大数据统筹在优化番茄种植中的应用

为了实现番茄的稳产高产,建立了番茄温室环境因素监控系统,并将大数据统筹技术应用于优化番茄种植环境因素;建立了温度、湿度和光照强度传感器网络系统,采用WSN技术实现采集数据传输。测试WSN常用频率和节点距离对于信号RSSI强度和丢包率的影响,结果表明:频率780MHz、节点距离为80m时,为最优分布状态。采用大数据统筹分析的方法,对环境因素进行分析:①采用多元拟合的方法,建立不同生长时期环境因素和干物质累积量模型,F检验表明模型可靠性较高;②计算累积贡献率,确定不同生长时期,各环境因素重要性;③采用单因素分析法,分析花坐果期和结果期各环境因素对于番茄干物质累积的影响。分析表明:开花坐果期相对湿度保持在水平编码0状态,在保持充足温度的情况下,增加光合辐射量可以提高番茄干物质累积量;结果期温度、湿度和光合有效辐射量保持在较高水平,有利于番茄干物质累积。     

基于CNKI数据的农业物联网热点研究与分析

农业物联网技术在现代农业的发展历程中占有重要地位.通过关键词"农业物联网"在中国知网(CNKI)进行相关文献的采集和筛选,利用CiteSpace软件对所采集数据进行可视化分析,对国内农业物联网的研究热点进行分析与总结.结果表明:目前农业物联网的研究已进入快速发展阶段,但仍然有较大的研究空间可探索,需要诸多专家学者与科研单位进行合作和探究.随着国家对农业的重视以及乡村振兴战略的实施,农业物联网技术将会在农业生产中发挥巨大的作用.     

协同多源国产高分影像和面向对象方法的南方农作物遥感识别

【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF...     

数据透视与数据匹配在机电井水量水费情况分析表中的应用

本文在研究中以机电井水量水费实际情况为基础,列举地下水管理案例,从大满灌区1 352眼机电井中找出一年来实际提取水量和开泵频次过低的机电井,从而为机电井的巡查找到目标,不断提高地下水管理水平,并为相关研究人员提供参考。     

基于无人机航测数据的森林郁闭度和蓄积量估测

蓄积量是评价森林资源质量或状况的重要指标,为了解决实测郁闭度和蓄积量费时费力以及无法充分利用航测原始数据生成各项数据的问题,以无人机航测数据的点云数据和正射影像为研究数据,利用冠层高度模型提取高程,通过一元线性回归分析估测平均树高和平均胸径模型;使用改进形态学分水岭方法提取树冠个数;通过主成分回归建立郁闭度模型;结合提取与估测的GIS因子,用偏最小二乘法建立蓄积量模型。结果表明:平均树高模型精度为97.34%、平均胸径模型精度为91.27%,改进分水岭提取树冠精度为80.03%,郁闭度模型精度为83.18%,蓄积量模型精度可达88.43%。蓄积量模型的所有特征因子均是通过遥感方法从无人机原始航测数据中提取而来,充分利用了无人机航测数据。实验建立的树高、胸径和郁闭度模型可以有效地估测森林平均树高、胸径及郁闭度,改进后的分水岭算法减少了过分割,蓄积量模型能够有效估测蓄积量,提高了蓄积量提取效率,节省了大量的人力物力。     

基于LSTM的活立木茎干水分缺失数据填补方法

【目的】研究植物茎体水分数据,针对相同数据段上的缺失数据,对比不同数据填补方法,验证LSTM模型填补茎干水分数据的有效性及准确性。【方法】选取2017年6月份栽种在北京市海淀区的紫薇树茎体水分完整数据,人工删去部分数据作为缺失数据,分别使用插值方法、RNN神经网络、LSTM神经网络对缺失部分进行填补,填补结果与原始数据比对并分析结果。基于神经网络预测值误差随预测时刻推后而增大的误差分布情况,本文提出了在神经网络预测值基础上加入对数据后期处理的方法:从缺失数据的正向和反向进行预测,将2个方向的预测值各自乘以一组按照预测时刻递减的权重值并相加,结合2个预测方向的优势,进一步提高预测准确度。【结果】3种方法中,RNN与LSTM神经网络方法较传统的插值方法优势明显:插值方法准确度在缺失值增多时迅速下降;神经网络方法下降速度较慢。当填补值与真实值误差在2%以内作为准确时,插值方法的填补准确率不足50%,RNN方法达到50%且不足60%,LSTM方法达到80%以上;当填补值与真实值误差在4%以内作为准确时,插值方法填补准确率为60%,RNN方法准确度最高达到90%,LSTM方法准确率在95%以上。在此基础上加入权重处理,对LSTM预测结果处理后误差在2%以内准确率达到97%,误差在3%以内准确率达到100%。选取一组测试数据代入模型,预测结果比训练数据预测结果精度有所下降,但双向预测方式优势更加明显。【结论】采用基于LSTM模型的双向综合预测法,可显著减小长期预测中的累计误差对预测结果的影响,提升了预测数据的准确度。与其他两类数据填补方法相比,基于LSTM神经网络的数据填补方法在长期缺失的时间序列数据填补上有较大优势。     

农田灌溉系统监测数据校准和融合技术研究

针对当前农田灌溉缺乏科学技术指导现状,已经出现如大水灌溉等粗放型灌溉现象,水资源浪费问题越加突出。基于物联网的精准农田灌溉系统体系结构,文中提出一种多传感器两级信息校准和融合算法。第一级采用BP神经网络算法校准传感器数据,第二级采用多传感器自适应加权数据融合算法。通过传感器校准和数据融合性能试验对算法有效性进行验证。结果表明,BP神经网络算法提高了数据的准确性,数据融合算法提供良好的数据融合效果,融合后土壤水分的平均相对误差由0.713%降低到0.389%,光照强度的平均相对误差由0.423%降低到0.238%。该研究为我国精准农田灌溉系统的发展提供一定的参考和借鉴。     

基于DOM航空影像单木树冠提取

准确提取单木树冠边界是获取森林数量参数的重要基础，是高分辨率遥感图像林业应用的技术难题。基于DOM航空影像数据源，采用面向对象的方法对研究区内的2个树种的林分进行了单木树冠边界提取研究。首先利用桉树和杉木的空间分布矢量数据对DOM航空影像进行掩膜处理，在掩膜区域内进行多层次多尺度图像分割得到初步树冠分割结果，并剔除非树冠信息；再以树冠信息种子对象为基础，使用区域增长算法对树冠信息种子对象增长得到单木树冠范围；最后使用形态学滤波的方法优化单木树冠边界，完成林区内桉树和杉木两类树种的单木树冠边界提取。结果表明，由于不同树种的树冠存在尺度和形态差异，进行单木树冠分割时需要设置不同的参数才能到达较好的分割效果。本研究中桉树和杉木的单木树冠提取总体精度分别为86.75%与89.21%，可满足林业部门获取森林单木树冠的精度需求。