绝对百分误差(MAPE)为0.202。可见,采用遗传算法优化的SVR模型对猪肺疫发病率的预测是可行有效的。     

基于HYDRUS-2D的土壤水力特征参数反演及其时空变异性研究

为研究田间尺度灌溉条件下土壤水力特征参数的时空变异性，基于甘肃省武威市石羊河试验站葡萄园内土壤含水率数据，采用HYDRUS-2D模型反演估计不同生育期不同深度的土壤水力特征参数，评估反演参数的土壤含水率模拟效果，分析其时空变异性。结果表明：田间尺度下采用反演参数模拟不同深度土壤含水率的变化的效果优于同种情况下Rosetta模型预测参数的模拟效果；反演参数在果实膨大期和转色期的模拟效果好于其它生育期，反演的拟合优度R²值由Rosetta模型的0.4～0.5提高到了0.7～0.8,均方根误差RMSE和平均绝对误差MAE值由Rosetta模型的0.04～0.05 cm³/cm³和0.03～0.04 cm³/cm³分别降低到了0.03～0.04 cm³/cm³和0.02～0.03 cm³/cm³;此外，反演出的土壤水力学特征参数只适用于参与反演过程类似条件下的模拟，应用于有明显差异的情景时，模拟精度...     

基于遥感技术的土壤质地空间预测方法研究进展

土壤质地影响土壤持水持肥性和透气性，进而驱动一系列与土壤有关的物理化学过程，结合高效快速的遥感技术预测土壤质地空间分布，对土壤质量评价与农业生产规划具有重要的理论和实践意义。本文从遥感预测土壤质地的数据、方法和模型的应用出发，介绍了用于土壤质地遥感预测的雷达、地形和植被指数等辅助数据，提出了光谱响应、特征波长选择和遥感解译这三种基于遥感特征预测土壤质地空间分布的方法，梳理了统计学、地统计学和机器学习这三类模型与遥感结合对土壤质地空间预测的应用效果，总结了几种典型方法的优缺点与适用情况，并分析了遥感预测土壤质地的应用条件和精度验证方法，最后提出未来研究需侧重于深入提取各种遥感光谱特征、利用遥感技术获取多类型环境变量和开发土壤物理属性与数据驱动机器学习特征相结合的多算法混合模型，旨在为开展不同区域尺度下土壤质地空间预测研究提供依据与技术支撑。     

基于Vis-NIR光谱的土壤质地BP神经网络预测

为快速、准确地获取土壤质地信息,提出了应用Vis-NIR光谱结合BP神经网络的建模方法。以河南封丘县的86个土壤样本为研究对象,以原始光谱和微分光谱主成分为输入变量,建立土壤粘粒和砂粒的BP神经网络预测模型,并将其预测结果与多元线性逐步回归模型进行比较。结果表明:基于原始光谱主成分的BP人工神经网络预测结果最好,优于多元逐步回归模型,预测粘粒和砂粒的RMSE分别为1.62和6.52。BP神经网络所建模型训练时间短、准确度也较高,能实现对土壤质地的高效预测。     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

土壤pH值和全钾含量高光谱反演方法比较

为了预测土壤pH值和全钾含量,采集111个土壤样本的高光谱信息,采用小波变换后去包络的方法对原始光谱信息进行预处理,利用相关性分析法选择土壤光谱特征波段,进行偏最小二乘法回归(PLSR)、主成分分析回归(PCR)、支持向量回归(SVR)3种方法的土壤pH值和全钾含量高光谱反演精度的比较研究。结果显示,在水稻土和紫色土全钾含量和水稻土pH值的反演中,SVR方法都取得了比PLSR方法和PCR方法更好的反演效果。在紫色土pH值反演中,PLSR方法和PCR方法反演效果均优于SVR方法。比较不同类型土壤和不同土壤参数的反演效果发现,水稻土土壤pH值和全钾含量的反演效果均强于紫色土,全钾含量的反演效果优于pH值。本研究结果说明高光谱快速反演土壤pH值和全钾含量具有可行性。     

应用集成BP神经网络模型预测土壤有机质空间分布

基于2014年江西省万年县测土配方施肥数据,以地理坐标、高程和坡度以及邻近样点信息作为网络的输入变量,采用集成BP神经网络模型(BPNN-Ada模型)预测土壤有机质的空间分布,并与未集成的BP神经网络模型(BPNN模型)和普通克里金模型(OK模型)进行比较。结果表明,3种模型的预测精度大小顺序为BPNNAda模型BPNN模型OK模型。集成BP神经网络模型预测精度最高,效果最好,比较符合土壤有机质地学分布规律及实际情况。BPNN-Ada模型克服了BP神经网络局部搜索能力差和易陷入全局最优的缺点,提高了BP神经网络的泛化能力。     

基于水文模型对比建立SWAT模型数据库 ——以黄土丘陵沟壑区岔口流域为例

21世纪以来,水文模型在国内得到广泛应用,但模型参数众多且数据库建立复杂,基于模型对比分析探究AnnAGNPS模型与SWAT模型结构算法、输入参数的相似性,在此基础上,选择黄土丘陵沟壑区岔口流域为研究区,以AnnAGNPS模型数据库为基础,建立流域SWAT模型数据库,并验证其适用性,为高效建库提供依据,实现一定的数据共享性。结果表明:(1)在水文部分,2个模型模拟径流与蒸发使用相同算法,泥沙侵蚀模拟时,2个模型采用以USLE基础的改进方程,模型气象、土壤和管理等数据库的输入参数大多相同;(2)建立SWAT模型空间数据库时,AnnAGNPS模型的空间数据可直接利用,属性数据库中相同或相似参数可直接继承,其他参数可重置或采取默认值;(3)使用水文模型对比建立的SWAT模型数据库模拟,其率定期月径流量相关系数(R~2)=0.67,纳什效率(NSE)=0.61,验证期月径流量R~2=0.63,NSE=0.59,模型在岔口流域具有较好的适用性。因此,对比分析水文模型并对其数据进行建库利用,能有效提高建库效率,在基于多模型研究岔口流域水土流失奠定基础的同时,也可为其他相关研究提供参考。     

AnnAGNPS模型土壤数据库的建立——以柴河上游小流域为例

AnnAGNPS模型为针对农业非点源污染的非点源污染负荷估算模型,从方便该模型在中国应用的角度出发,以辽河重要支流柴河上游流域为例建立了适合该流域的AnnAGNPS模型土壤数据库,并着重介绍了土壤数据库中土壤质地的转换及相关参数的获取方法。基于已建立的土壤数据库对AnnAGNPS模型在该流域的适用性进行了检验,结果表明AnnAGNPS模型适用于该流域,即已建立的土壤数据库适合AnnAGNPS模型在该地区使用。     

生鲜产品的多变量SVR需求预测——基于在线评论的顾客感知因素提取

为探索在线评论数据中蕴含的顾客感知产品信息对生鲜产品需求量预测准确度的影响，针对生鲜产品电商平台中大量评论数据，利用网络爬虫技术和Word2vec模型建立产品特征词库，提取主要需求预测影响因素，并基于产品特征词库对评论文本分类将影响因素量化，构建多变量SVR需求预测模型，同时运用粒子群算法对SVR模型中的主要参数进行优化，在此基础上进行实证分析。结果表明:1)Word2vec模型能挖掘在线评论数据中顾客关注的产品特征，有效提取顾客感知的需求预测影响因素；2)与单变量SVR模型相比，加入评论中顾客感知因素的多变量SVR在预测产品需求量时误差更小。利用在线评论中顾客感知因素建立多变量SVR需求预测模型能有效提高生鲜产品需求量预测准确度。     

基于趋化-改进粒子群算法的SVR光合速率预测模型

针对回归型支持向量机(SVR)参数选取影响模型性能的问题,提出融合细菌觅食算法趋化操作的改进粒子群混合算法(C-IPSO),以优化SVR的惩罚参数和核参数。同时,为了实现对温室环境的精细控制,结合温室作物生长环境因子,建立一种基于趋化-改进粒子群算法优化的回归型支持向量机温室光合速率预测模型。以温室番茄幼苗期、开花期、结果期为例,与支持向量机和基本粒子群算法优化的支持向量机分别建立的模型进行实验对比。结果发现：建立的三个生长期光合速率预测模型的光合速率实测值和预测值的决定系数分别为0.954 8、0.985 4和0.951 5,均比另外两个预测模型更接近于1,表明该模型预测效果均更佳,并证明了所提算法的有效性,为指导温室环境根据作物光合需求进行精准调控提供了理论基础。     

基于HYDRUS-2D软件的土壤水力特征参数反演及间接地下滴灌的土壤水分运动模拟

间接地下滴灌是一种能有效减少地表蒸发、提高水分运输效率的新型滴灌方式。虽然土壤水分运动模拟已成为优化滴灌的重要工具,但由于土壤水力特征参数难以确定,模拟结果往往不够精确。为此,基于室内间接地下滴灌实验数据,利用HYDRUS-2D软件对土壤水力特征参数进行反演尝试,并探究边界均匀出水时,不同规格(直径、高度)的间接地下滴灌导水装置下形成的土壤水分分布差异。结果表明,HYDRUS-2D软件能有效地反演土壤水力特征参数,用反演参数模拟的土壤含水量和湿润距离与实测值吻合良好,基于3个反演参数和4个反演参数的模拟效果差异不大,计算模型的纳什效率系数分别为0.716和0.714。灌溉时不同直径、相同透水边界高度的装置对侧边和底部的含水量分布影响不大,而相同直径、不同透水边界高度的装置对侧边和底部的含水量分布影响较大。研究结果可为间接地下灌溉时导水装置规格的选取与农业水分精准管理提供科学依据。     

基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量,探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展,在冬小麦拔节期、孕穗期、开花期和灌浆期,采用M600大疆无人机搭载K6多光谱成像仪获取5波段(Red、Green、Blue、Rededge、Nir)多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征,采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征,采用BP神经网络(BP)、随机森林(RF)、Adaboost、支持向量机(SVR)4种机器学习回归方法构建植株氮含量预测模型,并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】(1)植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。(2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异,RF和Adaboost方法预测植株氮含量集中于95%的置信区间,多分布于1:1直线附近...     

基于视觉注意模型的苗期油菜田间杂草检测

提出了基于视觉注意模型的苗期油菜/杂草图像检测方法。针对苗期油菜大田环境,获取油菜/杂草RGB原始图像。根据原始图像颜色分布特点改进Itti模型,生成系列特征显著图,结合区域生长算法分割出感兴趣区域。针对该区域提取形状和纹理特征参数作为支持向量机输入量,判别出所有油菜区域,最后融合原始图像和油菜区域获取最终株间杂草区域。结果表明:与局部迭代阈值法和最大类间方差法相比,本研究提出的图像分割方法更优,正确分割目标概率、错误分割目标概率及漏分割目标概率分别为92.46%、3.26%及7.54%;针对形状、纹理、综合特征及精选特征四类特征参数集,径向基-支持向量机的识别率分别为96.00%、94.29%、100.00%及96.00%。     

基于采样密度不同土壤的水分特征参数的预测及误差分析

目前土壤水分特征曲线（h-θ曲线）的研究普遍采用vanGenuchten模型（简称VG模型）。利用不同取样精度的土壤,将土壤质地（砂土、粘粒、粉粒含量）和容重作为输入值,探讨了使用基于土壤转换函数的BP神经网络模型来预测0～20cm表层土壤水分特征曲线参数,用甘肃称钩河流域小流域的土样进行了预测和误差分析。结果表明,使用线性回归能够减小预测误差与实测值差距;BP神经网络预测饱和体积含水量的准确性比预测剩余体积含水量和田间持水量要高。为了进一步提高预测精度,还应尽可能地包括土壤结构、有机质含量等信息。     

Predicting soil chemical composition and other soil parameters from field observations using a neural network

Characterisation of soils in relation to a particular use or classification system is often heavily dependant on their chemical properties, requiring detailed, time-consuming and often expensive laboratory analysis. If it were possible to gain even partial knowledge of the status of a soil in terms of parameters that normally require this kind of analysis, but instead to be able to do so, based on simple field observation information, then an observer in the field would be able to more effectively characterise the soil they were investigating. Using data from the NSIS (National Soil Inventory of Scotland) database, we have produced a neural network model that predicts a wide range of soil chemical and physical properties with varying accuracy levels. This neural network model is supplied with field observation inputs that require only a limited degree of training to determine, and limited field equipment. These inputs include colour, texture classification and site information (topography, climate and vegetation). Several model outputs are predicted with a high degree of accuracy, including organic matter content, Mg, Ca, Ni, total base saturation and pH amongst others. We discuss the outputs that are predicted well and those that are not in terms of their relationships to the model input parameters and their significance within the soil, and consider possible uses and limitations of this prediction system.     

基于哑变量和因子选择的森林蓄积量估测研究

为提高森林蓄积量遥感估测精度,探讨哑变量技术在蓄积量遥感估测中的作用。以云南省普洱市思茅区为研究区,以Landsat 8 OLI和93块森林资源二类调查角规控制样地数据为基础,使用随机森林（random forest）算法进行遥感变量因子的选择,并以龄组为哑变量分别构建基于哑变量的SVR和PLSR蓄积量估测模型,采用留一交叉验证对结果进行评估。结果表明,使用随机森林算法进行变量的选择有效减少了自变量的维度,提高了计算效率;其次,哑变量引入后,PLSR和SVR 2种回归模型的估测精度都比无哑变量方法有明显的提高,且SVR的估测结果优于PLSR;在引入哑变量后SVR模型的决定系数R²由0.59提高到0.68,相对均方根误差rRMSE由36.76%降低至32.97%,PLSR模型的决定系数R²由0.53提高到0.62,相对均方根误差rRMSE由39.41%降低至35.24%。在森林蓄积量的遥感估测中,哑变量技术的应用可以在一定程度上解决不同蓄积量大小对估测结果造成的影响,进而提高蓄积量的估测精度。     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。