基于主成分分析和人工神经网络的稻穗健康状态的高光谱识别

水稻生长后期穗部遭受病虫危害会严重影响水稻产量,对不同健康状态的稻穗进行精准识别是采取病虫害防控措施和危害评估的依据。研究测定了健康稻穗、轻度、中度和重度危害稻穗及白穗的室内高光谱反射率,并着重分析了不同健康状态稻穗的原始光谱、对数光谱、一阶和二阶微分光谱特征。利用主成分分析方法获取了前述多种变换光谱的主分量,并以其为输入向量,利用学习矢量量化神经网络对多种健康状态稻穗进行分类。结果显示：原始光谱、对数光谱、一阶和二阶微分光谱的总体分类精度分别为75.3%, 74.7%, 91.6%和100%,Kappa系数分别为0.689, 0.682, 0.895和1.000。研究表明,运用高光谱遥感技术对稻穗健康状态进行识别是切实可行的。     

Modeling greenhouse air humidity by means of artificial neural network and principal component analysis

A back propagation neural network (BPNN) based on principal component analysis (PCA) was proposed for modeling the internal greenhouse humidity in winter of North China. The environment factors influencing the inside humidity include outside air temperature and humidity, wind speed, solar radiation, inside air temperature, open angle of top vent and side vent, and open ration of sunshade curtain, which were all collected as data samples. Through PCA of these data samples, 4 main factors were extracted, and the relationship between the main factors and the original data was discussed. Taking the principal component values as the input of BPNN, the model showed a good performance. A comparison was made between the performances of the BPNN based on PCA and the stepwise regression method with 20 data samples which had not been used to establish the NN model, and the prediction of stepwise regression method was less accurate than the BPNN based on PCA.     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.     

Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis

Detecting plant health condition is an important step in controlling disease and insect stress in agricultural crops. In this study, we applied neural network and principal components analysis techniques for discriminating and classifying different fungal infection levels in rice (Oryza sativa L.) panicles. Four infection levels in rice panicles were used in the study: no infection condition, light and moderate infection caused by rice glume blight disease, and serious infection caused by rice false smut disease. Hyperspectral reflectance of rice panicles was measured through the wavelength range from 350 to 2500 nm with a portable spectroradiometer in the laboratory. The spectral response characteristics of rice panicles were analyzed, and principal component analysis (PCA) was performed to obtain the principal components (PCs) derived from different spectra processing methods, namely raw, inverse logarithmic, first, and second derivative reflectance. A learning vector quantization (LVQ) neural network classifier was employed to classify healthy, light, moderate, and serious infection levels. Classification accuracy was evaluated using overall accuracy and Kappa coefficient. The overall accuracies of LVQ with PCA derived from the raw, inverse logarithmic, first, and second derivative reflectance spectra for the validation dataset were 91.6%, 86.4%, 95.5%, and 100% respectively, and the corresponding Kappa coefficients were 0.887, 0.818, 0.939 and 1. Our results indicated that it is possible to discriminate different fungal infection levels of rice panicles under laboratory conditions using hyperspectral remote sensing data.     

利用主成分回归方法预估连云港地区水稻气象产量

根据连云港地区1974-2016年5个站点的气象资料和水稻产量资料,利用主成分回归方法研究该地区水稻不同生长期内,气象要素与水稻气象产量的关系,构建预估模型并对其进行检验.结果表明,抽穗开花期和灌浆成熟期的气温、积温等热力因子对连云港地区水稻气象产量影响最大;主成分分析的前3个分量为"抽穗开花期因子"、"灌浆成熟期因子...     

Vegetation detection and discrimination within vegetable plasticulture row-middles using a convolutional neural network

Precision Agriculture - Weed control between plastic covered, raised beds in Florida vegetable crops relies predominantly on herbicides. Broadcast applications of post-emergence herbicides are...     

主成分和聚类分析在蟹爪兰资源评价及育种中的应用

应用DPS统计软件,对25个蟹爪兰品种(系)资源的16个生物学性状进行了主成分分析和聚类分析,按照方差累计贡献率882% 提取了7 个主成分,通过计算各品种的主成分得分和综合得分值,分析出综合性状优良和主要性状突出的品种,另外通过16个性状的相关矩阵R分析得出各个性状间的相关性,以利于亲本和杂交后代的筛选。根据聚类分析结果,将25个供试品种(系)从株高、冠幅、茎节长等主要生物学性状的差异聚为3大类,并细分为7小类,为蟹爪兰的分类和良种选育与利用提供理论依据。     

杂种小麦品质性状的性状相关和主成分分析

为了探究化杀杂交小麦品质性状在不同世代的表现,以4个品质不同小麦品种组配的4个杂交组合为材料,对杂种F₁代(杂交当代种子)和F₂代(F₁代植株上的自交种子)及其亲本的籽粒品质性状和面团品质性状进行了杂种优势、亲子相关、性状相关和主成分分析。结果表明:(1)杂种小麦 F₁代品质性状的杂种优势远远大于F₂代杂种优势,杂种小麦F₂代存在较强的面团品质杂种优势;(2)在小麦品质改良过程中,以籽粒硬度和蛋白质含量作为选择指标,有利于筛选出高面筋含量、高沉淀值以及蛋白质品质和磨粉品质优良的基因型;(3)在杂种早代选择籽粒蛋白质含量时不能忽视低亲的影响,要提高杂种F₂代的沉淀值,关键是提高高亲和中亲的水平;(4)通过主成分分析可以将F₂代8个品质性状综合成2个主成分因子。     

Real-time detection of rice phenology through convolutional neural network using handheld camera images

Smallholder farmers play an important role in the global food supply. As smartphones become increasingly pervasive, they enable smallholder farmers to collect images at very low cost. In this study, an efficient deep convolutional neural network (DCNN) architecture was proposed to detect development stages (DVS) of paddy rice using photographs taken by a handheld camera. The DCNN model was trained with different strategies and compared against the traditional time series Green chromatic coordinate (time-series Gcc) method and the manually extracted feature-combining support vector machine (MF-SVM) method. Furthermore, images taken at different view angles, model training strategies, and interpretations of predictions of the DCNN models were investigated. Optimal results were obtained by the DCNN model trained with the proposed two-step fine-tuning strategy, with a high overall accuracy of 0.913 and low mean absolute error of 0.090. The results indicated that images taken at large view angles contained more valuable information and the performance of the model can be further improved by using images taken at multiple angles. The two-step fine-tuning strategy greatly improved the model robustness against the randomness of view angle. The interpretation results demonstrated that it is possible to extract phenology-related features from images. This study provides a phenology detection approach to utilize handheld camera images in real time and some important insights into the use of deep learning in real world scenarios.

     

主成分和回归分析在安格斯牛选育中的应用

【目的】揭示安格斯牛的体型外貌特征和生长发育规律,分析各性状参数间的相关性并探求准确而简易的体质量估测方法。【方法】以宁夏地区1 753头安格斯初生牛、1 764头安格斯断奶牛和1 642头安格斯周岁牛为对象,对其3个生长阶段的6个体尺指标和体质量进行主成分分析和逐步多元回归分析。【结果】安格斯牛不同生长阶段各性状间均存在极显著(P0.01)相关性。由主成分分析结果可知,安格斯牛初生阶段的体质量与体尺指标可综合为4个主成分指标,分别为高度因子、围度因子、管围因子和体长因子,累计贡献率为89.5%;断奶和周岁阶段均分别筛选出3个主成分,其中第1主成分和第2主成分均为体型外貌因子和高度因子,第3主成分分别为体长因子和体质量因子,累计贡献率分别为93.1%和88.1%。通过构建安格斯牛不同生长阶段估测体质量的回归模型,得到初生、断奶、周岁3个阶段的最优回归方程,其决定系数R~2分别为0.817 0,0.956 3和0.551 1,表明各阶段体质量与体尺性状间存在明显的线性关系。【结论】不同阶段的主成分反映了安格斯牛不同阶段的生长发育特征,各阶段体质量回归方程的决定系数表明各回归方程存在一定的参考价值。     

主成分分析法和稳定度指数法评价森林群落稳定性比较

基于森林群落稳定性评价理论,以宝天曼国家级自然保护区内的栎类天然次生林群落为研究对象,选择反映森林群落抵抗力、恢复力、持久性的评价指标(共15个),构建主成分分析和稳定度指数评价模型,计算相应的综合评价值和稳定度指教,以此分别评价了群落稳定性,并对所得的结果进行了比较分析.结果表明,宝天曼地区栎类天然次生林群落总体处于...     

红麻主要产量性状的相关性和主成分分析

以20个杂交红麻新品种为研究对象,以茎粗、皮厚、单株去叶鲜茎重、单株纤维产量等9个产量性状为研究指标,利用相关性分析和主成分分析对红麻各产量性状进行了研究.相关性分析表明,茎粗、皮厚、单株去叶鲜茎重、单株鲜皮重和单株干皮重对单株纤维产量有重要影响.主成分分析表明:前4个主成分累计贡献率占95.76％,分别为纤维产量构成因子(60.71％)、晒干率和出麻率(18.51％)、第3和第4主成分可归到第1因子和第2因子.在品种选育时,应注意选择植株较高、中等茎粗、韧皮较厚、晒干率较高的材料,以确保红麻高产.     

响应面结合主成分分析优化菜籽粕固态发酵工艺

以硫代葡萄糖苷(硫苷)降解率、粗蛋白含量和菜籽小分子蛋白得率为发酵菜籽粕品质的评价指标,通过主成分分析得到主成分向量F1,以F1为响应值,进行响应面分析,从而优化枯草芽孢杆菌(Bacillus subtilis)BS-012固态发酵菜籽粕的工艺参数。结果表明:菜籽粕固态发酵的工艺参数为接种量4.2%,发酵温度30.1℃,含水率49.9%,发酵时间47.3h;在该条件下获得的发酵菜籽粕其硫苷降解率为60.89%,粗蛋白含量为40.63%,菜籽小分子蛋白得率达15.91%,与各指标单独进行响应面优化相比,差异不显著(P>0.05)。说明采用响应面结合主成分分析的优化方法对发酵后菜籽粕品质的综合优化具有较好的效果。     

湖南柚类种质的数量分类与主成分分析

利用SPSS 170软件对47个湖南柚类品种资源的37个花器官和果实形态学性状进行了品种Q型聚类及其性状的R型聚类,同时对37个形态学性状进行了主成分分析。结果表明：37个性状对47个柚类品种资源聚类,可将柚类品种分成6个组群;37个形态性状聚类也可分为6个组;经主成分分析,37个花果性状可综合为12个主成分,其累积贡献率达8158%,根据前12个主成分与性状的相关性,选出了32个影响力较大的性状,这些性状综合了柚类特有的花器官因子和果实因子。     

基于非线性主成分分析的北方粳稻苗期耐盐碱性综合评价

【目的】通过鉴定北方粳稻种质资源的苗期耐盐碱性并筛选耐盐碱性鉴定的适宜指标,为北方粳稻耐盐碱育种和栽培提供参考。【方法】采用非线性对数主成分评价法,对水稻苗期进行盐碱胁迫,以水稻苗期的13个性状为指标,从形态特征、物质积累、生理特性对56份北方粳稻种质资源进行耐盐碱性综合评价。【结果】利用对数主成分分析将13项指标的耐盐碱系数转化为5个相互独立的综合指标,累积贡献率达86.368%。根据耐盐碱综合评价值Sf将56份材料分成5类,分别为极强耐盐碱型、强耐盐碱型、中耐盐碱型、盐碱中敏感型和盐碱敏感型。龙粳29、NF13G280、长白9号、龙粳46属极强耐盐碱型,占总材料数的7.1%。灰色关联分析结果表明,株高、百株地上鲜重、百株地上干重3个指标的耐盐系数与耐盐碱综合评价值的关联系数大于0.5,可作为苗期耐盐碱性筛选的指标。【结论】从56份北方粳稻种质资源中筛选出龙粳29、NF13G280、长白9号和龙粳46等4份极强耐盐碱种质材料,从13个指标中筛选出株高、百株地上鲜重、百株地上干重作为苗期耐盐碱性筛选的指标,该统计方法适宜作为北方粳稻苗期耐盐碱筛选模型。     

黑龙江省近期审定大豆品种的聚类分析和主成分分析

对70份黑龙江省近期审定的大豆品种的17个生物学性状进行聚类分析,根据遗传距离将大豆品种分为5个类群,有的类群品种性状遗传分歧与地理分布呈平行关系,有的品种所属类群与地理差异并不一致,说明黑龙江大豆品种的多样性和遗传分歧的多向性。主成分分析选出了产量、熟期、分枝、荚数、粒重等5个综合性状因子对品种进行评价。     

不同播期早籼稻米品质性状的变异及主成分分析

采用播期调节方法对华南稻区11个主栽早籼稻品种的9个品质性状进行变异分析及主成分分析,结果表明:不同播期对早籼稻米不同品质性状的影响不一样;综合6播期稻米品质性状达优质稻谷国标的概率,胶稠度的达标率最高,垩白度表现最差,三级达标率为0;不同品质性状对播期变化所表现的变异程度不一致,垩白度、垩白粒率和垩白面积的变异最大,其次是胶稠度和整精米率,长宽比的变异度最小;主成分分析中,包含糙米率、精米率、整精米率和垩白度的第一主成分因子对稻米品质的贡献最大,贡献率达43.81%,其次是胶稠度和碱消值,与前者的累计贡献率达61.74%。     

红麻产量与品质性状的相关及其主成分分析

选用74份不同来源的红麻种质资源,对10个产量与品质性状进行相关分析表明,株高、皮厚、单株生皮重3个性状对单株干皮重和纤维支数有重要影响;进行主成分分析表明,前4个主成分分别为韧皮纤维产量构成因子(52.68%)、茎秆皮骨构成因子(12.96%)、纤维品质构成因子(10.77%)及晒干率构成因子(9.18%),其累计贡献率达85.61%.因此,在品种选育时,应注意选择植株较高、中等茎粗、韧皮较厚、晒干率较高和品质优良的材料,以确保高产优质.     

主成分分析在大学生综合素质评价和管理中的应用研究

应用主成分分析法,从样本相关矩阵出发,对随机抽取农学院农学专业20名学生的业务能力、品德表现、实践技能和体能等项指标进行分析,依据调查指标的累计方差贡献率达到85%以上,提出了4个反映学生综合素质的主成分及其主成分函数表达式.通过计算各学生的重要主成分值,进而对学生综合素质进行评价,其结果与学生毕业后从事工作的实际表型...     

主成分分析与聚类分析在土壤分类中的应用

为了更好地保护上海古树,对古树生长点的土壤进行调查与测试,并进行了指标间相关分析、主成分分析和聚类分析。结果表明:古银杏、古香樟的生长与土壤的容重、有效N、速效P和脲酶呈显著相关,由主成分分析划分的5个主成分可全面概括17项土壤肥力指标;采用聚类分析将古树生长样点划为4种肥力类型,并对各土壤类型提出了相应的改良措施。