基于自适应进化相关向量机的城市需水量预测模型研究

为改进城市需水量预测模型,将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的需水量预测模型.以新疆阿克苏市为例,建立基于自适应进化相关向量机的城市需水量预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度与可靠性方面进行对比分析.结果表明:新模型预测精度大约是上述其他方法的2倍以上;测试数据的实际需水量均在自适应进化相关向量机估计的95％置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于“好”级别.     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

城市需水量的混沌预测

混沌预测与传统的时间序列预测方法有较大的不同,它较传统确定性和随机性预测方法更多地利用了时间序列中包含的丰富信息,因此能够得到更精确的结果。城市需水量受众多因素的影响,各影响因素与需水量之间存在着高度的复杂性和非线性,利用混沌理论重构相空间方法,将需水量时间序列扩展到三维或更高维的相空间中去,充分表现需水量时间序列的信息。通过对某城市月需水量的分析,计算出相应的Lyapunov指数;由于Lyapunov指数大于零,定量地说明了月需水量序列具有混沌性,并估计了可预测的时间尺度,同时根据最大Lyapunov指数,建立了预测模型,其预测结果的相对误差较小,精度较高。因此基于混沌理论的城市需水量的预测分析是一种有意义的尝试。     

基于GA优化的支持向量机模型在青椒作物需水量预测中的应用

为节约灌溉用水,采用垄沟集雨覆盖种植技术与滴灌技术相结合(MFR-DI),并对使用该技术种植的青椒进行作物需水量预测.根据多年气象资料、青椒冠层温度以及逐日作物需水量资料,构建了以冠层温度、气象因素为输入因子的预测MFR-DI种植模式下青椒作物需水量的GA-SVM模型,使用2017年的数据对模型进行了测试,结果表明:在...     

变化环境下农业需水量演变趋势及驱动力

根据宝鸡峡灌区11个气象站近30 a的气象及近20 a种植面积资料,分析了气候及作物种植结构的变化特征,计算了作物需水量和农业需水量,研究了灌区农业需水量的演变趋势,并利用主成分回归分析法揭示了影响农业需水量变化的驱动因素.结果表明:灌区气温呈显著上升趋势,相对湿度和风速呈显著下降趋势,蒸发量和日照时数略有增多,降水量有所减少.灌区农业种植结构变化较大,粮食作物与经济作物种植面积比例显著降低,由1991年的4.08减小为2010年的1.83;粮食作物与农作物总播种面积比例也呈下降趋势,由1991年的0.46减小为2010年的0.40.灌区小麦、玉米、油菜、棉花等4种主要作物需水量呈递增趋势,其中油菜需水量递增速率最快,约为3.558 mm/a;灌区农业需水量呈递减趋势,其递减速率为3.35×107m3/a.影响农业需水量变化的主要驱动因素为种植面积、降水量和蒸发量.降水量的减少和蒸发量的增多使得作物需水量明显增多,而农作物种植面积的减少,引起农业需水量的显著减少.     

建三江主要作物需水量变化趋势与关键影响因子识别

基于建三江垦区1995—2018年逐日气象数据,采用Penman-Monteith公式结合单作物系数法计算其主要作物水稻、玉米、大豆生育期的需水量,利用去趋势预置白(TFPW)的Mann-Kendall(TFPW-MK)研究3种作物需水量变化特征,并通过重标极差(R/S)分析法预测作物未来需水量变化趋势;借助通径分析法研究6个气象因子与作物需水量的相关性,识别了作物需水量变化的关键影响因子,并分析了关键影响因子变化与作物需水量变化趋势间的关系。结果表明：建三江垦区主要作物水稻、玉米、大豆全生育期需水量存在显著差异,3种作物多年平均需水量分别为484.84、425.91、319.11 mm;影响水稻、玉米和大豆需水量的关键影响因子为平均气温、净辐射和日照时长,对作物需水量有明显增进作用;风速、相对湿度通过与其他因子协同作用对作物需水量有一定限制作用;在1995—2018年时间序列中,水稻和大豆的全生育期作物需水量呈上升趋势,玉米的全生育期需水量呈下降趋势;未来,水稻和大豆全生育期需水量呈上升趋势,玉米全生育期需水量呈降低趋势。研究可为该垦区作物灌溉水量分配和灌溉制度的制定提供决策依据。     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于SD变化环境下农业水资源供需平衡模拟

为了探讨变化环境对农业水资源供需平衡的影响,运用系统动力学软件Vensim-Dss建立了农业水资源供需平衡的系统动力学模型,综合考虑社会经济发展和气候变化情景,仿真模拟了变化环境下农业供、需水量及缺水量的变化情况.石羊河流域模拟结果表明:未来农业供水量和需水量受气候变化的影响程度不同,但 2033年以后,农业供水量在不同气候变化情景下的变化趋势相同;不同行政区农业水资源系统对气候变化的响应存在明显差异,金昌市A2气候情境缺水率大于B2情景,在2029年、2038年缺水率分别达到32.0%,28.6%, B2情境下,2021年开始出现轻度缺水,中度缺水年仅出现在2023年和2039年,缺水率分别为30.7%,30.5%;武威市A2气候情境下缺水率小于B2情景,仅2038年为中度缺水,缺水率为24.9%,B2气候情景中度缺水年较多,2023年缺水率最大,达到33.2%.研究结果可以对变化环境下区域用水规划和农业发展规划提供指导.     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

再生水应用于城市绿地的微灌技术

基于目前城市绿地采用饮用水地面喷灌技术,造成绿地喷灌用水量不均匀且极大地浪费饮用水资源等问题,探讨了应用于城市绿地微灌的再生水处理工艺、处理后再生利用的水质标准及其微灌系统设计技术。通过对再生水绿地微灌系统的设计参数、首部枢纽、管网布置、灌水器的喷洒方式及控制系统等的设计介绍,归纳了城市绿地再生水微灌系统的一般规划设计方法,并对再生水微灌技术应用于城市绿地的经济与社会效益进行了初步分析。经探讨分析认为,再生水微灌技术在城市污水再生利用、降低水环境负荷和推广先进的绿地灌溉节水技术等方面找到了新的结合点,并且对污(废)水再生利用、保护水环境、节约水资源、城市生态景观绿化等技术结合方面的研究与应用起到了较大的推动作用。     

基于可见光机器视觉的棉花伪异性纤维识别方法

为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。     

基于神经网络的灌溉用水量预测

采用改进的BP网络对灌溉用水量进行了预测,针对BP网络的不足,采用遗传算法对网络初始权重进行了优化,并采用LM(Levenberg-Marquardt)算法进行了误差逆传播校正。通过引入遗传算法和LM算法,网络比传统的BP网络无论从精度和训练时间上都有了较大的改进。最后对湖北省宜昌市东风渠灌区进行实例分析,证明了该方法的有效性。     

基于用水量驱动因子的水量预测模型

采用主成分分析法筛选出显著的驱动因子,结合灰色关联分析将筛选出的驱动因子进行灰色聚类和优势分析.以用水量驱动因子为基础,利用SPSS建立多层感知器网络,利用矩阵实验室建立GRNN神经网络和BP神经网络.将诱导有序加权平均算子(IOWA)应用到水量预测模型中,构建基于IOWA算子的MLP-GRNN-BP组合用水量预测模型,最后建立由平方和误差(SSE)、均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方百分比误差(MSPE)和Theil系数(μ)组成的预测效果评价体系,评价预测模型的预测效果,最后以重庆市的用水量预测为例,验证以上方法的可行性.结果表明:经过主成分分析及灰色关联分析,可将用水量驱动因子由31个降为12个, 12个驱动因子可综合为4个聚类,可确定4种用水量的各自驱动因子的重要性排序;BP, MLP, GRNN和MLP-GRNN-BP组合模型预测结果的MAPE,MSPE和Theil系数均在5%以内.     

浅析城市景观水体污染防治策略

随着工业污染和生活污染愈演愈烈,城市景观水体也发生了很大的变化,原本清澈见底的城市景现水体逐渐变得浑浊不堪,恶臭难闻.文章通过对城市景观水体及其特点、城市景观水体污染的主要原因、大力加强城市景观水体污染的保护等问题的分析,为城市景观水体污染防治提供了策略.