采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

樱桃番茄运输包装件振动冲击性能试验

针对目前樱桃番茄储运过程中主要包装形式以及造成破损的情况,选择典型运输包装件,进行了正弦扫频、堆码强度、堆码扫频振动传递性能、垂直冲击和跌落试验。通过对单件包装件的扫频振动试验,测出单件的固有频率为26.61Hz;通过堆码强度试验,测出了包装件的最大堆码层数为9层。通过9层堆码扫频振动传递性能试验确定了底层、中间层和顶层包装件的固有频率分别为36.61、10.76和6.44Hz,得到了各层包装件振动加速度、振动传递率随时间的变化曲线,并探讨了固有频率和振动传递率峰值与堆码高度之间的关系。在此基础上,通过垂直冲击试验,测出了产品的脆值为89.58;通过跌落试验,测出了包装件最大允许跌落高度为580mm。     

垃圾堆放场周边土壤重金属含量的分析及污染评价

土壤重金属污染日益受到关注,重金属是垃圾渗滤液的主要成分之一。本文对苏北某市的一废弃垃圾堆放场周围的农田土壤进行分析,通过测定重金属的全量以及有效态含量来评价垃圾场的污染程度。结果表明垃圾场周边农田土壤Cd含量超过国家土壤质量二级标准,说明垃圾场周围的土壤可能存在重金属Cd的农产品污染风险。Hg、As、Pb、Cr四种元素的含量均高于非污染土壤,但都未超过土壤质量二级标准。随着距离的增加土壤重金属含量呈现出减少趋势,垃圾堆放点对周边大约150m范围内的土壤产生重金属污染。     

基于高光谱和集成学习的库尔勒香梨黑斑病潜育期诊断

黑斑病是危害库尔勒香梨的真菌病害之一。若在黑斑病症状显证之前实现早期诊断,对于防止病害蔓延、减少经济损失具有重要的意义。结合高光谱成像技术和Stacking集成学习算法,构建了香梨黑斑病早期快速诊断模型。获取了健康、潜育期、轻度发病和重度发病的黑斑病库尔勒香梨的高光谱图像,提取感兴趣区域内的平均光谱,经标准正态变量变换、一阶导数、二阶导数及组合预处理后,利用主成分分析进行数据降维。然后,以K最近邻法(KNN)、最小二乘支持向量机(LS-SVM)和随机森林(RF)算法为基学习器,以LS-SVM为元学习器,构建了黑斑病病害程度的Stacking集成学习预测模型。结果表明,随着病害程度加深,光谱反射率整体呈下降趋势,且存在显著性差异,为分类模型的建立提供了理论依据。所建模型对健康和不同病害程度黑斑病库尔勒香梨的总体判别准确率为98.28%,对潜育期香梨的判别准确率为100%。与利用单一分类器建模结果相比,总体判别准确率和潜育期香梨判别准确率分别上升5.18、23.08个百分点。结果证明,Stacking集成学习具有较强的特征学习能力,将其与高光谱成像技术结合,能实现库尔勒香梨黑斑病潜育期的识...     

花椰菜实用预冷保鲜技术研究

对花椰菜各种预冷方式进行了比较。结果表明,差压预冷法预冷效果最好,模拟运输后可最大限度地保持花椰菜的新鲜度,样品几乎无散花、变黄及腐烂现象。     

堆放时间对西兰花尾菜青贮品质的影响

为提高西兰花尾菜的饲料化利用程度，本试验探究了西兰花尾菜在自然堆放条件下的饲用品质，青贮后的发酵品质、微生物动态以及硝酸盐和亚硝酸盐含量。试验设置堆放0 d （T0）、1 d （T1）、2 d （T2）和3 d （T3）共4个处理，青贮30、60、90 d时进行发酵品质分析。结果表明，随着堆放时间的延长，尾菜非结构碳水化合物含量持续下降（P<0.05）。随着青贮时间的延长，氨态氮/总氮、乙酸含量升高（P<0.05）、乳酸含量变化不显著（P>0.05），V-Score和Kaiser得分均呈降低趋势，T3得分最低。综合各项指标可知：采用堆放时间为0~2 d的西兰花尾菜青贮30~60天可获得发酵品质较优良的青贮饲料。     

基于集成学习和近红外光谱的玉米种子含水率预测方法研究

针对传统化学方法测定玉米种子含水率存在工序复杂、周期长、成本高等问题,提出一种基于集成学习算法和近红外光谱技术的快速、无损预测玉米种子含水率的方法。以‘陕科9号’等8个品种的320份玉米种子作为研究对象,用近红外光谱仪（Antaris Ⅱ型,美国Nicolet公司）采集玉米种子的近红外漫反射光谱。统一采用偏最小二乘回归（Partial Least Squares Regression,PLS）方法对比分析SG平滑滤波（Savitzky-Golay,SG）结合4种光谱预处理方法对玉米种子近红外光谱的预处理效果,发现Savitzky-Golay方法结合多元散射校正法去噪效果最优。采用竞争性自适应重加权算法（CARS）进行特征波长的提取,前7个光谱特征的累计贡献率超92%以上。以GBDT（Gradient Boosting Decision Tree,梯度提升决策树）、RF（Random Forest,随机森林）、XGB（或XGBoost,Extreme Gradient Boosting极端梯度上升）作为基础模型,采用Stacking作为融合策略,建立Stacking集成学习模型。预处理后的数据,提取前7个主成分作为特征向量,用直接干燥法得到这些种子的含水率作为标签,分别训练4种玉米种子含水率预测模型,对比分析该4种模型的性能指标,Stacking集成模型经过2 163次训练后预测相关系数R_P=0.939 1,相对分析误差PRD=2.91。结果表明,Stacking集成模型融合了GDBT、RF、XGB 3个基础模型的优势,精度高,收敛特性好,泛化能力强,为玉米种子含水率快速、无损的测定提供了新的思路。     

基于Stacking集成学习的夏玉米覆盖度估测模型研究

以基于无人机多光谱影像提取的夏玉米植被指数作为特征变量,利用皮尔森相关系数结合随机森林反向验证权重的方法进行特征选择,去除冗余特征。以随机森林、梯度提升树、支持向量机和岭回归作为初级学习器,以岭回归作为次级学习器,建立基于Stacking集成学习的夏玉米覆盖度估测模型,并通过5折交叉验证进一步提升模型泛化能力,采用随机搜索和网格搜索结合的方法对模型超参数进行优化,使用4种回归指标进行模型精度评价,并利用次年数据验证其鲁棒性。结果表明,与单一模型以及决策树、Xgboost、Adaboost、Bagging集成框架相比,Stacking集成学习模型具有更高的精度和更强的鲁棒性,R2为0.9509,比单一模型平均提升0.0369,比其他集成模型平均提升0.0417;Stacking集成学习模型RMSE、MAE和MAPE分别为0.0432、0.0330和5.01%,各指标分别比单一模型平均降低0.0138、0.0130和2.14个百分点,分别比其他集成模型平均降低0.0185、0.0126和2.15个百分点。本研究为夏玉米覆盖度估测提供了新的方法。     

基于多源数据和Stacking-SHAP方法的山地丘陵区土地覆被分类

山地丘陵区地形复杂,地表辐射信号畸变严重,地物识别困难。为准确提取山区地物信息,结合多源异构数据,Stacking 集成学习和Shapley Addictive Explanation（SHAP）方法展开土地覆被分类研究。从Sentinel-1/2影像、气候数据、土壤数据和数字高程图中提取遥感、气候、土壤和地形四类特征变量,设计多种变量组合方案,结合Stacking算法,探讨不同类型变量在山区地物识别中的效用,并对比Stacking最佳方案与支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和极端梯度回归（eXtreme Gradient Boosting,XGBoost）算法的分类精度,评价Stacking方法在山区地物信息提取中的性能。同时,引入SHAP方法,量化Stacking模型中各特征变量的重要性。结果表明：在仅以遥感变量为基础方案时,山区土地覆被分类精度最低;在分别加入气候、土壤和地形变量后,总体精度、Kappa系数和F1分数均有所提高,其中旱地、水田和园地分类精度的提升幅度较大。基于Stacking算法结合所有类型特征变量的方案达到了最佳的分类精度,其总体精度、 Kappa系数和F1分数分别为96.61%、0.96和94.81%,分类精度优于相同特征下的SVM、 RF和XGBoost。SHAP方法可量化Stacking模型中特征变量的全局以及局部重要性,明确各变量对不同地物类型识别的相对贡献,为山区土地覆被分类的变量选择及优化提供有价值的信息。该研究为机器学习协助复杂景观地区土地覆被制图研究提供了技术支持和理论参考。     

Stacking集成模型模拟膜下滴灌玉米逐日蒸散量和作物系数

为准确模拟膜下滴灌玉米逐日蒸散量和作物系数,该研究以4个经典机器学习模型:随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、BP神经网络(Back Propagation Neural Network,BP)和Adaboost集成学习模型(Adaboost,ADA)为基础,基于Stacking算法建立了集成学习模型(Linear Stacking Model,LSM)对膜下滴灌玉米逐日蒸散量和作物系数进行模拟。并将LSM的模拟精度与RF、SVM、BP和ADA模型的模拟精度相比较,结果表明:1)RF、SVM、BP和ADA模型模拟膜下滴灌玉米的逐日蒸散量和作物系数时的相对均方根误差均大于0.2;2)相比RF、SVM、BP和ADA模型,LSM模型提高了玉米逐日蒸散量和作物系数模拟精度。LSM模拟的膜下滴灌玉米的作物系数相比于FAO推荐值更接近实测值;3)日序数、平均温度、株高、叶面积指数和短波辐射5个特征对玉米膜下滴灌玉米日蒸散量和作物系数影响最高,基于这5个特征建立的LSM模型模拟膜下滴灌玉米的蒸散量和作物系数的R2分别为0.9和0.89,相对均方根误差分别为0.23和0.16。因此,建议在该研究区使用日序数、平均温度、株高、叶面积指数和短波辐射5个特征参数建立LSM模型模拟膜下滴灌玉米蒸散量和作物系数。该研究可为高效节水条件下作物蒸散量和作物系数的精准模拟和合理制定灌溉制度提供参考。