基于机器学习算法的甘肃省草原地上生物量

为评估甘肃省草原地上生物量的变化情况,本研究采用甘肃省2005-2018年草原地上生物量实测数据以及植被指数和气象等参数,构建多种基于机器学习算法的甘肃省草原生物量反演模型,并对其预测精度进行对比和评价。结果表明：1)随机森林模型更适宜于甘肃省草原地上生物量遥感反演。基于筛选后的17个变量的Rborist随机森林模型的反演精度最高,R²为0.758。2)甘肃省草原地上生物量均值介于828.21～1 118.71 kg·hm^-2,近20年来呈逐年增加趋势,年均增加幅度为8.13 kg·hm^-2 (P <0.05)。3)甘肃省47.41%的草原呈恢复趋势,26%的草原保持稳定,而26.59%的草原呈不同程度的恶化趋势。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

高光谱成像技术在水果品质无损检测中的研究进展

优质水果的生产和销售离不开水果品质检测,传统的水果品质检测手段精度低、成本高、时效性差、破坏性强。近年来,随着科学技术的不断进步,低成本、高效率的水果品质无损检测技术得到飞速发展。其中,高光谱成像技术逐渐成为研究热点。综述了该技术在水果品质无损检测方面的技术原理、应用和发展现状,探讨其在水果品质无损检测领域的应用潜力、存在问题、发展趋势以及应用前景。整体来看,高光谱成像技术能够实现不同水果种类、多个水果品质指标的无损、高效检测,如成熟度、糖度、酸度、红色指数等;受硬件技术限制,其发展侧重于数据挖掘方向,即在硬件发展有限的情况下,通过不断更新和优化的针对性算法获得精准的解析结果;另一方面,设备昂贵、数据处理复杂、模型普适性较差是该技术需要进一步优化和改进的主要问题;其未来发展将基于云计算和人工智能的高效数据处理、适用范围更广的水果品质高光谱检测设备研发、多源综合无损检测等研究方向。随着技术的不断发展,高光谱成像技术在水果品质无损检测方面的应用前景广阔,未来将成为水果品质检测的重要手段之一。     

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...     

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%。     

基于无人机多光谱遥感的土壤含盐量反演模型研究

为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题,以内蒙古河套灌区沙壕渠灌域内4块不同盐分梯度的耕地为研究区域,利用无人机搭载多光谱传感器获取2018年8月遥感影像数据,并对0~40cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量,采用支持向量机（Support vector machine,SVM）、BP神经网络（Back propagation neural network,BPNN）、随机森林（Random forest,RF）、多元线性回归（Multiple linear regression, MLR）4种回归方法,建立基于3组输入变量下的土壤盐分反演模型,并进行精度评价,比较不同输入变量、不同回归方法对模型精度的影响,评价并优选出最佳盐分反演模型。结果表明,通过分析3个变量组的R2和RMSE,光谱指数组在4种回归方法中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中,3种机器学习算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF算法在3种机器学习算法中表现最优,SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果,R2c和R2v分别达到了0.72和0.67,RMSEv仅为0.112%。     

基于高斯过程混合模型的大气温湿度预测

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用。针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合(gaussian process mixture,GPM)模型进行大气温湿度多模态预测。另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法。该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组。在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将GPM模型与核回归(kernel-regression,K-R)、最小最大概率机回归(minimax probability machine regression,MPMR)、线性回归(linear-regression,L-R)、高斯过程(gaussian process,GP)等传统预测模型进行比较。结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型。最终湿度预测最优结果RMSE=0.062 0、R~2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果 RMSE=0.042 6、R~2=0.966 6,训练耗时为90.0049 s。由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值。     

基于机器学习联合网络爬虫算法的果汁鉴伪技术的研究进展

果汁鉴伪技术正成为全球食品营养安全领域的研究热点,其发展对果汁质量与安全控制至关重要.结合机器学习联合网络爬虫算法检索文献技术,本文综述了近年来果汁鉴伪技术的研究进展与应用领域,并着重阐述了非靶向/靶向代谢组学鉴伪技术的研究进展.结合多学科交叉和计算机技术发展趋势,对检测方法耦合发展、监督型机器学习统计工具开发、无人监...     

智能花盆的室内生态实用发展探究

随着社会进步生活水平的提升,家养盆栽已经成为一种大趋势,盆栽可以净化空气改善小气候,同时满足人们审美的需求。但是多数花友并不清楚每一种花卉的具体养殖参数,如浇水程度、浇水频率,并且经常会因为各种各样的问题无法及时照顾花卉导致花卉的枯萎、瘦弱甚至死亡。因此市场上出现了诸多智能浇水花盆等设备,本文针对智能花盆的当下境遇,探究其实用性、发展前景以及对室内生态改善效果。     

一种用于农产品供应链风险预测评估的贝叶斯决策树算法模型

农产品供应链稳定对保障市场供应、稳定需求、扩大居民消费需求具有重要意义.新兴技术的应用可以提高农产品供应链的价值,降低传统供应链的风险.因此,本文在机器学习算法的基础上,将贝叶斯算法融入决策树模型,建立了一种用于农产品供应链风险评估预测的模型.首先,基于贝叶斯算法设计了用于风险划分的决策树模型.然后,使用随机变量的权重构建决策树模型用于风险预测评估.最后,将决策树模型应用于农产品供应链(APSC),提出了APSC管理框架,帮助决策者进行评估分析,以降低农产品供应链风险.实验结果表明,对比模型预测风险的性能达到90%左右,而本文提出的模型可以达到95%左右,证明其具有较高的预测准确性.敏感性分析证实,该模型对市场变化具有较高的灵敏度,可以帮助决策者更好地评估农产品供应链风险并及时调整供应链机制.