Comparison and selection of furrow irrigation models

The capability of hydrodynamic, zero-inertia, kinematic-wave and volume-balance models to predict advance and recession phases in furrow irrigation were compared against two sets of field data, providing a wide range of soil conditions and field slopes. The input parameters required for each model were studied, and a simple sensitivity analysis was performed for field slope, furrow geometry, roughness coefficient, infiltration constants, time step, and discharge. The accuracy of the models' predictions depends on the precision of the measurements and the estimation of the input parameters. Excellent prediction of the advance and recession phases were obtained with hydrodynamic, zero-inertia and kinematic-wave models. Those models therefore are preferred in design and management in furrow irrigation.     

Modeling and error analysis of kinematic-wave equations of furrow irrigation

A moving control volume approach was used to model the advance phase of a furrow irrigation system whereas a fixed control volume was used to model the nearly stationary phase and the runoff rate. The resulting finite-difference equations of the kinematic-wave model were linearized and explicit algebraic expressions were obtained for computation of advance and runoff rate. The solutions for the advance increment and the runoff rate were compared with the nonlinear scheme, the zero-inertia model, and a set of field data. A close agreement was found between the models and the field data. Assuming a constant infiltration rate, a differential equation was derived to estimate the error between the kinematic-wave model and the zero-inertia model in predicting the flow cross-sectional area along the field length. The differential equation and two dimensionless terms were used to define the limits for use of the kinematic-wave model in furrow irrigation.     

点源时间序列数据缺失值的估值不确定性分析——以小流域气象和水文数据为例

【目的】对普遍存在的时间序列缺失值进行有效估值,进而改善时间序列数据的质量。【方法】以亚热带典型小流域长期定位观测的气象(最低气温、最高气温、太阳辐射)及水文(降水量、地表径流量)数据为样本并利用计算机模拟的方法,比较了线性内插法、K-最近邻插值法、多项式插值法、样条插值法和核密度估值法5种估值方法的性能差异,分析了不同取样时间步长(日和月)及不同数据缺失量(1%、5%、10%、15%、20%)条件下对缺失值进行估值的不确定性。均方根误差(RMSE)、绝对值平均误差(MAE)和Pearson相关系数(r)3个交叉验证指标用于评估5种估值方法的性能优劣。【结果】①5种方法估值性能较好,Pearson相关系数为0.62～0.99(P<0.05),且以核密度估值法和多项式插值法的估值性能为优;②数据缺失量和取样步长增加降低了5种估值方法的估值精度;③数据集的变异系数(CV)与估值评估指标(RMSE、MAE及r)显著相关(P<0.05)。【结论】核密度估值法和多项式插值法的估值结果相对更可靠,变异系数是影响估值不确定性的重要因素。     

大坝变形预报模型应用

为更加准确地反映出大坝变形数据的内部规律,及时对大坝稳定性和安全度做出评价并采取有效措施,选择广州市李溪拦河坝为研究对象,搜集了4#静力水准仪2015年9月—2019年3月共753组数据.选取了2015年9月—2017年12月共355组数据作为模型训练集建立模型,2018年1月—2018年12月328组数据作为模型验证集,用于评判模型性能;2019年1月—3月70组数据作为模型测试集,用于模型测试.分别采用逐步回归分析模型和时间序列模型进行建模及验证分析.样本测试集预测结果表明,逐步回归分析模型测试集均方差为0.022、决定系数为0.951;时间序列模型测试集均方差为0.007、决定系数为0.985.表明运用时间序列模型在拟合、预测和误差分析方面优于逐步回归模型.     

基于多目标遗传随机森林特征选择的面向对象湿地分类

以多时相Landsat8影像和SRTM DEM为数据源,对南瓮河流域进行了面向对象湿地分类。为削弱高维特征集对分类精度的影响,提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)进行特征集优化。利用Relief F算法对完整特征集进行特征初选,再以基于随机森林的封装式多目标遗传算法进一步提取优化特征集。将所得特征集结合随机森林分类法提取湿地信息。并将结果分别与基于完整特征集和仅采用Relief F算法及Boruta算法提取的优化特征集的3种随机森林分类结果对比。试验结果表明,采用MOGARF算法特征选择后,特征维度降低至原来的10%,且分类精度最高,总体精度为92.61%,比其他分类方案提高0.35%~1.94%,Kappa系数为0.907 5,袋外误差为7.77%,比其他分类方案降低0.91%~1.48%。利用MOGARF特征选择的随机森林分类法是湿地分类的有效方法。     

基于水分和粒度的土壤有机质特征波长提取与预测模型

为减少水分、粒度对传统方式选取特征波长建立的土壤有机质预测模型的影响,本文提出新的特征波长提取方法。采集中国农业大学上庄实验站土壤样本60份,将样本自然风干后一分为二,一份配成5个粒度梯度（粒径2~2.5mm、1.43~2mm、1~1.43mm、0.6~1mm、0~0.6mm）,另一份过0.6mm筛后配成5个水分梯度（含水率5%、10%、15%、20%、25%）。通过标准仪器分别获取土壤有机质含量真值和土壤光谱信息,使用随机蛙跳算法进行特征波长提取,每个水分、粒度梯度下分别选取7个与土壤有机质含量真值相关性较高的波长作为对应梯度下选取的特征波长,分别建立多元线性回归（MLR）、偏最小二乘（PLS）、随机森林（RF）模型,结果表明：随着含水率增高,3种模型的建模集和预测集决定系数R2基本呈减小趋势;在2~2.5mm粒度梯度下,3种模型的建模集和预测集R2最低,在0~0.6mm梯度下,建模集和预测集R2最高,其余梯度下,建模集和预测集R2接近。结合滤光片带通范围（±15nm）,挑选出水分梯度下相同或者接近的8个土壤有机质特征波长,粒度梯度下选取6个特征波长,最终结合化学键特性在水分梯度和粒度梯度下确定的14个特征波长下剔除了6个,确定8个特征波长：932、999、1083、1191、1316、1356、1583、1626nm。分别建立MLR、PLS、RF模型,结果表明：最终选取的有机质特征波长建立的3种模型建模集R2均不低于0.8、预测集R2均不低于0.75,其中PLS预测效果最佳,建模集、预测集R2分别为0.8809、0.8402。本研究所确定的有机质特征波长建立的模型具有更好的适用性和预测效果,相比于传统方式,一定程度上消除水分、粒度对预测的影响。     

低比转数离心泵叶轮内流场重构与模态分析

针对传统离心泵水力性能优化设计的复杂性,提出采用本征正交分解-径向基函数（POD-RBF）混合代理模型方法对离心泵叶轮内流场进行重构分析。由三次Bezier曲线对低比转数离心泵二维叶片型线进行参数化控制,通过对叶片包角、进出口安放角等控制参数进行适量的扰动得到叶片型线的样本集。由叶片型线参数及叶轮CFD内流场数据构成样本的快照矢量集,根据几何相似及网格变形方法插值得到各相似节点的流场参数,依据本征正交分解法（POD）将快照集分解为一系列正交基的线性组合。由径向基函数（RBF）拟合目标叶型所对应的正交基系数,实现了对目标叶轮内流场的重构。采用POD-RBF方法对MH48-12.5型低比转数离心泵叶轮内流场进行了重构,其压力预测均方根误差为0.84%,速度预测误差基本在0.5m/s以内,流场预测所需时间约为CFD计算的1/240。对样本集进行POD基模态分析,得到了各阶基模态流场特征及能量分布特性。     

基于RF-GRU的温室番茄结果前期蒸腾量预测方法

针对温室番茄无法按需灌溉问题,提出了随机森林(Random forest,RF)结合门控循环单元(Gated recurrent unit,GRU)神经网络的温室番茄结果前期蒸腾量预测方法,并开发了一套基于番茄蒸腾量的智慧灌溉系统.基于物联网实时获取数据,采用RF算法对影响温室番茄蒸腾量的变量进行特征重要性排序,选取作...     

鲜枣可溶性固形物可见/近红外光谱检测建模方法比较

对采摘于一枣园的180个壶瓶枣样本,随机分成150个样本校正集和30个样本预测集。用FieldSpec3光谱仪采集光谱,并进行多元散射校正(MSC)预处理,之后分别利用连续投影算法(SPA)和逐步回归法(SRA)提取特征波长,并结合光谱理论分析确定,再分别基于偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)建立壶瓶枣可溶性固形物含量预测的简化模型和全波段模型。结果表明,全波段PLS模型预测的相关系数和预测均方根误差分别为0.887 4和1.088 9,预测效果最好;建立的MSC-SPA-PLS模型预测的相关系数和均方根误差分别为0.799 0和1.407 8,建立的MSC-SRA-PLS模型预测的相关系数和均方根误差分别为0.822 4和1.3851,与全波段的MSC-PLS相比,精度均降低;建立的MSC-SPA-LS-SVM模型预测的相关系数和均方根误差分别为0.796 3和1.145 8,与全波段的MSC-LS-SVM相比,精度提高;建立的MSC-SRA-LS-SVM模型预测精度很低,不适用。     

基于高斯过程建模的物联网数据不确定性度量与预测

物联网已经成为农业大数据最重要的数据源之一,自动观测数据的质量控制对农业生产分析以及基础科研数据应用非常重要。针对农业物联网观测的一类非平稳时间序列数据中的数据缺失、野值剔除、感知故障预警和长时间预测等问题,采用光滑弱假设高斯先验,构建了基于高斯过程的自回归模型表征的动态系统,并通过样本集学习,形成能考虑噪声干扰的传感变化规律建模,并可提供预测误差带用于预测数据的不确定性度量。针对原始数据的缺失和野值问题,采用基于高斯过程的短期预测,可补齐缺失数据,利用其不确定性度量可甄别数据野值,进行野值剔除与替换,并在此基础上判断感知故障;给出了基于输入数据不确定性传播的多步迭代预测方法,使长期预测仍可以跟踪农业数据的动态轨迹,并可为其预测值提供不确定性度量;将温室采集的真实传感数据用于分析试验,验证了高斯过程用于服务器端的农业时间序列数据采集质量控制的可行性。     

四川省不同SPEI指数计算方法适用性评价

为探究不同参考作物腾发量(ET₀)算法及相应标准化降水蒸散指数(SPEI)在四川省的适用性,针对四川省3个区域(川西高原、川西南山地和川中盆地),利用34个气象站点1967—2016年的气象资料,以Penman-Monteith(PM)法计算的ET₀为标准,对FAO-24Radiation(FAO-Ra)、Priestley-Taylor(PT)、Makkink(MK)、Hargreaves-Samani(HS)、Blaney-Criddle(BC)、World Meteorological Organization(WMO)、Rohwer(Ro)7种方法的ET₀计算结果进行比较,并选取其中综合表现较好的3种方法进行相应的SPEI计算。通过时间序列分析、误差分析、K-S检验及小波分析等方法,探讨各区域不同ET₀算法下的SPEI适用性。结果表明：7种方法在不同区域计算精度差异显著,在川西高原及川西南山地,PT法均方根误差(RMSE)均在99.11 mm以下,大部分气象站点的相对误差(RE)介于-3.8...     

香蕉园机器人导航的激光与超声波组合测距方法研究

在长有小灌木等干扰物和机耕道崎岖不平的复杂香蕉园环境中，机器人定位导航方法有时效果不佳、甚至失效，准确测量机器人与香蕉树的最短距离是实现定位与导航的前提和关键，为此提出一种基于拟合滤波的激光和超声波香蕉树测距方法。首先，在各采样时刻由激光和超声波传感器分别测得机器人到香蕉树的距离数据，并相互校验，生成待测香蕉树的一组距离数据；选择二次多项式以最小二乘法对该组距离数据进行拟合，基于拟合的二次多项式和设定阈值对该组距离数据进行滤波，去除其中偏差较大的距离；最后，对滤波后的距离数据中3个最小值求平均值，以此作为机器人到待测香蕉树的最短距离。实验表明，该测距方法在理想环境下对香蕉树的最大测距误差率为1.0%，在有小灌木等干扰物或者道路崎岖不平的环境以及室外自然场景下最大测距误差率为2.0%，相应的最大测距误差为1.0cm，且测距稳定性良好。     

采用表面增强拉曼光谱技术快速检测脐橙果皮中抑霉唑残留

由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留，不慎食用后会对人体产生危害。因此，本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化，分别确定了最优的检测条件为反应时间2 min，金胶加入量400 μL，NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件，以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares，air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution，SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction，MSC）处理后的6组光谱数据为研究对象，分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression，SVR）模型并对预测性能进行比较后发现，air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set，R_P）最大，预测集均方根误差（Root-Mean-Square Error of Prediction，RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis，PCA）特征提取，选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression，MLR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）三种建模方法分析比较其对应的预测性能，其中SVR模型的预测集R_P可高达0.9156，预测集RMSEP为4.8407 mg/kg，相对标准偏差（Relative Standard Deviation，RPD）为2.3103，表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值，越能有效提高模型预测准确性。试验结果表明，利用SERS结合PCA及SVR建模，可实现对脐橙果皮中抑霉唑残留的快速检测。     

基于图像特征和随机森林的油菜生物量估算

油菜生物量是喂入量和作业质量的主要影响因素,高效、快速地检测油菜生物量是实现油菜收获机自动控制的基础和前提。为研究收获期油菜生物量的影响因素和分布规律,首先利用无人机采集联合收获期油菜的田间可见光图像并实测油菜的生物量信息,提取并构建与油菜生物量有关的32个特征参数,通过相关性分析筛选出与油菜生物量相关性较高的10个显著特征;分别建立基于随机森林（Random forest,RF）、主成分分析（Principal component analysis,PCA）和支持向量机（Support vector machine,SVM）的联合收获期油菜生物量估算模型;利用训练集确定模型参数并优化,利用测试集估算油菜生物量,验证估算模型的性能并比较精度。结果表明：3种模型的评价指标均方根误差（RMSE）、相对误差(RE)和决定系数(R2)分别为0.24 kg/m2、0.04%~22.23%、0.87,0.36 kg/m2、0.92%~21.14%、0.71和0.26 kg/m2、0.28%~34.17%、0.84;对比估算结果可知,基于随机森林的估算模型的RMSE小于PCA和SVM模型,决定系数R2最大且相对误差较小,模型精度和稳定性较优,是估算联合收获期油菜生物量一种较优的方法。基于可见光图像特征和随机森林的油菜生物量估算方法可为油菜联合收割机喂入量自动检测提供方法和参考。     

Errors of kinematic-wave and diffusion-wave approximations for time-independent flows in infiltrating channels

Time-independent (or steady-state) cases of channel flow were treated and errors of the kinematic-wave and diffusion-wave approximations derived for finite flow at the upstream end. The diffusion-wave approximation was found to be in excellent agreement with the dynamic wave representation, with error magnitudes of 0.2% for values of KF ₀ ² 7.5, where K is the kinematic-wave number and f ₀ is the Froude number. Even for small values of KF ₀ ² (e.g., KF ₀ ² =0.75), the errors were typically in the range of 1.3 to 3.7%. The approximate analytical diffusion-wave solution performed poorly with error magnitudes greater than 30% even for large values of KF ₀ ² . The kinematic-wave approximation was also found to be in good agreement with the dynamic-wave representation with errors of about 1.2% for KF ₀ ² =7.5 and varying from 15 to 44% for KF ₀ ² =0.75.     

径向基神经网络在猪胴体瘦肉率预测中的应用

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一,在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前,国内大部分厂家依然采取屠宰后人工称重测量的方法,耗时耗力,且存在相当大的误差。为此,随机抽取了116头皖北地区商品猪,选定眼肌面积、背膘厚及腿臀比作为参考数据,以Mat Lab工具箱作为研究工具,利用BP、Elman和RBF等3种不同的神经网络建立预测模型,统计后进行比较分析。实验表明:3种模型的神经网络均可用于瘦肉率预测,但RBF网络误差最小,训练速度最快,学习能力最强,最适合用于建立瘦肉率的预测模型。     

可移动式苹果内部品质果园产地分级系统

为满足苹果内部品质产地检测分级需求,本研究研发出检测模块和分级模块,构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上,以苹果糖度和霉心病为代表品质指标,提出一种基于乘法效应消除（Multiplicative Effect Elimination,MEE）的光谱校正方法,用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据,分别采用多元散射校正（Multiple Scattering Correction,MSC）、标准正态变量变换（Standard Normal Variate Transform,SNV）和MEE算法对苹果光谱预处理后,建立糖度偏最小二乘回归（Partial Least Squares Regression, PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis,PLS-DA）模型。结果表明,MEE算法相比于MSC和SNV算法建模结果更好,糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration,RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction,RMSEP）分别为0.959、0.430%、0.929和0.592%;霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验,结果表明该系统的分级准确率为90.00%,分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点,可以满足苹果内部品质果园产地检测分级需求。     

基于DeepAR-RELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,DeepAR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24h的池塘空间溶解氧值,均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine,ELM）、径向基神经网络（Radial basis function neural network,RBFNN）、梯度提升回归树（Gradient boosting regression tree ,GBRT）和随机森林（Random forest,RF）4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。     

基于轻量化改进YOLOv5的苹果树产量测定方法

果树测产是果园管理的重要环节之一,为提升苹果果园原位测产的准确性,本研究提出一种包含改进型YOLOv5果实检测算法与产量拟合网络的产量测定方法。利用无人机及树莓派摄像头采集摘袋后不同着色时间的苹果果园原位图像,形成样本数据集;通过更换深度可分离卷积和添加注意力机制模块对YOLOv5算法进行改进,解决网络中存在的特征提取时无注意力偏好问题和参数冗余问题,从而提升检测准确度,降低网络参数带来的计算负担;将图片作为输入得到估测果实数量以及边界框面总积。以上述检测结果作为输入、实际产量作为输出,训练产量拟合网络,得到最终测产模型。测产试验结果表明,改进型YOLOv5果实检测算法可以在提高轻量化程度的同时提升识别准确率,与改进前相比,检测速度最大可提升15.37%,平均mAP最高达到96.79%;在不同数据集下的测试结果表明,光照条件、着色时间以及背景有无白布均对算法准确率有一定影响;产量拟合网络可以较好地预测出果树产量,在训练集和测试集的决定系数R^{\mathrm{2}}分别为0.7967和0.7982,均方根误差RMSE分别为1.5317和1.4021 ㎏,不同产量样本的预测精度基本稳定;果树测产模型在背景有白布和无白布的条件下,相对误差范围分别在7%以内和13%以内。本研究提出的基于轻量化改进YOLOv5的果树产量测定方法具有良好的精度和有效性,基本可以满足自然环境下树上苹果的测产要求,为现代果园环境下的智能农业装备提供技术参考。     

基于响应面法的ISE泥浆直测前处理影响模型研究

系统分析了筛孔尺寸、静置时间、振荡浸提时间3个主要参数对硝酸根离子选择电极检测准确度的影响。首先经单因素试验确定出各参数的调控水平范围,进而基于Box-Behnken原理设计了3因素3水平中心组合试验,利用响应面法建立了以3因素为自变量、平均相对误差RTX-E为响应的回归模型。结果表明：各因素影响次序为静置时间＞振荡浸提时间＞筛孔尺寸;筛孔尺寸和静置时间的耦合作用显著;当筛孔尺寸为2mm、静置时间为1.4h、振荡浸提时间为22min时,模型预测结果较好,验证集土样平均相对误差小于7.5%,可实现对前处理参数影响的分析和预测。