基于趋化-改进粒子群算法的SVR光合速率预测模型

针对回归型支持向量机(SVR)参数选取影响模型性能的问题,提出融合细菌觅食算法趋化操作的改进粒子群混合算法(C-IPSO),以优化SVR的惩罚参数和核参数。同时,为了实现对温室环境的精细控制,结合温室作物生长环境因子,建立一种基于趋化-改进粒子群算法优化的回归型支持向量机温室光合速率预测模型。以温室番茄幼苗期、开花期、结果期为例,与支持向量机和基本粒子群算法优化的支持向量机分别建立的模型进行实验对比。结果发现：建立的三个生长期光合速率预测模型的光合速率实测值和预测值的决定系数分别为0.954 8、0.985 4和0.951 5,均比另外两个预测模型更接近于1,表明该模型预测效果均更佳,并证明了所提算法的有效性,为指导温室环境根据作物光合需求进行精准调控提供了理论基础。     

基于DE-SVR的经济效益综合评价模型

为了对经济效益做出客观准确的评价,提出基于差分进化算法的支持向量回归机评价模型。以误差平方和最小为准则,用差分进化算法对支持向量回归机参数进行优化选择,然后利用改进的支持向量机对经济效益进行综合评价。试验结果表明,该模型能从整体上准确、客观地反映经济效益情况,评价结果更符合实际,更加科学合理。     

Experiment Investigation on Separating Characteristic for Heavy Metal in Cumulate MSW Under 135 Meters Submersed Area of Three-gorge Reservoir

The separating characteristic of element in cumulate MSW is a very important base to investigate the synthetically managing technology and estimate the water environment effects in Three Gorge Reservoir (TGR). The experiment to marinate the cumulate MSW under 135 meters for TGR in water is finished, and the same time, the Separating Distributing Coefficient (SDC) and the Separating Velocity Rate (SVR) of each heavy metal in water are presented, too. The experiment results show that the SDC of Cd is the smallest, the Ratio for Water and MSW (RWM) and marinating time play an important role in SDC and SVR, the SDC and SVR change smaller while the RWM get to 400, the separating content of heavy metal can reach 0.75 during three weeks, SVR decreases more with marinate time's increasing, and SVR gets an limit value with smaller RWM. The results can be a base for deeply studying the managing technology and the cumulate MSW under 135 meters for TGR.     

Distribution of Campylobacter jejuni isolates from turkey farms and different stages at slaughter using pulsed-field gel electrophoresis and flaA-short variable region sequencing

The aim of this study was to assess the diversity of thermotolerant Campylobacter spp. isolated from turkey flocks at six rearing farms 1-2 weeks prior to slaughter (360 faecal swab samples) and from 11 different stages at the slaughterhouse (636 caecal, environmental, neck skin and meat samples). A total of 121 Campylobacter isolates were identified to species level using a multiplex PCR assay and were typed by pulsed-field gel electrophoresis (PFGE) and flaA-short variable region (SVR) sequencing. All Campylobacter isolates were identified as Campylobacter jejuni. PFGE analysis with KpnI restriction enzyme resulted in 11 PFGE types (I-XI) and flaA SVR typing yielded in nine flaA-SVR alleles. The Campylobacter-positive turkey flocks A, C and E were colonized by a limited number of Campylobacter clones at the farm and slaughter. The present study confirms the traceability of flock-specific strains (PFGE types I, V and IX; flaA types 21, 36 and 161) from the farm along the entire processing line to meat cuts. It seems that stress factors such as high temperature of the defeathering water (54-56 °C), drying of the carcass skin during air chilling (24 h at 2 °C), and oxygen in the air could not eliminate Campylobacter completely. Campylobacter-negative flocks became contaminated during processing by the same subtypes of Campylobacter introduced into the slaughter house by preceeding positive flocks even if they were slaughtered on subsequent days. Proper and efficient cleaning and disinfection of slaughter and processing premises are needed to avoid cross-contamination, especially in countries with a low prevalence of Campylobacter spp. The majority of flaA SVR alleles displayed a distinct association with a specific PFGE type. However, a linear relationship for all strains among both typing methods could not be established. To specify genetic relatedness of strains, a combination of different genotyping methods, is needed.     

基于室内高光谱数据的多种类型土壤有机质估算模型比较

基于高光谱数据的土壤有机质反演是土壤遥感及精准农业的重要研究内容,然而不同的光谱处理及建模方法使得模型的估算能力及精度差异明显,限制了模型之间的通用性。为了构建陕西省土壤有机质含量估算的最优模型,以陕西省9种主要土壤类型的216个土样的光谱反射曲线和土壤有机质含量为数据基础,将光谱反射曲线进行一阶微分d(R)、倒数对数log(1/R)、倒数对数一阶微分d[log(1/R)]和包络线去除N(R)4种变换,结合一元线性回归(SLR)、偏最小二乘回归(PLSR)和支持向量机回归(SVR)3种建模方法构建了不同的土壤有机质含量估算模型。结果显示:不同类型土壤的反射光谱曲线总体态势基本一致,吸收特征位置基本相同,且土壤有机质含量与光谱反射率呈负相关态势;基于d [log(1/R)]光谱变换构建的SVR估算模型精度最高,建模集和验证集的判断系数(R~2)分别为0.9210、0.8874,验证均方根误差(RMSE)为2.18,相对分析误差(RPD)达到2.8751,是估算陕西省土壤有机质含量的最优模型,PLSR次之,SLR最差。     

基于ALS数据和哑变量技术森林蓄积量估测

基于机载LiDAR数据,分析哑变量对林分蓄积量估测精度的影响。以广西高峰林场为研究对象,借助机载激光雷达点云数据和96个样地数据,将样地数据按7∶3的比例随机划分为建模样本和测试样本,采用随机森林模型(RFR)和支持向量机模型(SVR)对建模样本与对应的点云特征回归建模,将树种组(针叶林和阔叶林)和龄组分别作为哑变量引入到回归模型。利用测试样本的估测精度评价模型的估测精度,引入树种组哑变量,随机森林模型决定系数R2从0.59提高到0.64,支持向量机模型决定系数R2从0.49提高到0.50。引入龄组哑变量,随机森林模型决定系数R2从0.59提高到0.65,支持向量机模型决定系数R2从0.45提高到0.55。根据模型的建模精度和验证精度结果得出,引入哑变量对蓄积量估测模型的精度提升是相对有效的。龄组哑变量对模型精度提升效果优于树种组哑变量。     

基于SVR算法的小麦冠层叶绿素含量高光谱反演

为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。     

基于主成分、聚类与SVR组合算法的森林生物量估算方法研究

以孟家岗林场二类清查数据为基础,对1371个小班的11项指标进行主成分分析,并采用系统聚类法对小班进行分类,进而利用支持向量回归算法分别进行生物量模型训练.结果表明：7个主成分指标可反映87.995％的生物量信息;1371个小班可分为5类,各类训练模型的预测精度均在89％以上,且均以v-SVR模型为最优.在得到的5类生物量训练模型基础上估算林场森林乔木层生物量,无需分起源、树种、立地类型,能够在保证生物量估算精度的同时,大大减少工作量,可为区域生物量的估算提供一种新的方法.     

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%。     

ARIMA-SVR组合模型在基于标准化降水指数干旱预测中的应用

开展干旱预测是有效应对干旱风险的前提基础,本研究利用1951—2017年河南省郑州气象站点逐日降水量数据计算多尺度标准化降水指数(SPI),并建立了SPI序列自回归移动平均模型(ARIMA)和自回归移动平均与支持向量机回归组合模型(ARIMA-SVR),对模型参数进行率定和验证后,利用所建立的模型对河南省郑州气象站点多尺度SPI值进行预测。借助均方根误差(RMSE)、平均绝对百分比误差(MAPE)对回归预测模型的有效性进行判定。结果表明:ARIMA-SVR组合模型在SPI1(1个月)和SPI12(12个月)的RMSE值分别为80.05和0.74,均低于ARIMA模型的92.25和1.24,说明ARIMA-SVR组合模型与单一的ARIMA模型对SPI的预测精度都与该指数的时间尺度长短有关,都随时间尺度的增加而逐渐提高;SPI12的两种模型预测精度均高于SPI1、SPI3(3个月)和SPI6(6个月)的预测精度。用实测数据与模型的预测数据相比较说明ARIMA-SVR组合模型相比于单一ARIMA模型预测精度更高,且能够很好拟合不同时间尺度的标准化降水指数。