基于组合色彩特征的苹果树叶片各生长期氮含量预测

为精准预测开花期、幼果期和果实膨大期苹果树叶片的氮含量,提出一种基于组合色彩特征的苹果树叶片氮含量预测模型。首先,获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征,通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子,消除原始变量之间的相关性,降低模型输入向量维度;其次,对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比,得到不同时期最佳的预测模型;最后,利用最佳预测模型对不同时期苹果树叶片氮含量进行预测,并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期,PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544g/kg,平均绝对百分误差分别为0.057、0.050、0.064g/kg,均方根误差分别为0.800、0.747、0.737g/kg,优于优化前预测模型。该模型具有良好的预测性能和泛化能力,可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。     

油菜氮素光谱定量分析中水分胁迫与光照影响及修

研究了油菜氮素和水分胁迫在光谱检测中的相互作用,以及光照的变化对作物光谱检测的影响.为了克服光照因素对光谱检测的影响,针对氮素和水分的特征波长分别建立了基于光谱反射率变化率的光照修正模型;为了实现对氮素和水分相互作用的解耦,针对不同含水率水平的植株分别建立了全氮含量光谱特征的主成分回归模型.利用氮素光谱组合分析模型对植株全氮含量进行预测,结果表明,实测值与预测值的相关系数R为0.92,均方根误差(RMSE)为0.53,优于前期采用6特征波长变量和主成分回归法所建立的预测模型.     

冬小麦冠层光谱与土壤供氮状况相关性研究

通过设置2个冬小麦品种不同氮素水平的完全随机区组试验,获取冬小麦关键生育期(返青期、拔节期、孕穗期、灌浆期)的土壤氮素、植株氮素和冠层光谱数据,通过分析土壤氮素与植株氮素间的相关关系,间接构建土壤氮素状况的光谱诊断模型。结果表明,不同施氮水平冬小麦各生育期冠层光谱与麦田土壤氮素含量差异显著,土壤硝态氮、碱解氮含量与冬小麦植株氮素含量的相关系数达到0.72以上,相关系数分别在0.72~0.84和0.75~0.82之间,均达极显著水平,而土壤全氮含量与冬小麦植株含氮量的相关性相对较差;研究证实土壤调节植被指数SAVI(1040,680)和比值植被指数RVI(1040,680)分别与土壤硝态氮、碱解氮含量具有重要的关系。另外,基于光谱参数SAVI(1040,680)的土壤硝态氮估算模型(R~2≥0.739 6)和基于RVI(1040,680)所构建的碱解氮含量估算模型(R~2≥0.810 0)具有较好的估测能力,可以实现利用冠层光谱对土壤氮素状况的实时、快速估测。     

基于多参数融合的土壤硝态氮检测方法

针对土壤悬液组分复杂以及单输入变量时电极预测精准度有限的问题,以提高离子选择电极预测土壤硝态氮含量精准度为目标,建立基于多参数融合的支持向量机(SVM)土壤硝态氮预测模型。采用灰色关联分析法对影响电极法测定土壤硝态氮的主要干扰因素进行排序,建立以主干扰因素及硝酸根电极检测电势的多参数融合SVM预测模型,并与传统Nernst模型和干扰因素全输入下的SVM模型作对比验证算法可行性。实验结果表明,土壤电导率、温度与Cl -电极检测电势为影响电极预测硝态氮精准度的主要干扰因素;输入参数为硝态氮电极检测电势、土壤电导率、温度与Cl -电极检测电势时,SVM土壤硝态氮预测模型效果最优,与光学法测定结果回归方程的调整决定系数为0.98,平均绝对偏差为3.38 mg/L,均方根误差为4.51 mg/L,基于多参数融合的SVM预测模型可显著提高电极法硝态氮检测精准度。     

尿素对土壤水分传感器测量精度的影响

土壤水分的精准测量对节水灌溉、墒情监测、水肥一体化等领域具有重要意义，土壤氮含量会影响水分传感器的测量。为了消除这种影响，设计了不同尿素质量对不同水分含量土壤样本的监测实验，采用高灵敏度水分传感器并对尿素干扰下的输出电压进行监测，通过称重法监测土壤样本的含水率，使用LCR电桥测试仪监测土壤样本的电容和电阻。为了研究氮含量影响水分测量的机理，根据实验数据建立了三元三次多项式、BP神经网络、深度学习3种预测模型，并对预测结果进行误差分析。结果表明，相同土壤含水率条件下，尿素质量与土壤水分传感器输出值呈周期性的振荡关系。3种预测模型的平均绝对误差分别为0.77%、0.64%、0.75%，BP神经网络模型有98%误差集中在0~2%区间，误差峰值仅为2.07%，确立BP神经网络模型为最佳抗尿素干扰水分预测模型。     

便携式土壤全氮测定仪性能研究

为研究土壤全氮含量,自主开发了基于近红外光谱技术的便携式土壤全氮测定仪.以中国农业大学上庄实验站采集的60个土壤样本作为实验材料,分别对土壤全氮测定仪的稳定性、准确性和预测模型精度进行了测试.使用模型的测定系数(RC)、验证系数(RV)、校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标.实验结果显示,本测定仪在波长940、1 050、1 100、1 200、1 300、1 450和1 550 nm处的吸光度重复性误差分别为1.57％、1.80％、1.59％、0.94％、0.61％、0.64％和3.13％,平均误差1.80％;测定仪吸光度和傅里叶光谱分析仪吸光度相关系数分别达到0.971、0.948、0.928、0.873、0.920、0.901和0.913,平均值为0.922;使用测定仪平均吸光度数据,通过BP神经网络建立的土壤全氮预测模型Rc、RV、RMSEC、RMSEP和RPD分别达到0.81、0.80、0.029、0.019和3.44.使用该预测模型建立的土壤全氮分布图和实际土壤全氮分布图具有高度的一致性.实验结果表明,便携式土壤全氮测定仪工作稳定,使用平均吸光度数据建立的土壤全氮预测模型具有较好的预测能力和较强的鲁棒性,可以在土壤全氮含量实时检测中应用.     

基于PCA-PSO-GRNN模型的冻融期土壤蒸发预报

季节性冻融作用加剧了土壤蒸发的复杂性,准确预测冻融期大田土壤蒸发量对干旱半干旱地区水资源高效利用具有重要意义.基于2017-2018年冻融期大田土壤蒸发实测数据和影响土壤蒸发的气象资料,利用主成分分析法对气象数据进行降维,选取7个主要气象因子作为模型输入变量,采用粒子群算法选取最优光滑因子建立PCA-PSO-GRNN土壤蒸发预报模型.结果表明:PCA-PSO-GRNN模型的预测值和实际值拟合效果较好,均方根误差为0.0114 mm/d,决定系数为0.9921,均方相对误差为0.0029,平均绝对误差为0.007 mm/d,模型预测精度和泛化性能显著优于BP模型和标准GRNN模型,可用于冻融期大田土壤的蒸发预报.     

水氮数据联合驱动的冬小麦数据同化研究

水氮状态的准确估计对于作物生长模拟和产量估计十分重要.数据同化可以集成观测和模型,从而实现更加准确的模拟.然而,传统的数据同化系统大多关注叶面积指数(LAI)、土壤含水量(SM),对于氮素状态估计的研究相对较少,缺乏水氮数据联合驱动的数据同化研究.采用集合卡尔曼滤波(EnKF)方法对SWAP-WOFOST模型构建冬小麦生长的数据同化系统,通过引入叶片氮累积量(LNA)的观测,同时更新SM、LAI、LNA和作物产量等关键状态变量后进行作物生长模拟.结果表明,只加入LAI和SM可以很好更新模型的土壤水分剖面和LAI,但是对于LNA和产量的模拟效果不佳;加入LNA观测后,有效提高了作物LAI、LNA和产量的模拟精度.同时更新模型状态和参数(SSPE)比只更新状态(USO)的模拟效果更好,尤其是在土壤含水量的估计中.无论是水分还是氮素状态模拟出现偏差的情况,都很难准确估计最终的作物产量,而水氮数据联合驱动的结果最优.此外,研究中的数据同化系统在不同观测误差和观测频率下都具有良好的稳健性.该研究有助于深入理解冬小麦生长与水氮状态的关系,对实际应用中的作物生长模拟和产量估计具有一定指导意义.     

基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型

为解决水质预测传统方法精度低、鲁棒性差等问题,提出了基于主成分分析(PCA)、改进文化鱼群算法(MCAFA)和最小二乘支持向量机(PCA-MCAFA-LSSVM)的养殖水质pH值预测模型。该模型通过主成分分析提取养殖生态环境指标的主成分,降低模型输入向量维数,利用改进文化鱼群算法对最小二乘支持向量机超参数进行组合优化,以自动获取最优超参数建立非线性养殖水质pH值预测模型。应用该模型对宜兴市河蟹养殖某池塘2011年9月1日~9月4日在线监测的水质数据进行了预测分析,试验结果表明:该模型取得较好的预测效果,与分别用蚁群算法或遗传算法优化LSSVM的方法相比,PCA-MCAFA-LSSVM模型有93.05%的测试样本绝对误差小于8%,最大绝对误差仅为11.61%,均方根误差、平均相对误差绝对值和运行时间分别为0.047 4、0.004 1和4.367s,且均优于其他预测方法。PCA-MCAFA-LSSVM算法不仅计算速度快、预测精度高,还能够为河蟹养殖水质调控管理提供决策依据。     

基于茎干含水率的紫薇病虫害等级早期诊断方法

为了对植物病虫害进行早期预警,提出一种基于茎干含水率的植物病虫害等级早期诊断方法。以紫薇为研究对象,监测复苏萌芽期内不同健康等级紫薇的茎干含水率;然后,分别通过关键参数和主成分分析对茎干含水率进行特征提取;最后,结合有监督和无监督学习模型实现对紫薇病虫害等级的早期诊断。基于方差分析,紫薇健康等级对日最小含水率、日最大含水率、日平均含水率、日极差含水率4个关键参数的影响均为极显著。基于主成分分析,茎干含水率时间序列前4个主成分的累计贡献率达到99.7%。在有监督模型中,以主成分特征为输入的BP模型的性能最优,平均识别率达到98%;在无监督模型中,以主成分特征为输入的K均值模型最优,平均识别率达到92%。因此,茎干含水率可以作为诊断植物病虫害等级的早期指标,主成分特征优于关键参数特征,有监督模型优于无监督模型。     

玉米冠层叶片氮素营养估测研究——基于近地多光谱图像

运用图像处理技术对不同氮营养成分下玉米冠层叶片的近地CCD多光谱图像进行分析,建立玉米叶片氮素营养含量的快速、非破坏性估测模型。实验基于红通道和近红外通道的CCD图像,通过图像切割提取两个通道的主叶片区域的平均灰度值和叶片周围的土壤平均灰度值,根据土壤平均灰度值比值来调整叶片的近红外平均灰度值,计算玉米叶片的基于灰度的植被指数,建立了氮素营养含量和两个通道的图像灰度以及灰度植被指数间的经验线性模型。经过多元线性回归分析后,两者间的相关系数R可以达到0.704。由此实现了对玉米冠层氮营养含量的快速估测。     

基于K-medoids和LSTM的冷链运输环境预测方法

针对目前冷链储运环境状态仅通过当前环境监测数据进行判断,未能对环境变化趋势做出预判,无法很好地满足冷链储运环境性能评估的需求,提出了一种基于K中心点算法(K-medoids)和长短时记忆网络(LSTM)相结合的冷藏车厢温湿度多步预测方法。将冷藏车厢内历史温湿度数据、采集节点分布特征按照时间序列作为输入,采用K-medoids对其进行数据融合,然后将融合后的数据按照时间序列输入LSTM网络进行温湿度预测。将该预测方法应用于舟山兴业集团的冷藏车内进行温湿度预测验证。试验结果表明：该预测方法对于冷藏车厢内温度预测的均方根误差、平均绝对误差、平均绝对百分比误差分别为0.343 8℃、0.273 0℃、1.51%;对于冷藏车厢内相对湿度均方根误差、平均绝对误差、平均绝对百分比误差分别为2.561 9%、1.995 6%、3.53%,相比于BP神经网络等其他浅层模型,该模型具有较好的预测精度和泛化能力,能够满足冷链储运环境预测的实际需求,可为冷链运输环境精细化管理和调控提供策略支持。     

鲜枣品种和可溶性固形物含量近红外光谱检

采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%.     

不同粒径处理的土壤全氮含量高光谱特征拟合模型

采集新疆北疆棉田385个自然土壤样本,将筛选出的土壤样品分别过2、1、0. 5、0. 15 mm筛并测定其原始光谱反射率,利用支持向量机(Support vector machine,SVM)、偏最小二乘回归(Partial least squares regression,PLSR)和多元逐步线性回归(Stepwise multiple linear regression,SMLR)方法对土壤原始光谱及其12种光谱变换数据分别构建土壤全氮含量的估测模型,并对模型精度进行检验。结果表明,土壤原始光谱特征在各个波段与全氮含量相关性都较差,不同形式的数据变换均能够提高光谱反射率与全氮含量的相关性,同一种数据变换形式在不同粒径处理中最大相关系数所对应的波段位置差异不大。从不同粒径处理的拟合精度来看,过筛粒径越小对全氮含量的估测精度越高,3种方法的最优拟合模型都是过0. 15 mm筛的处理,其中SVM方法采用(lgR)'变换后,构建模型R2c为0. 898 7,RMSEc为0. 018 1,RPD为2. 704 9,PLSR和SMLR方法均采用R'变换,构建模型的R2c分别为0. 852 0和0. 819 6,RMSEc分别为0. 041 3和0. 043 6,RPD分别为2. 554 9和2. 437 4,3种方法在该过筛处理下均能够很好地估测土壤全氮含量。用未参与建模的样本对3种最优模型进行验证,SVM、PLSR和SMLR模型的检验R2分别为0. 822 9、0. 771 5和0. 705 4,SVM方法优于PLSR和SMLR,模型具有较好的精度和稳定性,从模型的预测误差来看,土壤全氮含量越低其预测误差也越大,在氮素含量较低的情况下无法直接通过光谱反射特征准确反演。     

基于PCA_SVR的油菜氮素光谱特征定量分析模型

研究了采用光谱分析技术对油菜植株全氮进行定量分析的方法.采用逐步回归法对氮素的光谱特征波长进行选择,为克服光谱变量间多重共线性的影响,对变量进行了主成分分析(PCA),为提高模型的拟合优度,应用支持向量机回归(SVR)建立油菜氮素的定量分析模型.对不同氮素水平的油菜冠层光谱数据进行分析,结果表明,406、460、556、634、662、675nm的光谱反射率与油菜含氮量呈极显著相关.植株全氮SVR模型预测值与实测值的相关系数为0.89,模型的检验误差(RMSE)为2.51.     

基于主成分回归的茎直径动态变化预测方法

影响植物茎直径变化的因素有很多,除了植物的自然生长外,气象因子和土壤含水率也是十分重要的因素。以空气温度、相对湿度、气压和光合有效辐射4个温室内的主要气象因子和土壤含水率为观测对象,对处于生长末期的4株温室向日葵样本和2株西红柿样本进行监测试验。以其中一株向日葵样本为对象,对其茎直径变化的影响因素作主成分分析并建立回归模型。将试验样本上的监测数据输入模型,对向日葵样本和西红柿样本的茎直径变化量进行预测,并分别与其各自实测值比较。结果显示,该回归模型对处于生长末期的温室向日葵和西红柿茎直径动态变化有较好的预测,预测值与实测值相关分析的决定系数为0.649~0.782,均方根误差为0.029~0.143。     

基于EFAST的CERES-Wheat模型土壤参数敏感性分析

为了定量讨论DSSAT-CERES-Wheat模型中土壤参数对模拟结果的影响，运用扩展傅里叶幅度检验（EFAST）法，对影响冬小麦生产及生态系统中氮素分布的2类模型参数进行了敏感性研究，重点探讨了模型中土壤参数变化对模型模拟的冬小麦产量、冬小麦氮素分布、土壤氮素分布及土壤氮素转化的影响。结果表明：对冬小麦产量、地上生物量及收获指数影响最敏感的土壤参数为田间持水率，其次是土壤酸碱度；对冬小麦地上生物量中氮素含量影响最敏感的土壤参数为土壤酸碱度，对冬小麦籽粒中氮素含量影响最敏感的参数为田间持水率，对冬小麦根和叶中氮素含量影响最敏感的土壤参数则为土壤总氮含量；对作物吸收土壤中氮素影响最敏感的参数是径流曲线数，对土壤氮淋失量影响最敏感的参数为排水比率，对土壤中硝态氮、铵态氮含量影响最敏感的参数为土壤总氮含量；对土壤中氮素矿化和硝化影响最敏感的土壤参数为土壤总氮含量，对土壤氮素反硝化影响最敏感的参数为排水比率，对氨挥发量影响最敏感的参数为土壤总氮含量，氨挥发量对排水比率和土壤酸碱度的变化也较敏感。当侧重于模拟冬小麦产量及作物氮素研究时，原需测量的15个土壤参数可简化为4个，而当侧重于土壤氮素转化及分布研究时，可简化为重点测量的9个参数。本研究可降低CERES-Wheat模型土壤参数获取难度，方便模型本地化、区域化应用。     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。