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。     

基于长短时记忆网络（LSTM）的蟹塘溶解氧估算优化方法

水中溶解氧含量低会影响螃蟹的成活率,保证低溶解氧时刻溶解氧的预测精度非常重要。目前,溶解氧传感器价格昂贵且易遭受腐蚀,因此通过相关变量来间接估计溶解氧浓度有重要的意义。本研究在长短时记忆网络（LSTM）模型的基础上,优化LSTM反向传播时的损失函数,提出了提高低溶解氧含量估算精度的溶解氧预测模型（LDO-LSTM）。LDO-LSTM的损失函数是在平均绝对百分比误差（MAPE）基础上,根据溶解氧值的变化趋势和溶解氧浓度大小,分别赋予不同权值的权重函数,并通过均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估LDO-LSTM和LSTM在不同范围的溶解氧估算能力。对模型的测试试验结果表明：在溶解氧高于6mg/L时,LDO-LSTM和LSTM的RMSE、MAPE差值稳定在0.1左右;在溶解氧低于6mg/L时,LDO-LSTM的RMSE值和MAPE值分别比LSTM低0.25和0.139,说明了LDO-LSTM网络不但可以保证整体溶氧预测精度,而且能够提高较低溶解氧值的估算精度。本研究对于降低水产养殖成本、提高溶解氧估算精度有着重要的作用。     

基于SSA-LSTM的玉米土壤含氧量预测模型

土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。     

分类梯度提升算法(CatBoost)与蝙蝠算法(Bat)耦合建模预测中国西北部地区水面蒸发量

为预测干旱、半干旱地区的水面蒸发量,以实测水面蒸发量为基准,利用我国西北部地区的45个气象站实测逐日最低气温、最高气温、相对湿度、风速及太阳辐射,建立基于蝙蝠算法的分类梯度提升算法模型(Bat-CB)并与原分类梯度提升算法模型(CatBoost)及随机森林模型(RF)进行对比.结果表明Bat-CB模型的预测能力与稳定性(RMSE为0.859～2.227 mm/d;MAE为0.540～1.328 mm/d;NSE为0.625～0.894;MAPE为0.162～0.328)最优,而CatBoost模型(RMSE为0.897～2.754 mm/d;MAE为0.531～1.77 mm/d;NSE为0.147～0.869;MAPE为0.161～0.421)对水面蒸发的预测能力略优于随机森林模型(RMSE为1.005～3.604 mm/d;MAE为0.644～2.479 mm/d;NSE为-1.242～0.894;MAPE为0.176～0.686).此外,Bat-CB模型对于水面蒸发的季节及空间变异性具有较好的适应能力,而随机森林模型在夏季水面蒸发预测中表现最差.研究成果可用于干旱、半干旱地区水面蒸发量的预测.     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧（DO）浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM）的对虾养殖溶解氧浓度组合预测模型。首先采用经验模态分解（EMD）对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量（IMF）;然后分别采用长短时记忆神经网络（LSTM）和随机森林（RF）对高、低频不同尺度IMF进行建模;最后结合各分量预测结果构建叠加模型,实现对溶解氧浓度时序数据的综合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用,在基于真实数据集的性能测试中,经验模态分解后EMD-ELM模型与极限学习机（ELM）模型对比,平均绝对误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和,EMD-RF-LSTM模型预测的精度指标MAPE、RMSE和MAE分别为0.0129、0.1156和0.0844,其中关键指标MAPE较EMD-ELM、EMD-RF和EMD-LSTM分别降低了84.07%、57.57%和49.81%,预测精度显著提高。结果表明,本研究针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能,表明本研究模型具有较高的预测精度,能够较准确地实现对虾养殖水体中溶解氧浓度预测。     

基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解（CEEMDAN）对原始数据进行分解,再利用变分模态分解（VMD）对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法（SSA）对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差（RMSE）是0.105 3,平均绝对误差（MAE）是0.081 5,决定系数（R2）是0.947 1,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕...     

基于植物功能-结构模型的玉米-大豆条带间作光截获行间差异研究

间作种植形成了异质冠层空间结构,但因此导致的作物生长、表型和光截获的行间差异目前还少有定量化。为解析条带间作生产力的行间差异,本研究基于田间观测数据构建植物功能-结构模型（Functional-Structural Plant Model,FSPM）,量化间作系统中光截获的行间差异。于2017—2018年开展了玉米和大豆单作、2行玉米和2行大豆的2:2 MS间作以及3行玉米和6行大豆的3:6 MS间作田间试验。基于植物生长平台GroIMP开发了玉米-大豆间作的FSPM,模型较好地模拟了叶面积指数（Leaf Area Index,LAI）、株高和光截获系数动态三个指标,均方根误差（Root Mean Square Error,RMSE）分别为0.24～0.70 m²/m²、0.06～0.17 m和0.06～0.10。田间试验结果表明,间作种植显著增加了玉米节间直径。受玉米遮阴影响,大豆节间变长、变细,且随大豆条带变窄差异越明显。模型模拟的2:2 MS间作玉米光截获比单作玉米高35.6%,3:6 MS边行玉米和内行玉米的光截获分别比单作玉米高27.8%和20.3%。2:2 MS与3:6 MS边行大豆的光截获比单作大豆分别少36.0%和28.8%;3:6 MS大豆内I行和内II行比单作大豆的光截获分别少4.1%和1.8%。基于三维FSPM,未来可进行不同生长环境下间作种植模式等的布局优化,以达到最佳系统光截获优势。     

中贫营养湖泊叶绿素a预测模型探讨

在内陆水体水质遥感监测中,无论采用哪种方法,其模型都具有一定的局限性.不同营养状况的水域,水体光学特性的差异会引起模型适用性不同.目前,大多数学者研究范围主要集中在富营养状态水域,对于中/贫营养状态水域研究较少.为建立适合镜泊湖的叶绿素a水质监测遥感模型,结合2015年9月和2018年7月实测光谱数据,对镜泊湖不同叶绿素a浓度反演模型的精度进行了评价.结果显示,在所构建的8种模型中,三波段模型效果最佳,模型决定系数R2值为0.79,均方根误差RMSE(Root Mean Square Error)为0.34μg/L,平均相对误差MAPE(Mean Absolute Percentage Error)为20.6％.在此基础上,通过对比分析不同模型的适用性,得到如下结论:对于叶绿素a浓度跨度较小的镜泊湖水域,半经验半分析模型建模精度优于传统的经验模型;与三波段模型对比,在低叶绿素浓度及低浑浊水体中,增加近红外波段的四波段模型也可能带来一定的不确定性,从而降低反演精度.     

基于VMD-LSSVM的月径流预测方法研究

针对月径流序列包含多种复杂频率信息的特性,为提高预测精度,对上静游站、汾河水库站、寨上站和兰村站1958-2000年月径流序列资料进行分析并预测。提出变模态分解(Variational Mode Decomposition,VMD)和最小二乘支持向量机(Least-Square Support Vector Machines,LSSVM)(VMD-LSSVM)组合模型,并与单一LSSVM模型、基于经验模态分解(Empirical Mode Decomposition,EMD)的EMD-LSSVM组合模型和基于完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN)的CEEMDAN-LSSVM组合模型进行预测结果对比,采用纳什效率系数NS、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE 4个误差指标评定各模型的预测精度。结果表明:组合模型较单一模型预测效果好,其中以VMD-LSSVM模型精度最高,2个站点精度达到甲级,MAE、MAPE和RMSE比CEEMDAN-LSSVM分别减少了50%～75%、40%～70%、40%～70%,比EMD-LSSVM分别减少了70%～80%、60%～85%、50%～80%,比LSSVM分别减少了80%～90%、75%～90%、50%～90%。因此VMD-LSSVM模型能适用于复杂的多频月径流预测,并能达到较高精度。     

基于长短期记忆的柑橘园蒸散量预测模型

传统的柑橘灌溉方式主要依赖人工经验，一方面有可能导致灌溉时机不准确，另一方面有可能造成灌溉量过高或者过低，对果实的生长都会产生负面影响。柑橘果园水分蒸散量是表征耗水量的重要指标。为了实现对大面积柑橘果园蒸散量(Evapotranspiration, ET)的准确估算，制定更加科学精细化的灌溉策略，基于气象数据集，应用长短期记忆（Long short term memory, LSTM）、极限学习机（Extreme learning machine, ELM）和广义回归神经网络(General regression neural network, GRNN)方法对蒸散量建立预测模型并验证其准确性。结果表明，LSTM模型的平均绝对误差(Mean absolute error, MAE)和均方根误差(Root mean square error, RMSE)是3种模型中最优的，ELM和GRNN模型的性能接近。为了估算3种模型结果的可信度，在训练时加入了蒙特卡洛不确定性分析方法。结果表明，LSTM模型在不同输入特征数量下具有较高的精度，而ELM模型存在预测值偏高的现象，GRNN模型则偏低。     

基于深度学习的多种农产品供需预测模型

为进一步提高农产品供需过程模拟与估算精度,本研究以自1980年以来国家级和省级的大量农业数据作为样本,充分考虑农产品品种、时间、收入、经济发展等因素影响,构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network,LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下,利用深度学习算法在非线性模型分析预测中的优势,对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证,三年平均预测准确率96.98%,表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据,为多区域、跨期的农业展望工作提供智能化技术支持。     

基于BILSTM的棉花价格预测建模与分析

棉花市场价格指数波动是一个非常复杂的非线性系统,具有随机波动特性,容易受到气象、金融、政策和国际环境影响。在现有研究棉花价格的数据集特征的基础上如政策、国际环境、进出口、产量等,增加气候因素对棉花价格影响的数据特征如降水、日照、湿度等,并对数据进行收集、整理及预处理。基于棉花价格的波动特性,采用双向长短期记忆网络BiLSTM(bidirectional long short-term memory, BiLSTM)模型对棉花价格进行预测,使用长短期记忆网络LSTM(Long Short Term Memory Network, LSTM)和LightGbm模型进行对比试验。由于随机梯度下降(SGD)优化器在训练的过程中产生频繁波动,较多情况下得到的是局部最优值。采用SWA(Stochastic Weight Averaging)优化算法取SGD轨迹的多点简单平均值对SGD进行优化,避免SGD在梯度下降过程中的频繁波动问题,使其模型能将Loss和损失值收敛至全局最优,进一步提高训练的稳定性。试验结果表明:BILSTM模型能够很好地对测试集价格曲线进行拟合,误差值最小,价格预测精度较高;采用SWA算法优化的LSTM和BILSTM网络结构收敛至全局最优,平均绝对误差(MAE)分别提高18%和43%。该模型能够更精确地表现棉花市场价格波动规律,帮助棉花市场从业者和投资者优化经营策略。     

基于堆叠式LSTM与熵值法的苹果价格组合预测模型研究

为提高苹果价格的预测精度,提出一种将长短期记忆模型(LSTM)与熵值法相结合的新方法。发挥LSTM的自身学习特性,以及熵值法的客观拟合特征信息特点,研究构建堆叠式LSTM与熵值法结合的组合模型。对比分析多个组合模型的预测性能,试验结果显示,苹果价格存在较为明显的空间传导效应,空间传导效应对价格波动产生显著影响。加入价格空间传导效应的堆叠式多层LSTM与熵值法相结合的组合模型预测精度对比LSTM提高18.81%,在苹果价格预测方面的效果表现良好。最后,基于优化后的组合模型对苹果价格进行预测,验证组合模型的有效性。     

基于SSA-PSO-LSTM模型的羊舍相对湿度预测技术

羊舍湿度过高或过低都会直接威胁肉羊健康生长,及时掌握湿度变化趋势并提前调控是确保规模化肉羊无应激环境下健康养殖的关键。为提高湿度预测精度,提出了基于奇异谱分析（SSA）、粒子群优化算法（PSO）、长短时记忆网络（LSTM）的羊舍湿度非线性组合预测模型。利用SSA分离出正常序列和噪声序列,将原始序列转换为平滑序列;其次通过PSO不断迭代优化确定LSTM的最优参数组合,降低LSTM的训练成本;最终依据优化参数建立组合预测模型分别对两序列进行预测,模型结果之和为最终预测结果。利用该模型对新疆维吾尔自治区2021年3月17—27日期间的羊舍空气相对湿度进行预测,结果表明,该组合预测模型具有良好的泛化性、稳定性和收敛性。与标准的ELM、SVR、LSTM、PSO-LSTM、EMD-PSO-LSTM等模型相比,本文提出的SSA-PSO-LSTM组合模型具有更高的预测精度,其均方误差、平均绝对误差和决定系数分别为1.127%2、0.803%和0.988。     

基于LSTM算法的智能节水灌溉预测模型研究

针对当前农田灌溉缺乏科学技术指导、水资源浪费严重的现状,为提高灌溉用水的利用效率,在智慧农业灌溉系统体系结构的基础上,提出了一种基于LSTM算法的智慧农业灌溉预测模型,可根据作物生长需求、生长环境和种植土壤等数据实现精准灌溉,能够最大程度地节约水资源.通过实验对LSTM灌溉预测模型与传统灌溉预测模型的预测值进行对比分析...     

大豆振兴背景下吉林省大豆供给反应研究——基于Nerlove模型的实证分析

大豆振兴背景下,大豆成为吉林省农业结构调整的关键作物。本文利用1985—2019年吉林省大豆相关数据,通过建立Nerlove模型对大豆供给反应进行分析,得出吉林省大豆短期供给价格弹性为0.23,而长期供给价格弹性为0.39,表明大豆供给对价格反应较为迟缓,缺乏弹性。测得预期价格调整系数为0.72,调整时滞为1.39,表明大豆种植户在调整种植面积行为上的滞后期约为1年。通过对吉林省大豆供给反应影响因素分析发现滞后一期的大豆播种面积、大豆市场价格、大豆与玉米单位面积收益比和大豆相关政策都对当期大豆播种面积有显著影响。基于此本文剖析了各影响因素的作用机理,提出深化农业供给侧结构性改革、完善米豆轮作制度和大豆生产者补贴政策,稳定价格、改善大豆与玉米的比价关系,提高大豆种植收益等建议,以鼓励吉林省农户大豆种植积极性,保障大豆良性供给。     

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。