基于幼果期气象数据苹果产量早期预测研究——以运城市为例

本文通过对运城市2005—2018年气象数据和苹果年产量数据进行分析,构建运城市苹果产量早期预测模型。首先,采用HP滤波法将运城市苹果年产量分为趋势产量和气象产量。其次,分别对苹果物候期：发芽期、花期、幼果期、膨果期、成熟期建立多元线性回归模型,研究每个物候期对苹果气象产量影响的强弱。最后,选取对苹果气象产量影响最强的幼果期建立BP神经网络早期预测模型,并对其进行验证。结果表明：选取幼果期建立的BP神经网络苹果产量早期预测模型其预测结果相对平均误差为7.08%,使用2019年相关数据验证BP神经网络产量早期预测模型的精度为89.6%,表明该模型能够较为准确的预测苹果产量,可为农作物产量早期预测提供理论支持。     

江汉平原土壤有机碳含量高光谱预测模型优选

研究探讨了贫瘠地区低有机碳含量条件下,不同光谱预处理与建模方法用于土壤有机碳估测的最佳组合,对贫瘠土壤属性信息快速获取和精确农业发展具有重要意义。以江汉平原不同利用条件下的土壤为研究对象,使用可见光/近红外高光谱技术,结合包括Savitzky-Golay平滑(SG)、一阶导数(FD)、多元散射校正(MSC)在内的光谱预处理方法,分别建立用于估测土壤有机碳(SOC)含量的多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘回归(PLSR)和支持向量机回归(SVMR)模型。结果表明：不同建模方法预测精度差异明显,PLSR和SVMR的预测结果优于MLR和PCR;不同预处理方法对模型的预测精度亦有较大影响,表现为MSC＞FD＞SG;基于FD和MSC组合预处理的SVMR模型的预测能力最好,R2=0.84,RPD=2.50,满足土壤有机碳的预测。有机质含量大于2%并不是建立优质模型的必要条件。     

黑龙江西部玉米产量预估模型的建立

目前黑龙江西部富裕县玉米的主栽品种吉单66多年来表现较好,为进一步探索气象因子对其产量及产量构成因子的影响,以期研究出玉米产量预估模型并应用于实际生产,以玉米品种吉单66为研究对象,采用相关性分析方法,对其生育期内气象因子及玉米产量构成因子进行分析。研究结果表明,玉米有效穗数、行粒数和百粒重与产量相关性很强;从相关性分析和线性回归分析可以看出,6月平均气温、日照时数、降水量和8月平均气温、9月降水量对玉米吉单66产量影响大,相关性强,其中9月降水量与产量呈显著负相关,其他4个气象因子为正相关;利用多元线性回归分析,建立了2种玉米产量预估模型。经过对比分析,2种产量预估模型均比较精准,适用于吉单66玉米品种及其他黑龙江西部玉米品种产量预估,为今后黑龙江其他地区产量预估模型的建立及农业气象服务奠定了基础。     

春玉米春大豆间作种植技术研究

采用回归正交旋转组合设计的方法,选择春玉米间作春大豆的畦幅、春玉米密度、春大豆密度三个农艺因子,布置田间参数试验,通过对试验结果的分析,建立了春玉米间作春大豆的总产、春玉米产量、春大豆产量及净产值的三元二次回归模型。根据建立的模型,进行了因子效应分析,并结合计算机模拟寻优,对春玉米间作春大豆的畦幅及其复合群体结构进行了优化。     

春玉米春大豆间作的种植技术研究

采用回归正交旋转组合设计的方法,选择春玉米间作春大豆的畦幅、春玉米密度、春大豆密度三个农艺因子,布置田间参数试验,通过对试验结果的分析,建立了春玉米间作春大豆的总产、春玉米产量、春大豆产量及净产值的三元二次回归模型。根据建立的模型,进行了因子效应分析,并结合计算机模拟寻优,对春玉米间作春大豆的畦幅及其复合群体结构进行了优化。     

利用旋转设计对春玉米/甘薯套种的优化研究

将旋转设计应用于春玉米、甘薯两套种作物的复合群体结构及其主要施肥技术的多因子农艺优化研究,通过建立回归模型和计算机模拟寻优,对产量、效益等量化指标进行综合论证和农艺方案的优化。     

基于电子舌技术定量分析黄酒理化指标

为快速有效地检测黄酒理化指标,使用电子舌对黄酒的滋味特征进行识别,结合理化检测手段,对黄酒样品分别建立偏最小二乘(PLS)和多元线性回归(MLR)的定量预测模型。结果表明,应用PLS和MLR对传感器信号与国标方法检测结果进行拟合,MLR模型的pH值、总酸、酒精度和氨基酸态氮的RPD值分别为3.8,2.9,2.9,2.8,R~2均接近0.9,RMSEC和RMSEP比值均在0.8～1.2,建立的模型效果良好,可进行准确的定标和预测;MLR模型在准确性和稳定性方面优于PLS模型,更适合所用黄酒样本集的定标和预测。研究结果为应用电子舌对黄酒理化指标进行快速定量分析提供了理论和实践基础。     

多元线性回归分析

作物的生长发育受诸多因子的制约,如受温度、降雨量、日照等气象因子以及种植密度、施肥水平、品种等栽培措施的影响。为了夺取作物的优质,高产,我们应该掌握作物的生长发育规律,了解它们与各种环境因子的关系。多元线性回归就是被广泛采用的统计分析方法之一。研究因变数y与多个数x_1,x_2,…,x_m之间量的关系问题即称为多元回归问题,由于多数的多元非线性回归问题都可以化为多元线性回归问题,所以这里仅讨论多元线性回归. 多元线性回归分析需要解决的问题:     

雄先型核桃雄花疏除的二次回归与BP神经网络模型研究

雄先型核桃雄花疏除（去雄）是提高产量的重要管理措施,为提高核桃去雄的效率,建立二次回归与BP神经网络模型。分别以乙烯利、赤霉素和甲哌鎓为自变量和核桃雄花脱落率为响应指标,进行田间建模试验,建立了二次多项式回归方程和BP神经网络模型,并于翌年进行BP模型田间确认试验。试验数据分为训练集、确认集和试验集,中心组合（二次旋转回归试验设计）田间建模试验得到的20组数据随机划为训练集(17)和确认集(3)数据,试验集为翌年田间确认试验得到的数据,BP神经网络的拓扑结构为3-5-1。（1）BP神经网络对确认集样本的预测值误差分别为1.3550%、0.4291%、0.3538%;（2）BP神经网络的预测值与田间确认试验结果相差为2.04%,回归预测值与田间确认试验结果相差为3.12%;（3）BP神经网络预测比回归预测提高预测精度1.0%以上。将二次多项式逐步回归分析和BP神经网络方法有效的结合使用,既可明确各因子的作用效应亦可得到相对准确的预测结果。     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

不同模式下春玉米物质生产与群体光合性能研究

为构建高产春玉米良好的群体结构,提高春玉米光能利用率,充分发挥春玉米的增产潜力,在大田试验条件下,从玉米品种、密度和肥料管理方面研究了3种模式（农户模式、优化模式、高产模式）对春玉米物质生产与群体光合生理指标的影响。结果表明：优化模式和高产模式较农户模式分别增产10.79%、27.62%,秃尖长度显著减少。3种模式的叶面积指数(LAI),群体光合势(LAD),干物质累积(DMA)以及生长率(CGR)规律依次为高产模式>优化模式>传统模式。由此证明,优化品种、合理增密以及加强养分资源管理是春玉米获得高产的关键措施。     

灌溉春玉米大喇叭口期光合特性及水分利用效率研究

为了寻求在气候变化过程中保持作物产量不断增长,提高作物水分利用效率的地面灌溉节水与生物节水综合配套技术。通过分期播种和不同灌溉方式对大田春玉米进行试验,采用LI-6400便携式光合仪测定了石羊河流域灌溉区环境因子和春玉米大喇叭口期叶片光合生理指标和水分利用效率,分析了不同播期和不同灌溉方式对春玉米光合参数和水分利用效率的影响。结果表明：滴灌、喷灌和漫灌3种灌溉方式中滴灌最有利于提高春玉米叶片的净光合速率（提高10%~21%）、气孔导度（提高33%~43%）和作物水分利用效率（提高12%~20%）。方差分析表明,不同播期对春玉米叶片净光合速率、气孔导度和水分利用效率影响较小,但第二播期的净光合速率较第一、三播期提高10%~20%、蒸腾速率提高20%~28%、气孔导度提高20%~28%。通过显著性相关分析,空气温度、大气CO2浓度和光合有效辐射是影响滴灌叶片光合参数的主要环境因子,相关系数达0.810~0.986(P<0.05)。光合有效辐射和大气CO2浓度是影响喷灌叶片光合参数的主要环境因子,相关系数达0.850~0.980(P<0.05)。空气湿度、温度和大气CO2浓度是影响漫灌光合参数和水分利用效率的主要环境因子,相关系数达0.969~0.989(P<0.05)。滴灌也是最适宜于干旱区的抗旱、节水、节肥和增产的灌溉方式,3个播期中第二播期（4月20日“谷雨”前后）是当地最适宜于地膜春玉米播种的时期。     

作物产量“三合结构”定量表达及高产分析

针对目前作物产量水平长期徘徊难以突破，产量分析理论缺乏量化指标体系，可操作指导作用小等问题，依据“三合结构”模式二级结构层各因素的关系，建立了“三合结构”定量表达式，并通过田间试验与模型模拟相结合的方法，对春玉米、夏玉米、水稻和冬小麦高产实例进行定量化分析，明确了限制产量进一步提高的关键因素，提出了高产突破的可能方向。结果表明，提高叶片平均净同化率（MNAR），改善群体的物质生产能力，是水稻产量进一步提升的关键；适当提高平均叶面积指数（MLAI）或经济系数（HI）可能会进一步增加冬小麦产量；春玉米籽粒产量主要伴随着MLAI和单位面积穗数（EN）的增加而提高，其实质是平均作物生长率（MCGR）的提高增加了单位面积上总粒数（TGN）。进一步研究确定了“三合结构”定量表达式参数间的函数关系式，通过公式代换可推导出某一参数与目标参数的函数关系。作物产量“三合结构”定量表达式的建立为作物群体定量化研究提供了新的思路和方法，有助于全面掌握群体参数变化与产量形成的定量关系，为指导作物生产进行有效的技术调控提供依据。     

春谷种植密度与产量的数量关系及其分析

为了科学预测谷子的适宜种植密度,探索谷子种植密度与籽粒产量的数学预测模型。采用田间小区试验和非线性回归分析的方法,对主要的密度与作物产量的经验模型进行模拟和比较。结果表明,春谷种植密度对籽粒产量具有重要影响。谷子籽粒产量随着种植密度增加呈先升后降的趋势。二次曲线模型是模拟谷子密度与产量关系的最优模型。春播‘冀谷19’与‘冀谷31’的方程式分别为yj19=2725.528+86.885x-0.701x2与yj31=1289.529+131.318x-1.023x2,理论最适密度分别为61.97万株/hm2与64.18万株/hm2。由此得出,本研究确定的数学预测模型,将为春谷生产提供理论依据。     

Application of modified Deep Belief Network in Forecasting Cotton Diseases and Insect Pests

[Objective] The occurrence and development of cotton diseases and insect pests are mainly related to environmental information. Because this environmental information is various, complex and unstable, the study on the prediction methods of cotton diseases and insect pests is a certain challenge. This study aims to establish a forecasting model for the timely and accurate prediction of cotton diseases and insect pests. [Method] A forecasting model of cotton diseases and insect pests is proposed based on environmental information and a modified Deep Belief Network (DBN) that is constructed by a three-layer restricted Boltzmann machine (RBM) and a supervised back-propagation (BP) network. In the method, the RBM is used to transform the original environmental information vectors into a new feature space related to the diseases and pests; the BP network is trained to classify and forecast the features generated by the last RBM layer and two rules of dynamic learning and comparison and dispersion are adopted to accelerate the training process of RBM. The proposed model was validated on a dataset of cotton bollworm, aphids, spider, cotton Verticillium wilt, and Fusarium wilt in a recent six-year period. [Result] Compared with the traditional prediction models of cotton diseases and insect pests, the proposed model can deeply explore the extensive correlation between the occurrence of cotton diseases and pests and environmental information. The results show that the proposed model has a higher accuracy compared with the classical predictive models, and the average forecasting accuracy is above 83%. [Conclusion] The proposed method is an effective crop disease and pest forecasting method that can provide a technical support for preventing cotton disease and insect pests.     

基于人工神经网络理论的土壤水分预测研究

土壤水分含量是影响作物生长的重要因素,精确的预测技术对水资源的合理利用与管理具有重要的指导意义。利用人工神经网络理论,建立了以降水量、蒸发量、相对湿度和地下水埋深为输入因子,土壤水分含量为输出因子的预测模型,并对其预测精度进行了评价。结果表明,BP神经网络模型预测土壤含水率的最大误差为8.66%,平均误差为4.27%,预测精度达到0.989。模型具有较高的预测精度,其结果可为制定合理的水资源调配方案和调度计划提供科学依据。