基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性,该文使用普通克里格(ordinary kriging,OK)、地理加权回归(geographically weighted regression,GWR)和随机森林(random forest,RF)方法,结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量,绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数(R^2)、均方根误差(RMSE)和平均绝对误差(MAE)验证模型精度。结果表明:不同方法预测的盐分分布趋势没有显著差异,大体上从研究区的西北向东南部方向增加;结合辅助变量的不同预测方法中,RF方法预测精度最高,R^2为0.74,RMSE和MAE分别为9.07和7.90 mS/cm,说明该模型可以有效地对区域尺度的土壤盐分进行定量估算;RF方法对电导率(electric conductivity,EC)低于2 mS/cm时预测精度最高,RMSE为3.96 mS/cm,很好的削弱了植被覆盖对电导率EC的影响。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息,可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据,并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数,在此基础上引入红边波段建立新的光谱指数,同时使用Elastic-net算法（ENET）对光谱变量进行筛选,并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组;运用BP神经网络（Back Propagation Neural Networks,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）3种机器学习方法,构建作物覆盖下不同土壤深度的土壤盐分反演模型,并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明,使用ENET变量选择方法可以有效筛选出最优光谱变量,且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组;ELM模型反演效果优于SVM模型和BPNN模型,其验证集的决定系数为0.783,均方根误差为0.141,一致性相关系数为0.875;研究区域内,作物覆盖下的土壤盐分最佳反演深度为10～20 cm;在不同土壤深度下,基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度,这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

电动转笼二次残差补偿雾化模型建立与试验

为解决航空施药作业时雾滴粒径变量精细控制的难题,采用二次回归正交试验与机器学习相结合的方法建立了二次残差补偿雾滴粒径模型。在以Aerial-E型电动转笼雾化器为控制对象的雾化试验平台上进行了二次回归正交试验,分析了雾滴粒径与风速、施药流速、雾化器转速之间的相关性,建立了雾滴粒径模型;为了提高雾滴粒径模型预测精度,添加补偿因子建立了第1次优化雾滴粒径补偿模型;利用机器学习构建了第2次残差预测模型,将第2次残差预测模型与第1次优化雾滴粒径补偿模型线性叠加,得到了二次残差补偿雾滴粒径模型。为验证二次残差补偿雾滴粒径模型的有效性,进行了模型验证试验与对比试验,试验结果表明,二次残差补偿雾滴粒径模型预测偏差绝对值最大为10.78%,其预测值与测量值的决定系数R2为0.95,比无补偿雾滴粒径模型提高了0.06,比第1次优化雾滴粒径补偿模型提高了0.05。将二次残差补偿雾滴粒径模型进行了等效变形,得到了电动转笼二次残差补偿雾化模型,基于该模型设计了电动转笼雾化系统,并进行了系统应用试验,结果表明,该系统雾滴粒径设定值与测量值的决定系数R2为0.94,雾滴相对分布跨度均小于1.6,实现了在恒定风速、施药流速条件下雾滴粒径的控制。本研究结果可实现航空施药作业时雾滴粒径变量精细控制。     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片(顶1叶)、顶部第二完全展开叶叶片(顶2叶)以及顶部第三完全展开叶叶片(顶3叶)图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、 $R^{2}_{v}$=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、$R^{2}_{v}$=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。     

东北地区稻谷储藏期间脂肪酸含量的预测模型

粮食储备是保障国家粮食安全的重要物质基础,谷物中脂肪酸含量是粮食储藏过程中品质变化的敏感性指标。为了实现绿色储粮安全管理,该文采用多元线性回归(multiple linear regression,MLR)、人工神经网络(artificial neural network, ANN)、支持向量回归(support vector regression, SVR)、最小二乘支持向量回归(least square support vector regression,LSSVR)等机器学习算法模型,对东北地区稻谷储藏过程中的脂肪酸含量(以KOH计)进行预测。通过主成分分析(principal component analysis,PCA)方法筛选稻谷关键储藏参数,得到4个影响稻谷脂肪酸含量的关键因子,分别为稻谷入仓水分、入仓脂肪酸含量、储藏有效积温、检测粮温。然后,将得到的关键因子进行归一化处理,再分别输入到MLR、ANN、SVR、LSSVR模型,采用决定系数R2、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)等评价指标对不同模型的预测性能进行对比,探讨稻谷脂肪酸含量预测的最优模型算法。研究结果表明,LSSVR模型的决定系数R2、MAE、MAPE、RMSE分别为0.911、0.275 mg/100 g、1.604%、0.348 mg/100 g,预测效果略优于MLR,明显优于ANN和SVR,LSSVR和MLR模型可作为稻谷储藏期间脂肪酸含量预测的方法。该研究实现了稻谷脂肪酸含量的预测,为科学储粮、安全绿色储粮提供参考。     

无人机多光谱遥感在作物生长监测中的应用研究进展

随着无人机(Unmanned aerial vehicles, UAV)多光谱软硬件一体化、观测精度及易用性的发展,UAV多光谱遥感在农业上的应用越来越广泛。本文对国内外相关研究成果进行综述,主要介绍了多光谱遥感技术的基本原理和UAV多光谱遥感系统,并对UAV多光谱遥感技术在植被分类与杂草识别、作物病虫害监测、作物植株水分含量监测、作物长势监测和产量估测等方面的研究进行了概述。最后分析了UAV多光谱遥感技术在农业领域中所面临的难题和未来的发展趋势,以期为UAV多光谱遥感技术在现代农业上的开发应用提供参考。     

人工智能在湖泊水情监测研究中的应用

随着信息技术的发展,人工智能(Artificial Intelligence)已被广泛应用到各个领域,随后问世的机器学习,推动了人工智能的大跨步发展。我国是一个水资源大国,改革开放以来,我国经济的快速发展和城镇化的快速推进,人们的生活和生产对湖泊水环境造成了很多不可逆的影响,湖泊面积萎缩,湖泊水资源污染,富营养化严重,有关湖泊水环境的研究成为国内外研究的热点,有必要对湖泊水资源质量监控做深入的研究,从根源保护湖泊水生态环境不受破坏。本文阐述了机器学习在各个领域的应用现状,介绍了湖泊水质和水温目前的研究现状,分析了遥感技术和人工智能手段在其探究领域的发展,指出机器学习方法已被广泛运用到湖泊水质的预测模型中,但在水温预测方面较为缺乏。     

基于PDF版式特征的文献篇章结构细粒度抽取方法研究

[目的/意义]为实现文献资源的细粒度组织,满足用户日趋精准的信息服务需求,研究提出一种基于PDF版式特征的文献篇章结构细粒度自动抽取方法。[方法/过程]方法充分利用机器学习在信息分类方面的优势,针对非结构化的PDF文档,基于其版式特征对章节标题进行自动分析、识别与抽取。根据章节标题的坐标定位,将正文内容以段落为最小颗粒度自动匹配至所属标题的下级位置,最终实现文档全文结构的细粒度抽取和重组。[结果/结论]经实测,机器自动抽取平均正确率达80%,针对非结构化PDF文档的细粒度抽取工作具有较好的现实意义和应用前景,基于底层方法设计构建的数据处理系统现已投入实际应用,大幅解放人工进行篇章结构细粒度抽取的工作。     

机器学习在油气管道的应用研究进展及展望

机器学习作为实现人工智能的主要手段,通过探索数据规律、建立预测模型来指导决策支持。在目前油气管道系统设备繁多、结构复杂、技术庞杂等背景下,引入机器学习是为了采用人工智能技术解决单纯依靠数学模型难以应对的问题,代替人工从事一些枯燥繁琐、危险程度较高的工作。结合油气管道系统各生产环节,重点阐述了深度学习、强化学习及迁移学习3类机器学习方法的应用研究进展,包括油气管道泄漏、多相流型识别、设备故障诊断及储罐目标检测等应用场景,构建了人工智能技术在油气管道系统的应用框架,指出深度学习、强化学习及迁移学习在该领域拥有较强的应用前景。最后,对机器学习在油气管道领域的应用进行了展望,以期为油气管道系统的智能化研究与发展提供参考。     

机器学习算法在农业机器视觉系统中的应用

主要通过介绍机器视觉技术在农业中的发展状况,然后阐述机器视觉系统的组成和工作原理,并基于当前机器视觉研究在农业中的应用,总结近几年使用农业机器视觉研究中用到的机器学习技术,包括有监督学习、无监督学习、人工神经网络,详细讨论这些技术的原理、优劣以及在农业领域中的应用,最后讨论机器视觉技术面临的问题和挑战,以及未来应用场景与发展方向。