基于声波的圈舍智能设备非接触式手势控制方法研究

【目的】研究基于声波的非接触式手势控制方法,实现对圈舍智能设备的非接触式手势控制,为减少畜牧业传染病的接触式传播风险提供技术支持。【方法】设计并实现了基于声波的手势识别系统,该系统由2套商用扬声器和麦克风组成声学雷达,采用功率谱密度对手势移动产生的多普勒效应进行提取,然后建立手势、位置与多普勒效应的映射关系,并提出一种融合规则和机器学习的手势识别方法,通过手势移动时产生的多普勒效应实现感知范围内任意位置对4种常见手势（前推、后移、左移、右移）的准确识别。【结果】采用奇异值分解算法进行特征提取,并对支持向量机模型、BP神经网络模型、K最邻近算法3种机器学习算法进行比较,可以得到支持向量机模型整体优于BP神经网络和K最邻近算法,且线性支持向量机的识别准确率最高,该系统对15位测试者在不同位置手势的平均识别准确率可以达到91.50%,且成功应用于照明设备的开关和亮度调节以及换气扇的开关和转速调节。【结论】综合考虑手势执行位置、手势移动速度和幅度等因素,采用奇异值分解算法进行特征提取,线性支持向量机算法进行分类,可达到较高的手势识别准确率,有望应用于圈舍智能设备的非接触式手势控制。     

基于数值天气预报后处理的参考作物蒸散量预报改进

针对基于数值天气预报（Numerical weather prediction,NWP）对参考作物蒸散量（Reference crop evapotranspiration,ET0）进行预报通常需要数据偏差校正的问题,基于LightGBM机器学习方法和我国西北地区9个气象站点数据提出一种对第二代全球集合预报系统（Global ensemble forecast system,GEFSv2）预报气象因子进行偏差校正的方法（M3）。该方法使用太阳辐射、最高和最低气温、相对湿度和风速集合分别对每个气象因子进行重预报,再计算ET0。使用等距离累积分布函数（EDCDFm,M1）和单气象因子输入的LightGBM法（M2）对模型精度进行评估。结果表明,GEFSv2的预报因子与相应的观测气象因子之间存在不匹配问题,其不匹配程度因气象因子不同而不同,太阳辐射的匹配度较高,相对湿度的匹配度较低。M3模型有助于缓解数据不匹配问题。M1、M2和M3方法在9站点预报ET0的平均均方根误差（RMSE）分别介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d,平均绝对误差（MAE）分别介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d,决定系数（R2）分别介于0.82~0.91、0.84~0.93和0.86~0.94。3种方法均在夏季误差最大,1~16d平均RMSE分别为1.21、1.18、1.04mm/d。各预报因子中太阳辐射对ET0预报误差影响最大,其后依次是风速、最高气温、相对湿度和最低气温。在后处理过程中,NWP的最高气温预报值对其他因子预报精度的贡献最大、对相对湿度预报精度的贡献最小。建议在进行NWP偏差校正时,应考虑数据不匹配问题,通过多因子校正来弥补预报精度的不足。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。     

基于机器学习方法的土壤转换函数模型比较

土壤水分状态及运动过程的准确描述与预测需要精确的土壤水力参数,而使用土壤转换函数的方法可以方便省时省力地获得土壤水力参数。对于不同的建模方法,在模型预测精度、运行效率等方面有所差异。【目的】探究不同机器学习方法建立土壤转换函数模型的优劣。【方法】使用UNSODA全球土壤水力性质数据库,对比分析了人工神经网络(ANN)、支持向量机(SVM)、K-最近邻居法(KNN)对于van Genuchten模型参数的预测精度,并使用土壤样本的含水率-负压实测数据,从土壤质地的角度评价了各模型的预测效果。【结果】SVM模型对样本的预测效果最好,ANN次之,KNN模型受边缘效应影响预测效果稍逊。在训练模型时,ANN模型用时最长,KNN模型用时最短。然而,在预测过程中,ANN模型用时最短,KNN模型用时最长。【结论】本研究推荐在小数据集上建立土壤转换函数模型时使用SVM,而在更大型的数据集上要综合考虑计算成本、预测精度等方面合理选取建模方法。     

基于Google Earth Engine与机器学习的黄土梯田动态监测

  目的   梯田是黄土高原最重要的水土保持措施和农业生产措施,高效、准确地获取长时间序列黄土梯田分布信息,对黄土高原的水土保持监测和评价十分重要。   方法   在Google Earth Engine(GEE)的支持下,以宁夏回族自治区固原市为研究区,使用遥感影像监督识别技术,对比随机森林(RF)、决策树(CART)、支持向量机(SVM)等3种机器学习算法的识别精度,探讨LandTrendr算法在长时间序列动态监测中的优化应用,最终获取固原市近30 a梯田分布信息。   结果   ①3种算法识别精度从大至小依次为随机森林、决策树、支持向量机。②使用随机森林算法识别梯田,基于样点检验总体精度达94.10%,Kappa系数达0.87,基于实地斑块检验总体精度达93.33%,Kappa系数达0.80。③ LandTrendr算法能有效校正时间序列中的错误值。④ 1988－2019年,固原市梯田面积减少了45.90%。⑤固原市西部的梯田使用时间较东部更长。   结论   采用本研究方法在GEE云平台可以高效、准确地遥感监测长时序、大尺度的黄土梯田。固原市近30 a梯田农业比例逐渐下降,促进了生态环境持续向好发展。图4表3参22     

基于机器学习的ET0跨站适应性研究

【目的】针对气象数据缺失问题,研究机器学习方法在计算参考作物蒸散量(ET_0)中的应用,为ET_0的估算提供支持。【方法】基于已有的本地气象站与邻站数据,利用极限梯度提升法(XGBoost)模型和支持向量机(SVM)模型2种机器学习算法,结合江西省吉安和鄱阳2个气象站及对应邻站1966-2015年逐月气象资料,使用K折交叉验证法及4种统计指标(决定系数(R~2)、均方根误差(RMSE)、平均偏置误差(MBE)和归一化均方根误差(NRMSE))评估2种输入模式(本地输入或与邻站数据相融合输入)下估算逐月ET_0的适用性。【结果】2种输入模式下,XGBoost模型的性能整体优于SVM模型。只使用本地资料作为输入时,以最高温度(T_(max))、最低温度(T_(min))、地表总辐射量(R_s)为参数的模型性价比最高。使用邻站结合本地资料作为输入时,XGBoost模型对应的最佳输入参数为邻站ET_0数据(ET_0-ex),其平均R~2为0.986,RMSE和MBE分别为0.195和-0.106 mm/d, NRMSE为0.079。【结论】综合精度和稳定性等因素,当存在部分气象资料缺失时,使用本地数据或与邻站数据相结合,可成功估算出目标站点的ET_0值。推荐使用XGBoost模型且2种输入模式下最实用的输入组合分别为T_(max)、T_(min)、R_s和ET_0-ex,可用于类似江西鄱阳湖地区气象资料缺乏条件下ET_0的估算。     

联合Sentinel-1和Sentinel-2数据反演森林蓄积量

为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度.本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息.根据不同特征组合分别建立支持向量机回归(Support Vector Regress...     

一种基于改进时间卷积网络的生猪价格预测方法

针对传统的生猪价格预测方法存在预测精度不够高，容易陷入局部最小值等问题，为更加精准地预测生猪价格，采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法，以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本，对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606，平均绝对误差(MAE)为0.288 424，决定系数(R²)为0.995 683，均优于其他3种机器学习模型；与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较，3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。     

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。     

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。