基于双阶段注意力机制和LSTM的鸡舍氨气浓度预测算法

为寻求准确的鸡舍氨气浓度预测方法,构建基于双阶段注意力机制和长短时记忆神经网络(Long shortterm memory,LSTM)的鸡舍氨气浓度预测模型,将该模型应用于山东省商河县某蛋鸡养殖场,采集二氧化碳(CO_2)、氧气(O_2)和氨气(NH_3)的体积分数,细颗粒物(PM_(2.5))质量浓度,温度,相对湿度时间序列数据对模型进行验证,并与支持向量回归(Support vector regression,SVR)、人工神经网络(Artificial neural network,ANN)模型和无注意力机制的LSTM模型对比研究。结果表明:1)不同时间窗口T下NH_3体积分数预测精度不同。T∈{2,3,4,8}时,均方根误差(Root mean square error,RMSE)分别为0.433 4,0.394 8,0.379 9和0.405 1μL/L,平均绝对误差(Mean absolute error,MAE)分别为0.267 4,0.262 9,0.228 9和0.272 4μL/L;2)基于双阶段注意力机制和LSTM的鸡舍NH_3浓度预测模型在RMSE和MAE评价指标框架下优于SVR、ANN和无注意力机制的LSTM模型。基于双阶段注意机制和LSTM的模型能较好地对鸡舍氨气浓度进行预测,可为鸡舍氨气浓度预测及调控提供技术支持。     

水稻栽培技术对稻米品质的影响

水稻是我国三大农作物之一,在维护国家粮食安全方面发挥着不可替代的作用。有大量研究表明,水稻栽培技术、栽培措施会对稻米质量产生一定影响。为了切实提高水稻的产量和品质,保证水稻更好更快的生长,需要应用合理的栽培技术。基于此,本文结合实际工作经验,分析了水稻栽培技术对稻米品质产生的影响,希望通过本次研究对进一步完善水稻栽培技术有一定帮助。     

深度学习在大田种植中的应用及展望

深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。     

金龟子绿僵菌等生物药剂飞防水稻虫害效果试验

本文针对金龟子绿僵菌等生物药剂飞防对水稻虫害的效果开展了试验。结果表明,甲氨基阿维菌素苯甲酸盐+金龟子绿僵菌CQMa(421)+高浓缩有机硅、短稳杆菌+高浓缩有机硅、金龟子绿僵菌CQMa(421)+高浓缩有机硅生物药剂处理均对螟虫和稻飞虱有较好的防治效果和增产效果,其中,甲氨基阿维菌素苯甲酸盐27mL/667m2+金龟子绿僵菌CQMa(421)80mL/667m~2+高浓缩有机硅处理每667m~2实际产量652.9kg,较空白对照增产29.3%,值得大面积示范推广。     

农业工程学科近20年中外研究进展及趋势演化——基于文献计量和社会网络分析视角

采用文献计量和社会网络分析的方法,将1997—2016年划分为3个阶段(1997—2005年,2006—2012年,2013—2016年),以农业工程领域9个重要英文期刊和2个重要中文期刊数据为样本,分析并比较国内外农业工程领域研究进展及趋势演化。结果显示,1997—2005年,国内外研究关注重点均为精细农业,采用的主要技术有神经网络、图像分析和处理、地理信息系统、机器视觉、模型、仿真模拟、遥感等,其后2个阶段国外农业工程领域研究对农业工程技术的关注度逐渐下降,对研究领域的关注逐渐提升,国内研究对农业工程技术的关注较高且相对稳定;国外的研究领域更关注生物相关领域,如精油、抗氧化活性、木质素,国内研究集中在温室、冬小麦、水分利用效率、农业机械化、水稻、车辆、玉米、保护性耕作、土地整理和土地利用、土壤、灌溉、产量等领域;国内外农业工程研究中关键词网络集聚系数变化趋势相反,国内在农业工程研究领域的重点趋向集中和一致,以农业机械、土地利用和土壤为重点,而国外研究领域则趋向分散。