线性模型与机器学习模型对牦牛体重预测的比较

本研究测定革吉那布地区102头2岁龄的牦牛相关体尺性状(体高、体长和胸围)与体重,按不同比例划分训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型,比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。结果表明,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71～0.80之间,而机器学习方法的预测准确性最高可达0.91。在训练集数据充足的情况下,相比于一般线性模型的方法,利用机器学习方法进行预测具有更高的准确性。     

豫农黑猪体尺性状遗传参数估计的模型研究

【目的】为提高豫农黑猪体尺性状遗传参数估计的准确性,加快豫农黑猪选育进展。【方法】利用最佳线性无偏预测(best linear unbiased prediction, BLUP)和基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)2种方法,构建3个单性状动物模型,即基于BLUP的模型1、基于GBLUP的模型2以及基于包含基因组近交系数GBLUP的模型3,采用平均信息约束性最大似然算法(average information restricted maximum likelihood, AIREML)对702头豫农黑猪体尺性状的遗传参数进行估计。【结果】在遗传参数估计的准确性方面,模型1估计的准确性低于模型2和3;模型3和模型2相比,提高了胸围、腿臀围和眼肌深度性状遗传参数估计的准确性。模型3估计体高、腿臀围、背膘厚和眼肌深度的遗传力为0.566、0.302、0.467和0.652,属于高遗传力性状;体长、胸围和管围的遗传力为0.152、0.122和0.255,属于中遗传力性状。体尺性状间的表型相关系数为-0.009～...     

应用机器学习模型对中国云贵川区域林火风险预测

加强云贵川区域林火管理,预测云贵川地区森林火灾的发生概率,对保护森林资源和森林生态系统结构和功能具有重要意义。利用MCD64A1火灾数据集、气象数据、地形数据和可燃物含水率数据构建模型训练数据集,结合逻辑回归、随机森林与极端梯度提升等机器学习模型,对中国云贵川区域日尺度林火燃烧概率进行预测。结果表明：单独使用气象数据集对林火燃烧概率进行预测时,极端梯度提升模型表现最好,预测精度为88.6%,其次为随机森林模型与逻辑回归模型,预测精度分别为86.0%与76.7%。地形因素及植被水分指数的引入对机器学习模型有一定的优化效果,极端梯度提升模型与随机森林模型的预测精度的提升均超过1%。     

基于机器学习的落叶松毛虫发生面积预测模型

落叶松毛虫为我国主要害虫之一,其发生严重影响了我国林木生长和森林资源的安全。因此,及时准确地对落叶松毛虫虫害发生趋势进行预测、预报十分必要。虫害的发生受到多种因素的影响,存在复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致其预测效果不够理想。本研究选取当年3月中旬的总蒸发量、上年7月上旬的平均最低气温、当年3月下旬的极端最低气温以及上年11月上旬的平均风速作为自变量,虫害发生面积作为因变量,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)3种机器学习算法对落叶松毛虫发生面积进行预测,并将3种方法的预测结果与传统多元线性回归预测方法相比较。结果表明,机器学习的预测效果均在很大程度上优于多元线性回归预测,并且在3种机器学习算法中,SVM模型的预测效果最好,在30%容忍度下其预测精度可以达到100%,并且该模型还有较低的RMSE值(0.077)和较短的训练时间(1 s)。这表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是SVM模型可以作为一种很好的虫害发生预测手段。      

白羽王鸽体尺与屠宰性能的相关及回归分析

以21日龄的白羽王鸽为材料,测量体重、体尺和屠宰性状,应用典型相关分析原理对3组性状间的相关关系进行分析研究,并建立了回归方程。结果表明:屠体重与体斜长、龙骨长、胸深、胸宽、胫长和活重相关系数分别为0.646、0.457、0.560、0.478、0.577、0.947,所有相关系数均达到极显著水平(P<0.01)。分别建立白羽王鸽活重与体斜长、胸宽和胫长,屠体重与体斜长、胸深,全净膛重与体斜长、龙骨长、胸宽,半净膛重与体斜长、胸宽、胫长的回归模型。通过各性状的相关与回归分析,可以间接估计其生产性能,从而简化对肉鸽生产性能的测定过程,加速育种进程。为利用白羽王鸽的体尺性状预测屠宰性能提供理论依据。     

基于深度学习的湘赣鄂地区植被变化 及其影响因子关系模型

构建NDVI及其影响因子之间的关系模型是对区域植被变化进行预测的重要方法之一,然而传统的模型大多通过线性回归方法构建,且主要选取单一影响因子进行模型构建。深度学习是一种有效训练深层神经网络的机器学习算法,具有训练速度快、预测精度高的优点,近年来被应用于图像识别、回归分析等各领域。笔者引入深度学习方法,以气象、土壤、地形等多因子为模型自变量,以MODIS-NDVI为因变量构建关系模型,应用于湘赣鄂地区2005—2015年植被变化的预测中,对所建模型的适用性进行了评价。结果表明:深度学习模型与线性回归模型相比预测精度更高,预测效果更好,NDVI深度学习预测值与原始MODIS-NDVI值的相关系数达到0.804。可见,深度学习具有较强的模型构建及预测能力,能够地对区域植被变化进行有效的预测,进而为作物产量估算、冻害监测、植被覆盖度监测等研究提供帮助。     

活体检测预测栗羽蛋鹌鹑屠宰性能的研究

[目的]研究利用活体检测来预测成年蛋鹌鹑屠宰性能的可行性。[方法]以成年栗羽蛋鹌鹑为试验材料,测量其体重、体尺和屠宰性状,应用相关分析方法对3组性状间的相关性进行分析,并建立了回归方程。[结果]栗羽蛋鹌鹑的肉用性能和产肉性能良好,其龙骨长明显高于黄羽鹌鹑,胸肌更发达,屠体重与体斜长、龙骨长、胸宽、胫围和体重的相关系数分别为0.628、0.579、0.497、0.637和0.986,相关性均达到极显著水平(P<0.01)。胸宽和胫围是影响体重的主要指标,分别建立了鹌鹑活重与胫围和胸宽,屠体重与胫围和胸宽,全净膛重与体斜长、胸宽,半净膛重与龙骨长、体斜长和胸宽,腿肌重与胸宽、体斜长、胫围和胫长的回归模型。[结论]通过各性状的相关分析与回归分析,蛋鹌鹑的活体表型性状可用于预测屠宰性能。     

依据机器学习算法的杉木干形模拟

利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2～1 cm,训练集的相对偏差在-50％～50％.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑.     

崇明白山羊和徐淮山羊体重与体尺的相关和通径分析

分析了崇明白山羊和徐淮山羊成年母羊的若干体尺指标与体重的相关性及其直接和间接作用,建立了体重．体尺最优回归模型。结果表明：角基周长可作为预测崇明白山羊成年母羊体重和选择的主要体尺因素,胸深与肩宽则可作为徐淮山羊的相应体尺因素。崇明白山羊成年母羊的体尺-体重最优回归模型为Y=-14．5244＋1．91．62X5＋0．3862X4;徐淮山羊的体尺-体重最优回归模型为Y=-47．4653＋1．7264X2＋2．0831X8。     

基于无人机多光谱数据的水稻LAI反演与应用

为比较和验证不同叶面积指数(LAI)机器学习模型迁移后的稳定性,以无人机获取的湖北鄂州与海南水稻田的多光谱影像数据为研究对象,使用8 种植被指数经验模型与3 种机器学习方法对鄂州试验田的水稻LAI进行反演,并推广至海南试验区。结果表明:1)非线性模型在鄂州试验数据的建模集测试中精确度较优,其中归一化红边差值(NDRE)非线性模型验证的变异系数(CV)=31.05%,但推广至海南试验区后精确度下降严重(验证集CV=74.90%),可移植性差;2)线性模型和机器学习模型在模型移植后表现出较优的稳定性,其中梯度提升回归(GBR)二波段模型在鄂州数据建模集CV=28.91%,在海南数据验证集CV=26.58%;3)增强植被指数(EVI2)线性拟合模型在鄂州数据建模集CV=33.78%,在海南数据验证集CV=27.90%。最后使用EVI2构建的经验模型,对各生育时期2 种不同水稻(珞优9348和丰两优4号)的LAI进行预测,结果表明在相同氮水平下,珞优9348表现为氮高效品种。     

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

基于核极限学习机奶牛日粮能量消化预测方法

为准确评价饲料营养价值和提升饲喂管理水平,精准预测奶牛日粮能量消化指标具有重要意义。传统上主要基于线性回归(LR)方法预测奶牛日粮能量消化指标,但受参数模型假设限制,预测结果精度低,甚至偏离实际。文章首次将核极限学习机(KELM)方法应用于奶牛日粮消化能(DE)和能量消化率(ED)预测,KELM作为一种典型非参数机器学习模型,无需提前对预测模型作任何假设,仅通过学习训练样本数据,便可拟合出最接近实际的函数,特别适用于奶牛日粮能量消化等复杂系统预测问题。与传统LR方法和其他非参数模型RBF-ANN、SVM及标准ELM对比验证与讨论,结果表明,基于KELM预测方法在MAE、MAPE、RMSE及RT等多数指标上优于其他方法,特别是与传统LR方法相比,KELM方法预测精度更高,可作为对奶牛日粮DE和ED预测新型参考方法,为人工智能与机器学习在预测和评价动物饲粮营养价值应用研究提供借鉴。     

机器学习算法在森林生长收获预估中的应用

森林生长收获预估是森林经理学的一个重要方向,采用模型技术进行森林生长收获估计是森林经营决策的重要前提。传统的统计模型如线性及非线性回归模型、混合效应模型、分位数回归、度量误差模型等统计方法已被广泛应用于研究林木生长,但这些统计方法在应用时常常需满足一定的统计假设前提,诸如数据独立、正态分布和等方差等。由于森林生长数据的连续观测和层次性,上述假设通常难以满足。近年来随着人工智能技术的发展,机器学习算法为森林生长收获预估提供了一种新的手段,它具有对输入数据的分布形式没有假设前提、能够揭示数据中的隐含结构、预测结果好等优点,但在森林生长收获预估中的应用仍十分有限。文章对分类和回归树、多元自适应样条、bagging回归、增强回归树、随机森林、人工神经网络、支持向量机、K最近邻等方法在森林生长收获预估中的应用、软件及调参等进行了综述,讨论了机器学习方法的优势和挑战,认为机器学习方法在森林生长收获预估方面有很大的潜力,必将得到广泛应用,并和传统统计模型相结合成为生长收获模型发展的一种趋势。      

桃果实单果重及可溶性固形物含量的全基因组选择分析

【背景】桃单果重和可溶性固形物含量（SSC）是育种家关注的两个重要的数量性状,受到多个微效基因的控制,难以通过单个标记进行早期筛选。全基因组选择作为一种新颖的数量性状早期预测工具,在果树上已经有了初步应用,但其在桃上的应用效果以及影响预测准确性的因素仍需要深入探讨。【目的】建立桃单果重和SSC的全基因组选择技术,为桃高效分子育种技术体系的建立奠定基础。【方法】以520株训练自然群体为试材,通过重测序筛选出的48 398个SNP进行分型,在11个全基因组预测模型中分别筛选出两个数量性状适宜的模型,进而在56株自然群体和1 145株杂交群体上进行应用。【结果】3类群体的平均测序数据量在1.95—3.52 Gb,测序深度为5.29—10.79×。训练自然群体经与参考基因组比对,共得到5 065 726个SNP,去除缺失率较高（>20%）、最小等位基因频率过低（<0.05）的位点后,随机挑选基因组上48 398个SNP用于训练群体的全基因组选择模型构建。单果重预测精度最高的模型是BayesA,SSC预测精度最高的模型为randomforest。分别利用两个数量性状最适的模型进行预测...     

Ensemble learning prediction of soybean yields in China based on meteorological data

The accurate prediction of soybean yield is of great significance for agricultural production, monitoring and early warning. Although previous studies have used machine learning algorithms to predict soybean yield based on meteorological data, it is not clear how different models can be used to effectively separate soybean meteorological yield from soybean yield in various regions. In addition, comprehensively integrating the advantages of various machine learning algorithms to improve the prediction accuracy through ensemble learning algorithms has not been studied in depth. This study used and analyzed various daily meteorological data and soybean yield data from 173 county-level administrative regions and meteorological stations in two principal soybean planting areas in China (Northeast China and the Huang–Huai region), covering 34 years. Three effective machine learning algorithms (K-nearest neighbor, random forest, and support vector regression) were adopted as the base-models to establish a high-precision and highly-reliable soybean meteorological yield prediction model based on the stacking ensemble learning framework. The model’s generalizability was further improved through 5-fold cross-validation, and the model was optimized by principal component analysis and hyperparametric optimization. The accuracy of the model was evaluated by using the five-year sliding prediction and four regression indicators of the 173 counties, which showed that the stacking model has higher accuracy and stronger robustness. The 5-year sliding estimations of soybean yield based on the stacking model in 173 counties showed that the prediction effect can reflect the spatiotemporal distribution of soybean yield in detail, and the mean absolute percentage error (MAPE) was less than 5%. The stacking prediction model of soybean meteorological yield provides a new approach for accurately predicting soybean yield.     

基于BP神经网络和支持向量机的杉木人工林收获模型研究

以闽西北杉木人工林为研究对象,选取涵盖中龄林、近熟林、成熟林3个龄组的700个小班作为样地进行调查,以林龄、地位指数、林分密度、平均胸径作为输入变量,单位蓄积量为输出变量,运用BP神经网络和支持向量机2种机器学习方法建立林分收获模型,并采用遗传算法对模型参数进行优化。随机将样本数据分成350个训练样本和350个验证样本,对不同模型的拟合精度、预测精度进行对比分析,其中参数优化后的BP神经网络和支持向量机模型训练样本精度分别达到0.935 37和0.936 33,预测结果精度分别为0.921 30和0.926 97,训练样本和验证样本的总体拟合平均相对误差值均低于7%。分析结果表明,2种模型拟合精度高、预测性能好,为杉木人工林林分收获模拟和预测奠定了基础。为比较2种方法预测结果的差异性,将350个验证样本样地平均分为7组,分别用优化后的2种模型计算各组的预测精度,对预测精度与训练精度的差值进行t检验,结果表明,2种建模方法的预测结果不存在显著性差异,但模型精度的提高对森林资源的精确监测和森林生长动态预测具有重要的理论价值。同时,研究发现支持向量机模型的拟合精度和泛化能力均优于BP神经网络,该方法为收获模型研究提供了新思路。      

基于迁移学习的芒果成熟度分类算法研究

成熟度判别是芒果采收及储藏的重要依据.为了适应移动设备硬件算力的限制，对比了传统机器学习方法和迁移学习方法在芒果成熟度鉴别方面的表现，优选最佳模型并开发了芒果成熟度分类软件.试验采集了不同成熟度的小台农图像100张，进行数据扩充后按照8:2划分为训练集和测试集，以准确率、F1值和预测时间作为模型评价指标，分别采用k近邻(K-NearestNeighbor, KNN)、支持向量机(Support vector machine, SVM)、朴素贝叶斯(Naive bayes, NB)、决策树(Decision tree, DT)机器学习算法模型和AlexNet、ResNet18、VGG16、GoogleNet和SqueezeNet迁移学习算法模型进行训练和测试，并对比分析各模型的表现.结果表明：机器学习虽然运算速度快，但分类的准确率明显低于迁移学习，迁移学习的分类准确率均在90%以上.但综合考虑模型的分类准确率和计算能力认为Resnet18表现最佳，它在迭代20次后准确率达到98.75%,而测试时间仅为74.66 ms,优于其它深度学习模型.     

南江黄羊产肉量的相关与回归分析

本文研究了40头南江黄羊(2—2.5岁)的产肉量(胴体重和净肉重)活体性状,胴体各部位重,各内脏器官重等性状的相关关系,用通径分析和多元回归分析法配置了估测南江黄羊产肉量的最优回归方程; 胴体重=0.3195体重+0.0495胸围+0.6983管围-9.6486 (1) 净肉重=0.0985体重+0.2804胴体重+0.7778腰腿重-0.8910 (2) 用一个易测性状预测产肉量的“最优”回归方程:胴体重=0.4659体重-0.8694(Se=0.6339 R~2=0.9734 (3) 净肉重=0.3488体重-0.8566(Se=0.7076 R~2=0.9509) (4) 净肉重=0.7364胴体重-0.0909(Se=0.6317 R~2=0.9610) (5) 实验证明,上述方程具有准确(R~2值均大于0.95),可靠(P<0.001)),简便适用的特点。