基于BP神经网络的农田大气氨浓度预测

农业源氨排放是大气氨最主要的来源,其中氮肥施用是最主要的农业氨排放源之一。预测大气氨浓度的变化,确定影响大气氨排放的因素,可为科学管理农田,减轻环境污染提供参考。本文利用BP神经网络分析农田大气氨浓度及与各气象因素的关系,以便清晰地了解农田大气氨浓度的变化规律,为研究农田大气氨提供一种新的思路与方法。首先选取2015年5—10月的农田大气氨浓度数据及气象监测数据,建立以气象因素（气压、气温、相对湿度、降水量、风速和日照时数）为输入变量,农田大气氨浓度作为输出变量的预测模型。其次采用主成分分析法筛选出对农田大气氨浓度影响较大的气象因素,分别为气温、相对湿度、降水量和风速,然后把筛选出的4个主要因素和原来的6个因素分别作为BP神经网络预测模型的输入变量,利用神经网络模型对农田大气氨浓度进行预测。结果显示,农田大气氨浓度的实际值为0.148 5 mg·m^-3,4个因素的预测值为0.159 4 mg·m^-3,6个因素的预测值为0.173 2 mg·m^-3,预测误差分别为7.35%、16.65%,并且4个因素的预测相对误差为1.4%~27.0%,而6个因素的预测相对误差为1.1%~45.0%。预测的农田大气氨浓度在前5 d内变化较大,但随着时间的推移,农田大气氨浓度逐渐变小趋于平缓,且预测值与实际值的变化趋势基本相符。利用4个因素作为输入变量建立预测模型,预测得到的农田大气氨浓度值比6个因素作为输入变量得到的农田大气氨浓度值与实际值更吻合,相对误差值较小。可见,通过主成分分析法去除冗余因素后建立的神经网络模型更加有效,预测结果比筛选之前的预测效果更好,所建立的模型对甄选关键因素具有较好的适用性,并且神经网络预测模型对农田大气氨浓度的预测精度较高。本文构建的农田大气氨浓度预测模型可为农田大气氨浓度分析及相关研究提供方法和思路上的指导。     

基于遗传神经网络的黑龙江浅表地层水分预测

针对BP神经网络预测土壤墒情容易出现较大空间内存在局部极值点的问题,采用GA算法对BP网络进行优化,根据大豆作物在不同生长阶段的根系分布及吸水情况,划分3个不同发育阶段,5个地层深度,建立3种对应的土壤含水量遗传神经网络预测模型,并应用于黑龙江垦区红星农场大豆田间土壤水分预测,分别对3种模型的整体预测误差进行了分析,2009年大豆播种前期及其全生育期土壤体积含水量预测的平均绝对误差为1.83%,能较好地反映大豆田间土壤水分具体情况,为大豆节水灌溉与管理提供可靠的科学依据,该预测方法亦可为寒地大豆或其他农作物田间土壤水分预测提供借鉴。     

巴基斯坦小麦条锈病群体遗传多样性及与其寄主抗性关系

小麦条锈病(Puccinia striiformis f.sp.tritici)在世界上是小麦的重要病害,每年会不同程度的爆发和流行,对全世界粮食安全构成了严重威胁。而对病原菌越夏地区群体遗传结构研究及其越冬、越夏区划的确定,对病害的预测预报具有重要意义。小麦条锈菌常在越夏阶段通过异核作用或基因突变产生新的毒性小种,自身的毒性发生改变并形成潜在威胁,条件一旦成熟并遇上数量足够的感病寄主,就会爆发上升成为主要致病小种,这是引致小麦品种抗条锈性"丧失"的主要原因,也是一般     

用Fuzzy综合决策模型预测小麦条锈病发生程度

根据菏泽地区１９７３～１９９５年小麦条锈病资料及相关的气象资料，采用列联参数构成Fｕｚｚｙ矩阵，列联系数或等级相关系数构成Fｕｚｚｙ向旦，建立了Fｕｚｚｙ综合决策模型。经检验，该模型历史拟合率极高，试报准确，具有较强的实用价值。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

遥感与气象数据结合预测小麦灌浆期白粉病

利用多源数据对区域尺度上小麦白粉病的发生状况准确及时地预报能为农业服务和农业植保等部门提供重要信息,实现小麦白粉病的有效预防。研究利用一景2014年5月6日的landsat8遥感影像提取出植被指数、地表温度(land surface temperature,LST)和影像中各波段反射率特征,同时用2014年3月-5月份的站点逐日地面气象资料计算获得各气象特征,并经过GIS空间插值分析得到相应的空间气象特征。通过Relief算法和泊松相关系数相结合的方式进行遥感和气象特征的筛选,最终得出改进的简单比值指数(modified simple ratio index,MSR)、重归一化植被指数(re-normalized difference vegetation index,RDVI)、3月21日-4月20日总日照时数和4月11日-5月10日大于0.1 mm降雨日数。采用相关向量机(relevance vector machine,RVM)的方法分别用筛选出的遥感、气象数据特征及2种数据特征相结合的方式构建了河北省石家庄市藁城、晋州和赵县3地区小麦灌浆期白粉病的发生预测模型,并对3种不同数据模型进行了验证与评估。试验结果表明,遥感气象数据模型的总体精度达到84.2%,优于遥感数据模型的80.0%和气象数据模型的74.7%。进而得出,相比于单站点准确和空间不连续的气象数据和类型单一的遥感数据,遥感气象数据更适合于区域尺度范围内的作物病虫害发生发展状况的预测研究。     

小麦条锈病的发生及防治措施浅析

小麦条锈病是所有小麦病害中为害性极强的病害,会在很大程度上影响小麦的质量和产量.因此,各地必须要加强对小麦种植的监测,降低小麦条锈病的为害.基于此,分析小麦条锈病的发生规律和主要特征,并提出小麦条锈病的主要防治措施.     

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。     

结合知识图谱与双向长短时记忆网络的小麦条锈病预测

针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱（Knowledge Graph, KG）和双向长短时记忆网络（Bi-directional Long Short-Term Memory, Bi-LSTM）处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。     

不同品种混种对小麦产量及条锈病的影响

用"繁19"、"引11-12"、"川麦107"、"靖麦10号","青春55"、"46548-3"和"安96-8"7个不同小麦品种,组合成6个品种混种的群体,于2003～2004年、2004～2005年、2005～2006年在云南省曲靖市对其产量效应进行了多年多点试验,并在自然发病条件下,调查了6个品种混种群体对小麦条锈病发生程度的影响.结果表明,小麦品种混种的产量效应平均为+3.9%;小麦品种混种在产量上的正效应、0效应,负效应所出现的频率分别为69.4%、8.3%、22.3%;年份、地点等具体环境条件会影响小麦品种混种的产量效应.在小麦条锈病发病强度相对较高的年份,品种混种可降低条锈病病情指数.因此,品种混种在我国一些小麦产区有利用价值.     

小麦条锈病抗性基因定位及分子标记技术研究进展

条锈病流行对小麦生产造成巨大损失,选育和种植持久抗性品种是防治小麦条锈病最经济有效的策略。为达到多基因聚合培育持久抗病品种的目标,必须不断发掘抗病种质、解析其抗病遗传机制并开发分子标记。基于文献,对条锈病抗性基因发掘涉及的抗病性、分子标记、基因定位方法和定位进展及其在育种中的应用进行了综述,明确了小麦条锈病基因定位涉及技术的现状、局限性及优势,从而为后续的条锈病抗性基因发掘、多基因聚合和持久抗性小麦品种的选育与生产布局提供技术指导,以降低西北麦区和小麦主产区条锈病流行的频率,进一步促进国家粮食安全。     

15%三唑酮喷施次数对小麦条锈病的防治效果

小麦条锈病是小麦生产上的最主要病害之一,三唑酮在小麦条锈病防治上具有极好的控病增产作用,但随着其长期施用,在天水地区小麦生产上已出现抗药菌株,导致防效偏低。为了给小麦条锈病的科学防治和三唑酮的合理高效使用提供技术支撑,在甘肃省农业科学院植物保护研究所甘谷试验站以感病品种冬小麦新冬43号为指示品种,开展了15%三唑酮可湿性粉剂不同喷施次数对小麦条锈病的田间防效试验。试验结果表明,喷药次数对小麦条锈病的田间防效及指示品种的产量、千粒重、穗粒重有极显著的影响。与不喷药对照相比较,15%三唑酮可湿性粉剂药剂量1 200 g/hm2兑水675 kg喷施1次、喷施2次、喷施3次对小麦条锈病的田间终期防效分别为58.4%、83.6%、98.6%,折合产量分别为5 000.0、5 580.0、6 080.0 kg/hm2,较不喷药对照分别增产58.23%、76.58%、92.40%,千粒重分别提高15.5%、32.4%、38.5%,平均穗粒重分别提高7.6%、10.7%、12.2%。认为选用15%三唑酮可湿性粉剂在小麦条锈病防治达标期(病叶率达到10%)时对小麦进行喷雾防治,间隔7 d喷1次,连喷3次,可达到极好的控病增产效果,值得在小麦生产上推广应用。     

青海省春小麦条锈病害发生发展的农业气象条件

对青海省１９８５～１９９３年春小麦条锈病害资料和同期内的气象要素进行对照分析，从中揭示出青海省春小麦条锈病的发生源地为甘肃陇东、陇南地区和青海省东部民和、循化等冬麦区；青海省小麦条锈病的发生时间从５月下旬在东南部的循化、民和等地开始，逐渐向西北方向推进至６月下旬，长达１个月左右。分析确定了青海省条锈病害发生的农业气象指标，对春小麦条锈病害的预报及防治有现实意义。     

基于BP神经网络的森林生态系统健康预测

森林的健康状况将直接影响全球生态稳定和全人类的可持续发展,而对森林健康预测是人们了解森林生态状况的重要手段。在选定森林健康评价指标的基础上,建立了一个3层BP神经网络模型,并应用于鹫峰国家森林公园森林健康预测。预测验证结果表明,基于神经网络预测森林生态系统健康具有良好的合理性与可靠性。并为了构建一个准确稳定的森林健康预测模型,给出了一些相关建议。     

BP神经网络在地表移动边界角预测中的应用

在对煤矿采空区地表移动及其边界角影响因素分析的基础上,提出用BP神经网络预测采空区地表移动边界角.建立了边界角预测的BP神经网络模型,利用国内近30项工程的采空区地表移动实测数据作为学习样本对网络进行训练,用实际工程对网络进行了测试分析.结果显示,预测精度平均达90%,研究表明用BP神经网络计算边界角方法可行,具有实用性,为边界角的确定提供了一条新的途径.     

神经网路模式在流量之预测

本文以倒传递神经网路模式,进行长期流量预测之应用研究,并以台湾中部德基水库上游松茂流量站历年观测资料进行探讨。初步得到预测结果与实测值比较尚有一倍以上的误差。但以神经网路之潜在应用潜力,寻找系统化网路参数值建立方法以得到更精确预测结果之经验,为寻人相当值得继续研究之课题。     

基于神经网络的混沌时间序列土壤墒情预测预报

土壤墒情预测预报对农业生产、水分循环的研究具有重要的意义。应用混沌理论对具有混沌特性的土壤墒情时间序列进行相空间重构,利用神经网络对土壤墒情时间混沌序列重构相空间中相点的演化过程进行了学习、训练及预测。结果表明,该方法所需的参数较少,简单易行,即只需要土壤墒情时间序列数据。通过对预测预报值与实测数据进行比较,证实了该方法相对误差较小,预测精度高,有一定的可靠性和实用性。     

基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证

基于人工神经网络理论,针对高光谱遥感中数据冗余问题,本文建立了基于遗传算法(GA)的广义回归神经网络(GRNN)模型,利用回归分析问题中参数筛选方法,对表征冬小麦叶片全氮的光谱参数进行了筛选,并和线性回归方法对比,线性回归方法的均方根误差(RMSEP):在冬小麦叶片氮含量为34.0g kg-1~62.5g kg-1预测范围内,逐步回归模型为14.4g kg-1,后向选择为11.8g kg-1,而广义回归神经网络为3.40g kg-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量,且神经网络模型预测精度高。     

基于遗传算法的人工神经网络模型在冬小麦根系吸水模型中的应用

基于土壤水分与冠部数据,应用遗传算法优化人工神经网络模型的权值,将获得的冬小麦根长密度分布应用于根系吸水模型中,并进行了水分数值模拟,水分模拟效果整体较好,表明应用该方法可以为根系吸水模型提供准确的根系参数,并且较为方便,这对于根系吸水模型的建立及应用有着重要的意义。     

基于Logistic回归和RBF神经网络的土壤侵蚀模数预测

[目的]寻求估算土壤侵蚀模数的新方法,并通过GIS实现对土壤侵蚀空间分布情况的预测。[方法]采用土壤侵蚀模数作为判别条件,分别验证基于Logistic回归和RBF神经网络而建立的土壤侵蚀预报模型的适用性,进而构建并验证改进模型——LOG-RBF神经网络土壤侵蚀预测模型。[结果](1)Logistic回归模型判别目标土地是否发生土壤侵蚀的优势明显,未发生和发生土壤侵蚀的预测正确率分别为77.4%和97.9%,总预测正确率为94.9%。(2)RBF神经网络模型估计土壤侵蚀模数的能力较强,模拟结果的相对误差和平方和误差分别为0.612%和13.292,R2为0.57。(3)LOG-RBF神经网络土壤侵蚀预测模型预测结果的相对误差和平方和误差比RBF神经网络模型模拟结果分别降低了0.157%和2.601。R2为0.82,拟合程度上优于RBF神经网络模型。随着土壤侵蚀模数的增大,错估现象呈逐渐减少趋势。通过受试者工作特征曲线的判别,LOG-RBF神经网络模型的曲线下面积值比RBF神经网络模型大0.063,模型判断的准确性更高。[结论]利用LOG-RBF神经网络土壤侵蚀预测模型可更准确地估计土壤侵蚀模数,基于GIS能够预测土壤侵蚀的空间分布情况。