监测采样间隔对作物模型性能的影响研究

为了获得不同监测采样间隔对作物生长模型的影响规律,避免现有研究和应用中存在的主观性或随意性,以番茄叶片蒸腾速率和CO2交换率为对象,采用3 种采样间隔数据及2 种常用方法进行建模、预测和比较研究。研究结果显示,在15、30、60 min的监测采样间隔下,番茄叶片蒸腾速率模型和CO2交换率模型的预测误差是不同的,GA-BP神经网络模型的预测能力普遍优于纯二次回归模型,但两者的结论是一致的,即对蒸腾速率和CO2交换率而言,最合适的监测采样间隔分别为30 min和15 min。本研究结果为监测采样间隔的设定、试验数据的选取和建模方法的运用提供依据,对作物模型研究和应用具有重要意义。     

基于无人机平台和图像分析的田间作物检测

为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。     

GEP优化的多输出RBF网络作物生理参数建模

针对常用的回归和神经网络作物建模方法存在的输出单一、参数优化困难和预测精度不足等问题,利用基因表达式编程优异的全局搜索能力和RBF神经网络多输出任意非线性函数逼近特点,设计了1种GEP优化的RBF多输出模型算法GEP-RBF。以水稻和番茄的5个关键环境因子为输入、以叶片CO_2交换率和蒸腾速率为输出,进行建模验证。结果显示,在预测的均方根误差指标上,GEP-RBF模型与GA-RBF和RBF相比,水稻的CO_2交换率和蒸腾速率分别降低了约28.4%、38.0%和89.9%、62.8%,番茄的CO_2交换率和蒸腾速率则分别降低了约56.9%、48.4%和75.3%、67.1%;在多输出结果的平衡性指标上,相比GA-RBF和RBF,GEP-RBF模型提高了约16.4%~77.4%。结果表明,GEP-RBF模型具有良好的预测精度和多输出平衡性,是一种有效的作物生长建模方法。     

基于基因表达式编程的番茄叶片CO2交换率建模与预测

针对现有作物生长建模方法存在的不足,引入基因表达式编程算法,开展番茄叶片CO₂交换速率与主要环境因子关系的建模和预测研究。采用基因表达式编程算法建立番茄叶片CO₂交换速率模型,并将该模型与经典的回归模型及神经网络模型进行预测性能比较。经过3组数据的实验和对比,结果显示,基因表达式编程模型具有最高的预测精度和最佳的预测时效性,同时该算法的复杂度与神经网络相当。研究表明,基因表达式编程算法是一种性能良好的作物建模工具,可作为现有方法的补充。