基于BP神经网络算法的温室番茄CO2增施策略优化

CO2浓度是植物光合作用的主要原料之一,确定植株生长阶段的最适CO2浓度需求量,对日光温室内CO2浓度调控具有重要意义。以开花期番茄植株为研究对象,将定植后的番茄分为4个CO2浓度梯度处理组,其中,C1、C2、C3处理组CO2增施摩尔比分别为(700±50)、(1 000±50)、(1 300±50)μmol/mol,CK处理组为温室内自然状态下CO2摩尔比(约450μmol/mol)。实验利用无线传感器网络节点实时监测温室环境因子,包括空气温湿度、光照强度和CO2浓度;利用LI-6400XT型便携式光合速率仪进行光合日动态和环境因子交互影响实验测定。光合日动态组间差异性研究表明,对开花期番茄增施1 000~1 300μmol/mol的CO2时,可使番茄单叶净光合速率提高约37.13%~40.42%。以环境因子为输入参数,建立基于BP神经网络的光合速率预测模型,用于不同CO2浓度梯度下的光合日动态预测。结果表明,模型训练集和测试集的相关系数分别为0.98和0.93,预测精度较高;C1、C2、C3和CK处理组的日动态预测相关系数分别为0.96、0.94、0.78和0.96,与实测结果吻合度较高且相对误差较小,因此该模型可以为可变环境下的番茄光合日变化动态预测提供依据。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数，一直是气候变化和生态研究中的热点，遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象，以机载LiDAR和Landsat8/OLI为信息源，结合44块样地实测数据，使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上，进一步构建区域尺度的LAI反演模型，实现景洪市橡胶林LAI的反演。结果表明，基于LiDAR的林分水平模型中，SVR模型最优，决定系数（R²）为0.76，相对均方根误差（rRMSE）为17%，估测精度（P）为83%；以SVR模型估测结果作为区域尺度遥感反演模型的先验样本，结合Landsat8/OLI数据的BP神经网络模型反演效果最好，估测精度达76%。     

柴达木地区枸杞种植区遥感提取方法对比研究

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。     

基于模糊神经网络集成的土壤资源评价性能的改进

Land evaluation factors often contain continuous-, discrete- and nominal-valued attributes. In traditional land evaluation, these different attributes are usually graded into categorical indexes by land resource experts, and the evaluation results rely heavily on experts＇ experiences. In order to overcome the shortcoming, we presented a fuzzy neural network ensemble method that did not require grading the evaluation factors into categorical indexes and could evaluate land resources by using the three kinds of attribute values directly. A fuzzy back propagation neural network （BPNN）, a fuzzy radial basis function neural network （RBFNN）, a fuzzy BPNN ensemble, and a fuzzy RBFNN ensemble were used to evaluate the land resources in Guangdong Province. The evaluation results by using the fuzzy BPNN ensemble and the fuzzy RBFNN ensemble were much better than those by using the single fuzzy BPNN and the single fuzzy RBFNN, and the error rate of the single fuzzy RBFNN or fuzzy RBFNN ensemble was lower than that of the single fuzzy BPNN or fuzzy BPNN ensemble, respectively. By using the fuzzy neural network ensembles, the validity of land resource evaluation was improved and reliance on land evaluators＇ experiences was considerably reduced.     

基于光谱分析的土壤游离铁预测研究

土壤游离铁含量的高低可作为土壤系统分类中判断土壤类型的诊断指标,同时也对土壤风化程度具有指示作用,并在一定程度上反映了土壤的成土环境。本研究调查了安徽宣城的91个土壤剖面,共398个土壤样品,采集了样品在350~2500 nm波段的漫反射光谱数据,并对游离铁含量进行化学分析。光谱数据包括反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。本文采用偏最小二乘回归算法(PLSR)和反向神经网络(BPNN)建模预测游离铁含量,并分析不同形式光谱数据的建模预测效果。结果表明:当存在游离铁20 g/kg的样本时,传统建模方法不能准确预测游离铁含量(R20.6,RPD1.5),相对R和Log(1/R)两种光谱数据,以FDR作为自变量建模预测游离铁含量的效果最差。     

冬小麦产量结构要素预报方法

为优选出最佳的冬小麦产量结构要素预报方法,该研究选择冬小麦成穗数、穗粒数及千粒质量为预报目标,综合考虑种植品种、密度及地区因子,并对气象因子进行膨化统计,得到126个自变量因子,分别采用多元线性回归、因子分析-线性回归及BP(Back Propagation)神经网络等3种方法进行建模分析。结果表明,直接采用各因子进行回归分析无法解决不同自变量间存在的多重共线性问题,而因子分析虽然消除了不同自变量间的多重共线性,但采用因子优化后的10个综合因子分别对3个产量结构要素进行线性回归,得到的预报模型决定系数(R^2)均不足0.500。运用BP神经网络对冬小麦3个产量结构要素进行预报,结果发现,当输入层为126、隐含层为16、输出层为3时,BP神经网络结构最佳,在此结构下,模型的决定系数为0.644,明显优于多元线性回归及因子分析-线性回归法。同时,基于BP神经网络模型对冬小麦产量结构要素的预报精度平均达85.3%。因此,推荐采用BP神经网络模型对冬小麦产量结构要素进行预报。     

自然光照条件下苹果识别方法对比研究

针对自然光照条件下果园苹果识别效果不佳的问题,从苹果的颜色分割和形状提取2方面进行对比研究,提出一种自然光照条件下的苹果识别方法。利用错检率、漏检率和处理速度3个量化指标综合对比分析颜色阈值、SVM和BPNN 3种苹果颜色分割方法的处理效果。比较6种边缘检测算法对苹果区域图像的边缘检测效果,并使用Hough圆检测算法对苹果形状进行提取,以获得苹果的圆心和半径。试验结果表明:由BPNN的苹果颜色分割方法以及结合Log和Hough的苹果形状提取方法所构建的果实识别算法具有较高的鲁棒性和准确性,能有效克服果实遮挡、重叠和颜色变异等问题,果实平均识别率可达91.6%。     

基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型

针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题,提出了一种以误差反向传播算法神经网络(back-propagation neural network,BPNN)为核心,平均影响值法(mean impact value,MIV)为数据预处理方法,粒子群算法(particle swarm optimization,PSO)为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系,使用实地采集的颗粒饲料生产数据对模型进行训练和测试,测试结果显示实际值与模型预测值呈显著正相关,决定系数R2均在0.94以上;平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平,各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本BPNN模型预测结果对比可以发现,MIV-PSO-BPNN预测模型预测性能有显著提升,各输出误差优化幅度从39.55%~91.80%不等,平均优化幅度分别达到84.99%和56.95%;同时相对误差变化趋势图显示MIV-PSO-BPNN预测模型具有更优的预测稳定性,相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路,可为饲料行业高效低耗生产提供理论依据。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

一种基于BPNN的智能巡检异常预测模型的研究

在传统网络巡检方法中,网络异常发现主要基于单一参数进行阈值触发,误报率较高,效率低.为了高效准确地发现网络异常,提出了一种基于BPNN的网络异常预测模型.首先对采集系统采集的数据进行特征提取和初始化处理;然后,将初始化后的数据作为神经网络样本进行训练,根据误差阈值调整网络参数,确定网络结构;最后,在Matlab环境下进行仿真实验,将提出的BP神经网络模型用于网络异常预测,结果表明本文提出的方法对网络异常预测有较高的预测率.