基于WTD-LSTM的对虾养殖水温组合预测模型

【目的】提高对虾养殖水温预测精度,及时掌握水产养殖水温变化规律。【方法】提出基于小波阈值降噪(Wavelet threshold denoising,WTD)和长短时记忆神经网络(Long short-term memory,LSTM)的水产养殖水温预测模型,利用WTD方法消除原变量间的相关性,减少数据噪声干扰并增强信号数据平滑性,进一步利用预测能力极强的LSTM进行预测。【结果】WTD-LSTM模型评价指标平均绝对误差(M_(APE))、均方根误差(R_(MSE))及平均绝对误差(M_(AE))分别为0.0104、0.0382和0.0288,与标准BP神经网络、标准ELM、标准LSTM等3种模型进行对比,评价指标M_(APE)、R_(MSE)、M_(AE)分别降低了64.85%、59.62%、64.62%,63.64%、61.18%、60.12%,47.48%、37.07%、46.27%;从可视化分析来看,WTD-LSTM预测模型预测结果贴近真实值曲线,相比其他3种模型,能很好地拟合养殖水温非线性时间序列变化趋势。【结论】WTD-LSTM模型具有良好的预测性能和泛化能力,可以满足对虾养殖水温精确预测的实际需求,能为对虾养殖水质预测预警提供决策。     

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例，以哨兵2号全年可用卫星影像为数据源，构建年时间序列NDVI数据集;采用循环神经网络构架，搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory，Bi-LSTM），开展遥感作物分类，并评估模型的泛化能力;通过输入不同长度时间序列遥感数据，探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力，基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%，Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现，对大多数作物来说，其分类精度随着数据时间序列长度增加而不断提高，冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征，因而利用生长季早期的时间序列影像即可获得较高的制图精度，而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息，可以学习作物不同阶段的光谱变化特征，在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势，在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列，为及时、快速的区域作物高精度制图提供了可行的思路。     

基于贝叶斯与元学习的氨氮浓度预测模型优化

针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题，采用长短期记忆网络（long short-term memory，LSTM）建立氨氮浓度预测模型，并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数，同时给出模型参数的初始值，再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新，最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验，结果显示，研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.027 6、0.023 9和0.000 76，均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效，可以实现网络快速收敛，精度满足水产养殖中氨氮浓度预测需求。     

基于LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象，利用传感器采集空气相对湿度和温度，以基质相对湿度、温度和EC值作为环境因子，采用称重法实时采集作物的质量变化量作为作物的蒸发量；以环境因子为模型输入，作物蒸发量为模型输出，构建长短期记忆神经网络(LSTM)预测模型，优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层，隐藏层节点数为120，迭代样本数为128，训练迭代次数为175，网络的激活函数选择tanh函数，学习率为0.001，时间步长为72。LSTM预测模型的决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g；与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比，LSTM预测模型的预测蒸发值更接近真实蒸发值，预测结果相对误差范围波动最小，RMSE、MAE最小，R2最大，说明这3种模型中LSTM预测模型的预测效果最佳。     

基于物联网和LSTM的柑橘园土壤含水量和电导率预测模型

目的 构建柑橘果园环境信息物联网实时采集系统，建立基于物联网和长短期记忆(LSTM)的柑橘园土壤含量和电导率预测模型，为果园灌溉施肥管理、效果预测评估提供参考依据。方法 利用土壤温度、含水量、电导率三合一传感器，在柑橘果园中设置5个节点和1个气象站，通过ZigBee短距离无线通信和GPRS远距离无线传输，将果园气象数据和土壤墒情数据传输至远程服务器。利用LSTM模型建立气象数据与土壤含水量和电导率的预测模型，计算均方根误差(RMSE)和决定系数(R²)以进行性能评估。结果 物联网系统能够实现远程传输柑橘果园环境数据，建立了基于LSTM和广义回归神经网络(GRNN)的土壤含水量和电导率预测模型，模型在5个节点的数据集的训练结果分别为：LSTM模型训练的土壤含水量和电导率的RMSE范围分别为6.74~8.65和6.68~8.50，GRNN模型训练的土壤含水量和电导率的RMSE范围分别为7.01~14.70和7.60~13.70。利用生成的LSTM模型和气象数据进行拟合，将土壤含水量和电导率的预测值与实测值进行回归分析，LSTM模型拟合的土壤含水量和电导率的R²范围分别为0.760~0.906和0.648~0.850，GRNN模型拟合的土壤含水量和电导率的R²范围分别为0.126~0.369和0.132~0.268，说明LSTM模型的性能表现较好。结论 建立了柑橘果园环境的物联网信息传输系统，构建的基于LSTM的果园土壤含水量和电导率预测模型具有较高的精度，可用于指导柑橘果园的灌溉施肥管理。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

我国中药材价格指数预测研究

以中药材天地网30种中药材价格指数为研究对象,使用HP-LSTM-MLP混合预测模型对中药材单品种价格指数和综合价格指数进行预测,并与LSTM(long short term memory networks,长短期记忆网络)、RNN(recurrent neural network,循环神经网络)、GRU(gated recurrent unit,门控循环单元)等预测模型进行比较分析。研究结果表明,在RMSE和R_(score)~2两个预测效果衡量指标中,HP-LSTM-MLP混合预测模型的RMSE为65.33,R_(score)~2为0.99,皆优于其他3种模型。采用HP-LSTM-MLP模型分别预测我国30种主要中药材综合价格指数以及单品种价格指数,结果显示,对中药材综合价格指数的预测结果平均相对误差为1.89%;对黄连、连翘和麦冬等单品种价格指数的预测结果的平均相对误差分别为3.36%、5.66%和3.22%,说明HP-LSTM-MLP模型泛化能力较好,对我国中药材价格指数预测具有一定的应用价值。     

监测采样间隔对土壤墒情预测模型性能的影响

【目的】为了实现准确的农田土壤墒情预测,以茶园不同深度的土壤墒情为对象,对不同的监测采样间隔下的多种茶园土壤墒情预测模型进行了对比研究.【方法】经相关性分析,确定了时段初始湿度、光照、空气温度、空气湿度、土壤温度、土壤电导率和降雨量7种影响因子,对土壤墒情分别建立了多元二次回归、BP神经网络和LSTM深度学习模型.研究了10、30、60、90、120 min等不同监测采样间隔下土壤墒情的预测精度,同时对3种模型的预测结果进行了对比分析.【结果】LSTM深度学习模型的平均相对误差为0.399%,在3种模型中最小.多元二次回归模型的预测误差随着采样间隔的增大而增大,BP神经网络与LSTM深度学习模型在采样间隔为30 min时预测误差最小,平均相对误差<0.5%.研究认为,最合适的监测采样间隔为30 min,且LSTM深度学习模型具有稳定性好、精度高的特点,适用于土壤墒情预测.【结论】本研究结果为土壤墒情监测采样间隔的设定和建模方法的运用提供依据,对土壤墒情预测模型的研究和应用具有重要意义.     

基于PCA-LSTM神经网络的凡纳滨对虾养殖水质预测

基于上海奉贤区2个水产养殖合作社2014—2018年和2021年的检测数据,选取水温(T)、溶解氧(DO)、高锰酸盐指数(I_Mn)、总磷(TP)、总氮(TN)、氨氮(TAN)、亚硝酸盐氮(NO₂^--N)、硝酸盐氮(NO₃^--N)共8个水质指标进行研究,提出了基于主成分分析(Principal component analysis, PCA)和长短时记忆神经网络(Long short-term memory neural network,LSTM)的预测模型。首先采用主成分分析法对数据进行特征提取和降维,选取高锰酸盐指数(I_Mn)和氨氮(TAN)作为水质预测指标,建立基于PCA法的LSTM模型;接着采用PCA-LSTM模型对不同养殖塘的水质进行预测;最后,将其与单一LSTM模型进行对比以验证模型的优劣。结果表明:PCA-LSTM模型可用于凡纳滨对虾养殖池塘水中I_Mn和TAN的预测, 预测结果优于单一LSTM模型。     

基于优化的长短时记忆神经网络牧群采食量估测模型

为了能够较为精准的估测牧群的采食量信息，提出一种基于遗传算法(genetic algorithm, GA)和长短时记忆神经网络（long short-term memory，LSTM）的牧群采食量估测模型。首先通过皮尔森系数法分析得出影响牧群的采食量的主要影响因子，以减少输入维度并解决信息冗余问题。在此基础上，构建基于 LSTM 神经网络算法的牧群采食量估测模型，并引入遗传算法来优化LSTM 神经网络模型参数来增加模型的可靠性。最后，利用该模型对牧群采食量进行估测。试验结果表明：该采食量估测模型各评价指标平均绝对误差(mean absolute error，MAE)、平均绝对百分比误差(mean absolute percentage error，MAPE)、以及均方根误差（root mean square error，RMSE）分别为2.982、9.85%和6.108。与单一的LSTM神经网络以及GRU神经网络模型相比，均优于其他模型；且该模型具有较好的估测性能和较强的泛化能力，能够为合理轮牧提供科学指导，对草地保护有一定的应用价值。     

干旱地区农田浅耕对杂草控制及土壤水分、养分的影响

【目的】在干旱农业区有效控制农田杂草，减少对土壤水分、养分的消耗，有效利用自然降水，为发展旱作农业，提高产量提供依据。【方法】连续3年浅耕、深耕配施除草剂，采样调查耕层杂草种子的消长及土壤水分、养分的变化。【结果】秋收后2 d浅耕，将落入地表85%～90%的杂草种子全部耙入0～10 cm耕层内，便于防除。5、10 d浅耕，随土壤裂缝进入10 cm以下种子依次占1.8%、4.1%；深耕，0～10 cm耕层杂草种子占19.8%,10～30 cm耕层种子占80.2%，10 cm以下土层种子很少萌发出苗,难以根除；浅耕配施除草剂，耕层杂草种子平均每年以75.4%的速度下降，深耕以27.3%速度下降；浅耕可节约50%机耕费，在蓄水灌溉地区可节约50%灌水量；浅耕耙松表土，防止土壤水分散失，对不同耕作层的水分、养分含量影响不大；浅耕耕种2～3年应深翻耕种或休闲一年。【结论】在干旱地区秋收深耕，对翻入土壤10 cm以下的杂草种子难以根除，且造成土壤风蚀严重，水分严重不足，影响播种或出苗，也是形成春旱的主要原因。而浅耕则有助于旱作农业的持续、稳定发展。     

春季深松对内蒙古西部农田土壤结构及玉米产量的影响

试验在春季条带深旋耕30cm、春季深松30cm和常规表层旋耕15cm等不同深松方式下,测定土壤容重、田间持水量、土壤含水量以及玉米农艺性状和产量等各指标,通过分析阐明春季深松对农田土壤结构的影响。试验结果表明:30cm春季条带深旋耕和30cm春季深松能有效的打破犁底层,扩大耕层深度,显著降低了土壤紧实度和15~35cm土层土壤容重;增加了土壤田间持水量及土壤含水量;深松能提高玉米株高、单株根干重、单株地上干物质重和叶面积指数,加快生育进程;在收获时,30cm条带深旋耕、30cm春季深松的倒折率(0和1.2%)均低于常规旋耕处理(3.3%);深松有效增加玉米单产,30cm春季条带深旋耕和30cm春季深松处理较常规旋耕分别增产22.10%和25.93%。     

耕作方式对旱作农田土壤水热特性及夏玉米产量的影响

设置田间定位试验,研究免耕(NT)、深松耕(DT)和旋耕(RT)对旱作玉米田土壤体积质量、土壤水分、土壤温度及夏玉米产量等的影响。2a研究结果表明,采取耕作措施后,各处理土壤体积质量差异主要集中在0~40cm(P0.05),耕作前后40~60cm土壤体积质量差异不显著(P0.05)。耕作方式对土壤储水量有明显影响,其中,播种后0~50d,深松耕和免耕处理0~100cm土壤储水量均高于旋耕;播种后70~120d,3种耕作方式下土壤储水量差异不显著(P0.05)。各耕作措施对土壤温度的影响在作物生育前期(播种后0~30d)表现明显(P0.05),表现为旋耕玉米田土壤温度高于免耕和深松耕,播种后50~120d各处理间无显著差异(P0.05)。深松耕和旋耕处理玉米籽粒产量较免耕分别高3.35%和1.91%。结合经济效益分析,免耕和深松耕净收入较旋耕分别高138.48元/hm~2和259.38元/hm~2。因此,深松耕为旱作夏玉米田较适宜的耕作方式。     

寒地玉米不同耕作方式下土壤水热动态

为解决东北春玉米春季低温干旱和耕层蓄水能力差的问题,设置3种耕作处理,即平作平管、平作垄管和垄作垄管,研究耕作方式对土壤水分、温度和玉米产量的影响。结果表明:3种耕作方式下土壤平均温度垄作垄管与平作垄管差异不大,高于平作平管1.26℃。平作可减少表层土壤水分的损失,垄作管理方式则可有效增加深层土壤含水量。不同耕作方式下,垄作垄管的产量比平作垄管和平作平管处理分别高3.8%和5.2%。     

不同耕翻方式对盐碱地玉米生长及产量的影响

为了探索适宜盐碱地区玉米生产的耕翻方式,以郑单958为试材,采取免耕（CK）、深翻＋旋耕、深松＋旋耕、旋耕4种耕翻方式播种玉米,研究了不同耕翻方式对土壤含水量、土壤紧实度和玉米产量的影响。结果表明：深松＋旋耕方式的松土保墒和玉米增产效果最好,深翻＋旋耕效果次之。     

大垄深翻耕作对土壤水温条件的影响

[目的]为改进黑龙江省马铃薯的栽培模式提供理论依据。[方法]以马铃薯品种Russet Burbank为材料,设2种栽培模式:大垄栽培区(耕深35 cm)和小垄栽培区(耕深20 cm),研究不同栽培模式下土壤物理性状的差异。[结果]大垄栽培模式下20~30 cm耕层土壤含水量显著增加,而20和25 cm耕层的土壤温度显著降低,分别为18.24和17.70℃,与马铃薯最适生长温度(18℃)十分接近。大垄栽培模式下土壤含水量和土壤温度受环境影响小,6月30日以后,20 cm耕层土壤含水量和土壤温度比较稳定,一直处于低温高含水量的环境中,有利于马铃薯块茎膨大和成熟。[结论]采用大垄深翻耕作方法能有效改善土壤水温条件,提高马铃薯的产量和品质。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

基于最小限制水分范围评价不同耕作方式对土壤有机碳的影响

以2009年吉林省德惠市中层黑土上进行了8a的田间定位试验小区土壤为研究对象,对免耕和秋翻两种耕作方式及玉米-大豆轮作和玉米连作两种种植方式下耕层有机碳进行分析,分别采用加权平均和分层两种方法计算最小限制水分范围(LLWR),用其评价不同耕作方式对土壤有机碳的影响.结果表明,免耕在玉米-大豆轮作和玉米连作下0-5 cm土壤有机碳含量分别比秋翻增加了15.2％和11.5％ (P＜0.05).采用加权平均法计算的LLWR值为0.148-0.166 cm3/cm3,不同耕作方式下玉米-大豆轮作的LLWR高于玉米连作且在两种种植方式下均表现出免耕小于秋翻的特点;利用分层法计算得到的LLWR值介于0.130-0.173 cm3/cm3之间,玉米-大豆轮作和玉米连作下免耕0-5 cm LLWR均显著小于秋翻,而5-30 cm LLWR数值免耕大于秋翻(P＞0.05);玉米-大豆轮作下0-30 cm各层LLWR均高于玉米连作.由于LLWR可以评价不同耕作方式对土壤有机碳的影响,因此采用加权平均法计算的LLWR可以客观的反映不同耕作处理尤其是种植方式对土壤有机碳的影响;而采用分层法计算的LLWR则更清晰的刻画了土壤表层与亚表层固碳能力的差异.