主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

面向预测的水产养殖物联网数据预处理方法

水产养殖环境因子相互作用关系复杂,且实时采集的数据冗余较多、数据缺失问题时常发生,基于实时数据的预处理方法选择在很大程度上决定了预测精度。因此,提出基于数据修复、特征选择和小波降噪相结合的预处理方法。首先利用线性插值法和均值平滑法修复数据;然后采用系统聚类法和主成分分析法进行特征选择,实现预测模型的输入数据降维;最后使用小波降噪技术处理关键影响因子。使用该方法对基于物联网采集的银鳕鱼养殖池塘氨态氮含量进行数据预处理,其信噪比(SNR)、均方根误差(RMSE)分别为25.888 6、0.044 8。结果表明,该方法满足数据的精度需要,可为水产养殖水质因子预测模型的构建提供良好的数据基础。     

烤烟病害综合防治要点分析

烟草病害是生态环境中威胁烟叶生产的主要自然灾害之一，直接影响烟叶产量和品质，给经济上造成重大损失。只有充分了解和掌握病害发生规律及传染途径，采取综合治理实行预防为主的有效措施，调节作物与环境条件之间的关系，才能在病害防治方面取得明显的效果。     

引入的美国小麦种质主要农艺性状的遗传多样性分析

旨在筛选适宜的小麦杂交亲本。以2015 年引入的51 份美国小麦种质为试验材料,研究了4 个质量性状的频率分布与遗传多样性,分析了9 个主要农艺性状间的相关性、遗传多样性,并以农艺性状为指标,对51 份小麦种质进行了聚类分析。参试小麦种质的株型以直立型为主,穗型以纺锤形为主,芒型以长芒为主,旗叶以下披型为主。产量与有效穗数(0.472**)极显著正相关,与千粒重(0.340*)显著正相关。9 个主要农艺性状间的差异性较大,各性状的变异系数除容重(1.71%)外,均超过了5%,以不孕小穗(55.21%)为最大,参试种质的遗传多样性丰富。Ward 法聚类将51 份种质分为了4 类,其中第1 类群10份种质的千粒重(40.31 g)、有效穗数（656.74 万/hm2）、产量(8718.63 kg/hm2)是4 个类群中最高,可作为重点亲本利用,其余种质可依据类群特征作为改良某一性状的中间材料利用。     

94份国外小麦种质材料的主要农艺性状分析

为筛选优异外源小麦种质材料,分析了94份引进小麦种质的有效穗数、穗粒数、千粒重等7个主要农艺性状的变异情况及它们间的相关性,并以7个主要农艺性状为指标,对94份小麦种质进行了聚类分析。结果表明,除了容重外,94份小麦材料的其他6个主要农艺性状均表现出较大的变异性,以不孕小穗数的变异系数(62.07%)最大;有效穗数、株高与产量的相关性达到极显著水平,有效穗数与千粒重极显著负相关;通过聚类分析,将供试材料分为9个类群,其中第Ⅱ类群的g-1020、g-1043、09A452等6份种质的产量三要素极为协调,产量水平与不孕小穗数也表现较好,可以用作配置杂交组合的亲本。     

柳州市早稻高温热害的时空分布规律

分析柳州市高温热害的发生规律及其与水稻产量波动的关系,为合理安排水稻生产和防御高温热害提供科学参考。利用柳州市8个气象观测站1960—2014年的气象资料,分析高温热害发生频次的时空分布规律。同时,结合柳城县、鹿寨县2003—2016年的早稻统计产量资料,分析高温热害对早稻产量的影响。结果表明,高温热害年际发生规律主要由1960—1980年和1981—2009年两个时段构成,两个时段内都表现先减后增的变化趋势,且轻、中、重和总高温热害频次主要存在着一个1～4年尺度周期变化,集中发生在1980年。研究区高温热害南多北少,但总体频次和强度不大,其中以2010年对柳州市南部早稻产量影响最为明显。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。