基于XGBoost的土壤含水量传感器温度补偿模型研究

土壤含水量传感器数值测定的准确性是其应用于精准灌溉实现农业节水的前提,然而土壤温度的变化对土壤含水量传感器数值采集的偏差具有显著影响.研究的目的在于分析不同土壤温度对土壤含水量传感器测定影响,进一步提出基于XGBoost(eXtreme Gradient Boosting)的土壤含水量传感器温度补偿模型,并验证和对比其预测精度.研究中分别配制土壤含水量为10％、15％、20％、25％、35％的12组梯度湿土土样基准,记录传感器在各土样中0～45℃温度变化过程的读数,并将数据集划分后用于模型训练和测试.结果表明:同一土样基准中土壤含水量传感器读数随着土壤温度的升高而增加,各土样基准类别传感器读数最大值与最小值的变幅为[3.6％,7.9％],平均读数变幅为6.25％;所提出的XGBoost土壤含水量温度校正模型能够实现对传感器土壤含水量温度影响的补偿,对测试集的均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)分别为0.013％、0.825％、1.165％和0.973.此外,与其他基于树和常用的机器学习模型对比结果显示研究提出的XGBoost温度校正模型具有最佳预测精度.     

基于机器学习的春小麦叶片水分含量高光谱估算

为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量（leaf water content,LWC）遥感监测中的应用效果及筛选最佳波段组合,在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数（比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数）,通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习［人工神经网络（artificial neural network,ANN）、K近邻(K-nearest neighbors,KNN)和支持向量回归(support vector regression,SVR）］和光谱参数的春小麦LWC反演模型,并对模型精度进行验证,以确定有效波段组合。结果表明,小麦抽穗期LWC与冠层高光谱反射率（R_784～950）、12种水分植被指数均显著相关（P＜0.01）;波段组合形式有效地优化了两波段指数的波段组合,在800～1 000 nm区间光谱参数（RVI_1046,1057、NDVI_1272,1279、DVI_1272,1279）的波段组合计算明显提升了其对LWC的敏感性;在不同的机器学习算法中,基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果（r=0.64,RMSE=2.35,RPD=2.01）优于ANN、SVR两种算法。这说明两波段光谱指数和KNN算法在春小麦叶片水分含量的高光谱遥感估算中具有一定的优势。     

基于多源遥感数据和机器学习算法的冬小麦产量预测研究

为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F₇代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型。结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量。相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数（r²）为0.74,平均均方根误差（RMSE）为517.78 kg·hm_-2。相对于决策树（DT）、随机森林（RF）、支持向量机（SVM）三种传统机器学习算法,岭回归（RR）算法预测产量的精度最高,平均r²为0.73,平均RMSE为516.1 kg·hm_-2。与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r²高达0.77,RMSE也较低。SVM 、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r²为0.79,RMSE降至469.98 kg·hm_-2。因此,利用Stacking集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度。     

基于翘尾特征的奶牛产犊预报设备设计与试验

针对奶牛产犊过程中自动化监测和预报设备缺乏的问题,设计了基于翘尾特征的奶牛产犊预报设备。设备包括记录待产奶牛尾部加速度数据采集节点,数据上传无线组网和云端数据存储平台,并开发了基于机器学习模型的产犊预报算法,实现了奶牛产犊的自动预报。尾部数据采集节点采用STM32L151CBT6A单片机控制ICM42605传感器实现加速度数据采集,在完成数据整理与本地存储后,通过LoRa网络将数据上传至网关。网关通过WiFi网络,按照MQTT协议将数据传输至腾讯云物联网开发平台,并将数据同步存储在腾讯云数据库中。在算法开发试验中,本文基于25头奶牛产犊前的尾部加速度数据,开发了基于Man-Kendall趋势检验和基于集成学习思想的多SVM产犊预报模型,完成算法性能验证后,将开发好的模型部署在腾讯云服务器。验证试验表明：牛尾节点测量的加速度信号与振动传感器校准仪设定的输出信号相关性良好(r=0.938,P<0.01),节点监测模块可连续工作24 d,无线传输网络最大丢包率为1.3%,满足应用需求。设备进行部署后,完成了11头奶牛产犊过程的监测,结果表明设备对9头牛(81.82%)在产前12 h内成...     

基于MS-YOLO v7的多尺度稻飞虱识别分类方法

智能虫情测报灯下害虫的精准识别和分类是实现稻田虫情预警的前提,为解决水稻害虫图像识别过程中存在分布密集、体态微小、易受背景干扰等造成识别精度不高的问题,提出了一种基于MS-YOLO v7（Multi-Scale-YOLO v7）轻量化稻飞虱识别分类方法。首先,采用稻飞虱害虫诱捕装置搭建稻飞虱害虫采集平台,获取的稻飞虱图像构成ImageNet数据集。然后,MS-YOLO v7目标检测算法采用GhostConv轻量卷积作为主干网络,减小模型运行的参数量;在Neck部分加入CBAM注意力机制模块,有效强调稻飞虱区别度较高的特征通道,抑制沉冗无用特征,准确提取稻飞虱图像中的关键特征,动态调整特征图中不同通道的权重;将SPPCSPS空间金字塔池化模块替换SPPFS金字塔池化模块,提高网络模型对各分类样本的特征提取能力;同时将YOLO v7模型中的SiLU激活函数替换为Mish激活函数,增强网络的非线性表达能力。试验结果表明,改进后的MS-YOLO v7在测试集上的模型平均精度均值（Mean average precision,mAP）为95.7%,精确率（Precision）为96.4%,召回率（Recall）为94.2%,与Faster R-CNN、SSD、YOLO v5、YOLO v7网络模型相比mAP分别提高2.1、3.4、2.3、1.6个百分点,F1值分别提高2.7、4.1、2.5、1.4个百分点。改进后的模型内存占用量、参数量、浮点运算数分别为63.7MB、2.85×107、7.84×1010,相比YOLO v7模型分别缩减12.5%、21.7%、25.4%,MS-YOLO v7网络模型对稻飞虱种间害虫均能实现高精度的识别与分类,具有较好的鲁棒性,可为稻田早期稻飞虱虫情预警提供技术支持。     

基于ECA-FV-CNN的水稻单籽粒质量分级方法

为解决传统水稻质量分级依靠人工分拣,工作量大、错误率高、分级标准不严格等问题,本文提出一种基于ECA改进的双流卷积神经网络模型对水稻单粒质量分级进行研究。首先,获取每组水稻单籽粒(本文以7颗水稻单籽粒为1组)正视和俯视图像,对于5种简单的监督模型(朴素贝叶斯、决策树、随机森林、最邻近结点算法、支持向量机)、基于遗传算法和投票机制优化的模型(GA-SVM)、集成模型(RF+GA-SVM),通过图像预处理轮廓检测分离出单籽粒图像,利用颜色矩、LBP(Local binary pattern)和Canny算子提取籽粒颜色、纹理和边缘特征,并采用PCA(Principal component analysis)降维后进行训练;而对于单流卷积神经网络模型、双流卷积神经网络模型(FV-CNN)以及本文提出并构建的基于ECA改进的双流卷积神经网络模型(EA-FV-CNN),则使用预处理后的图像进行训练。将上述多种模型进行对比分析,发现基于ECA改进的双流卷积神经网络模型性能最好,其在单粒质量三分级、四分级和五分级准确率分别达94.0%、92.3%和71.0%。实验结果表明,使用基于ECA改进的双流卷...     

基于多时相多参数融合的麦玉轮作小麦产量估算方法

为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R²提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R²为0.92,RMSE为213.75 kg/hm²,较其他模型,R²提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参...     

核机器学习方法及其在生物信息学中的应用

核机器学习方法是一种基于统计学习理论和核函数的机器学习方法.本文阐述了核机器学习方法的基本原理,介绍了目前常用的几种核机器学习方法,给出了构造新的核函数的原则,总结了结构数据核函数的研究现状.在此基础上,以生物信息学为背景,着重指出了当前序列数据的核函数在生物信息学中的应用进展.     

运用分类树进行土壤类型自动制图的研究

提供了一种基于机器学习的方法来自动建立针对土壤资源制图的规则库。以浙江省龙游县研究区为例,将已有的土壤图与地质图、土地利用现状图、DEM及其派生属性、双时相的TM卫星数据相结合,使用分类树算法从训练数据中生成该地区土壤制图的规则知识,并进行了研究区土壤类型的知识分类。这种建立土壤自动制图知识库的方法要比传统的知识获取方法更为简便易行。精度评价结果表明,所建立的知识库对于研究区的大部分土壤类型的预测是可行的。     

人工智能技术在畜牧业中的应用进展

人工智能（artificial Intelligence,AI）技术是新兴科学技术革命和畜牧产业革命的重要新生力量,在实现我国畜牧业数字化、信息化、智慧化过程中发挥着至关重要的作用。人工智能畜牧技术的广泛应用为养殖端的疾病预防、精准治疗、精准营养、生物安全防控、智能称重等重大核心难题的解决提供新思路,必将成为推动畜牧业走向现代化的有力助推器。借助关键AI技术的普遍应用,实现畜牧全产业链的精细化、安全化、自动化、智能化、数字化,带动畜牧产业整体管理水平提升,将成为推动智慧畜牧业发展的有效途径。从AI的发展历程、AI在畜禽育种中的应用、畜牧企业在AI应用方面的实践以及未来AI在畜牧领域的开发及应用趋势等方面进行综述,以期为推动AI技术在畜牧全产业链中的广泛应用提供参考。