基于骨架模型的玉米生长运动仿真与动画生成技

为了实现作物生长过程的定量化、可视化表达,提出了一种由作物形态结构特征参数驱动的作物骨架模型生长运动仿真和动画生成方法.基于对作物器官及个体精确定义的几何模型提取作物骨架,利用几何模型参数控制骨架上关节点的运动,结合参数关键帧插值技术确定整个骨架模型的生长运动,实现对作物生长运动的可视化模拟.从而构建一个虚拟作物骨架模型的三维生长动画系统,并以玉米为例进行了模拟.实验结果表明该方法能够较准确地模拟玉米植株的形态建成和运动特征,为真实、自然地模拟作物生长提供了一种可控、通用的方法.     

稻田土壤-作物系统模型参数敏感性分析与模型验证

为提高稻田土壤-作物模型校准过程的效率和精度,以长江中游地区两年的稻田试验数据为基础,采用Morris和Sobol’两种方法对WHCNS_Rice模型参数进行了全局敏感性分析,并在此基础上进行模型校准和验证。结果表明,两种方法得到的模型主要敏感性参数基本一致,与Sobol’方法相比,Morris方法具有计算量小和筛选快速的优势。土壤水力学参数和作物参数对模型输出项均有较大的影响,尤其是土壤水力学参数中的饱和含水率、田间持水率以及犁底层饱和导水率;作物参数中生育期总有效积温、最大比叶面积和作物系数对作物生长过程影响较大;氮素转化参数中仅氨挥发一阶动力学系数和反硝化经验系数分别对氨挥发和氮反硝化有一定的影响,其余参数均不敏感。在此基础上,固定非敏感参数,重点校准上述敏感参数。模型校验结果表明,模型模拟的地上部干物质质量、作物吸氮量、蒸散量和田面水高度均与实测值吻合较好,模拟值与实测值线性回归方程的斜率和相关系数均接近于1,P小于0. 01,说明校验后的模型可用于模拟该地区的水稻生长过程及稻田水分动态和氮素去向。采用Morris方法对筛选出的模型敏感性参数进行模型校准和验证,可以大大提高模型校验的效率和精度。本研究可为稻田土壤-作物系统WHCNS_Rice模型参数的校准和模型的推广应用提供技术支持。     

作物水、肥动态生产函数-修正Morgan模型

根据作物生长的特点及影响作物产量的主要因素,采用相对腾发量作为水分亏缺影响函数,并引入肥料效应函数,建立了修正Morgan模型.该模型可模拟干物质的积累过程对水、肥的响应,跟踪作物生长过程,动态仿真性强,可进行实时操作,为科学节水、合理施肥提供依据;且该模型所用参数相对较少,易于使用.     

作物生长过程模拟模型与形态三维可视化关键技术研究

针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求,以提高作物模拟模型的时效性、协同性和真实感为目标,结合物联网技术与作物模拟模型,进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究,以小麦作物为例,进行了田间试验,阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化,采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R ²值在0.772~0.999之间,回归方程的F值在10.153~4359.236之间,且Sig.小于显著水平0.05,模型显著性较好,模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合,实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达,为作物生产数字化系统应用提供了更有效的途径,该技术体系与方法同样适用于玉米、水稻等作物。     

作物水、肥动态生产函数—修正Morgan模型

根据作物生长的特点及影响作物产量的主要因素，采用相对腾发量作为水分亏缺影响函数并引入肥料效应函数，建立了修正Morgan模型。该模型可模拟干物质的积累过程对水、肥的响应，跟踪作物生长过程，动态仿真性强，可进行实时操作，为科学节水，合理施肥提供依据；且该模型所用参数相对较少，易于使用。     

基于作物光照需求的温室光调控系统

针对传统的温室光照环境控制方法粗糙、易造成作物光照不足及能源浪费的问题,考虑作物生长对光照的需求,基于光合速率模型,分析环境温度对作物生长光照需求的影响,推导创建了温室补光模型;同时,应用无线通讯技术设计了一个基于作物光照需求的温室光环境远程控制系统,介绍了系统的软硬件结构;最后,针对秋冬季节温室环境在1天内的实际变化情况,对系统的光照调控方法进行验证。结果表明:该方法能够根据环境的实时变化采取不同的光照控制措施,既满足作物生长的需求,又能更有效地利用能源。     

基于单参数Logistic的典型作物相对叶面积指数模型研究

为系统分析叶面积指数变化特征,构建便于实际应用的作物生长模型,在对现有叶面积指数模型参数变化特征分析的基础上,以相对有效积温为自变量,利用修正Logistic模型分析了冬小麦、夏玉米、水稻3种作物相对叶面积指数的增长特征,并确立了模型参数之间的关系。研究结果表明,参数a、b和c与相对有效积温特征值有关,随着c的增大,a逐渐增大、b逐渐减小,且其增大或减小速率均与相对有效积温有关;参数a、c与b之间也存在一定函数关系。基于参数之间的关系,对相对化修正Logistic模型进行了简化,建立了描述冬小麦、夏玉米和水稻3种作物的叶面积指数增长过程的单参数Logistic模型。利用实测资料对模型进行了评估,结果表明,该模型能够很好地模拟相对叶面积指数的增长变化过程。该简化模型参数少、形式简单、便于分析,因此易于应用,对建立其他作物的单参数相对叶面积指数模型具有一定的参考价值。     

现代农业温室环境控制策略研究进展

温室能够有效改善茄科作物(包括番茄、辣椒、茄子等)生长过程,温室环境控制策略对作物实现高效高产至关重要。为了充分利用国内外的研究成果、促进我国温室环境控制策略的研究应用,分别从常规比例微积分(Proportional Integral Derivative,PID)控制、模糊控制、人工智能控制、温室小气候模型和作物生长模型等5个方面,综述了温室环境控制策略的研究进展。针对目前我国该领域存在的问题,提出了今后应将智能温室控制与作物生长模型耦合,构建智慧型作物生长模型;针对不同区域作物的生长预测,与遥感技术进行结合,增强模型的普适性,形成具有中国特色的温室环境控制策略。     

RZWQM2模型对裸燕麦作物生长模拟的适用性研究

为评估RZWQM2模型在我国北方农牧交错带典型地区裸燕麦作物生长模拟研究中的适用性,优化裸燕麦生长过程研究的完整作物模型参数,通过北方农牧交错带典型区——河北坝上地区2018年和2019年两个完整生育期内裸燕麦田间试验,对该地区裸燕麦生长模拟参数在RZWQM2(Root Zone Water Quality Model...     

基于作物生长模型的温室智能控制系统

在对国内外温室智能控制系统进行调查分析的基础上,针对高档温室自动控制的需要,探索性地将温室作物生长模型引入到温室智能控制系统结构中,开发了基于作物生长模型的温室智能控制系统.该系统基于温室作物生长模型理论,对温室内外环境因子进行实时监测和智能化决策调节,为温室内作物生长创造最优化的生长条件.该系统功能强大,软硬件全中文界面,操作简便,运行可靠.     

高斯-牛顿法及其在作物水分生产函数模型参数求解中的应用

对于作物水分生产函数的非线性模型,现有参数求解方法是先采用变量代换使模型线性化后再用最小二乘法求解。用这种方法得到的参数估计值并不是无偏估计,因而回归方程也不是最优的,相应相关系数也不能很好地反映拟合的显著性水平。介绍了高斯-牛顿法,并把它用于作物水分生产函数Jensen模型参数求解,该方法可使拟合结果逼近无偏估计,从而提高拟合的精度。同时,给出的未经线性化模型的相关系数更能反映拟合的显著性水平。     

基于多时相无人机遥感植被指数的夏玉米产量估算

为建立夏玉米无人机遥感估产模型,正确评价规模化农业经营管理和用水效率,以内蒙古自治区规模化种植的夏玉米为研究对象,设置了5个不同水分处理的实验区域,每个实验区域布置了3个样区,利用自主研发的多旋翼无人机多光谱遥感平台,对夏玉米进行多时相的遥感监测。采用牛顿-梯形积分和最小二乘法,构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型,并采用阈值滤波法减少土壤噪声对模型精度的影响。结果显示,不同生育期的玉米估产模型精度存在显著差异。单一生育期中,精度由高到低依次为:抽雄期、吐丝期、蜡熟期、拔节期,最优植被指数为EVI2(决定系数R^2=0.72,均方根误差RMSE为485.46 kg/hm^2);多生育期的最优植被指数为GNDVI(R^2=0.89,RMSE为299.35 kg/hm^2)。经过土壤滤波后,拔节期和多生育期的R^2提升显著,其中基于植被指数GNDVI、MASVI2、EVI2的多生育期估产模型的决定系数R2提升到0.87以上。多生育期的无人机遥感估产优于单生育期,最优估产植被指数为GNDVI,阈值滤波法可以有效提升估产精度,优化后基于植被指数的无人机遥感估产模型可以快速有效诊断和评估作物长势和产量。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

基于PEST的RZWQM2模型参数优化与验证

根据糯玉米-冬小麦田间喷灌试验不同处理结果,利用独立的自动参数估计软件PEST对RZWQM2模型进行参数优化,并分析了24个模型参数的综合敏感度。通过控制不同观测变量(土壤含水率、土壤氮素含量、作物叶面积指数、产量)模拟差异函数值在目标函数中的比重,优化目标方程,确定模型参数,并用田间试验数据对模型进行验证。结果表明,在不同观测变量的模拟差异函数值最接近条件下,冬小麦出叶间隔特性参数、冬小麦春化作用敏感特性参数及糯玉米出叶间隔特性参数等3个参数对模型整体模拟效果影响最大。相比试错法而言,基于PEST优化的RZWQM2模型能够更准确地模拟糯玉米-冬小麦轮作系统中水分、氮素及作物生长情况。     

基于无人机多光谱遥感和机器学习的苎麻理化性状估测

苎麻生理生化性状是其遗传基础和环境条件综合影响的结果，能够反映特定胁迫环境下苎麻的生长发育状况。无人机遥感技术为大规模田间作物长势监测提供了有效手段，利用无人机搭载多光谱相机对苎麻理化性状进行综合评价具有实际意义。因此，以苎麻种质资源为研究对象，采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数，运用相关性分析法(Pearson correlation analysis, PCA)、递归特征消除法(Recursive feature elimination, RFE)2种最优特征筛选方法和线性回归(Linear regression, LR)、决策树(Decision tree, DT)、随机森林回归(Random forest, RF)、支持向量机(Support vector machines, SVM)、偏最小二乘回归分析(Partial least squares regression analysis, PLSR)5种机器学习算法分别构建了苎麻叶绿素相对含量(SPAD值)、叶面积指数(Leaf area index, LAI)和叶片相对含水量(Relative water ...     

马铃薯晚疫病叶片SPAD值的高光谱研究

对晚疫病害胁迫下马铃薯叶片中叶绿素含量(SPAD)及植被指数与高光谱特性进行了关联研究。首先,对接种晚疫病菌的马铃薯叶片进行连续观测7天,获取375~1 018nm波段范围内叶片的高光谱信息和SPAD信息;然后,应用ENVI软件提取高光谱数据中感兴趣区域的平均光谱信息,选择预处理效果最好的方法建立不同的预测模型,包括基于全光谱和连续投影算法(Successive Projection Algorithm,SPA)选择特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)模型与最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型,以及4种植被指数RENDVI、VOG1、VOG2、VOG3建立的简单经验估测模型。建模结果表示:全光谱的PLSR模型预测效果最好,而基于特征波长的LS-SVM模型和植被指数的二次多项式模型预测效果稍差,但大大简化了模型,为后续开发便携式仪器提供理论依据。研究表明:应用高光谱技术检测遭受晚疫病害的马铃薯叶片的SPAD及植被指数是可行的,为病害胁迫下作物的其他化学指标实时监测提供了新的路径。     

A simulation model of water dynamics in winter wheat field and its application in a semiarid region

Many models for water flow in cropped soil contain parameters such as rooting density, root permeability, and root water potential. Usually these parameters are chosen by trial-and-error method and direct measurements are difficult and impractical in some cases. This study presents a simulation model capable of analyzing water transport dynamics in a soil–plant–atmosphere continuum (SPAC). This model is developed by combining an existing mathematical model for soil water flow, a modified transpiration model taking into account of the air pressure and diurnal changes of the extinction coefficient of crop canopies, and a new simple model for root water uptake. Using data from lysimeters in a field experiment carried out on a wheat crop, we also developed two new empirical equations for the estimation of total canopy resistance and soil evaporation.We then applied the model for 2 years (1990–1991, 1991–1992) on winter wheat in a semiarid area of northwest China. Required parameters, particularly soil hydraulic and crop parameters, were determined by field and laboratory tests. Outputs from the simulation were in good agreement with the independent field measurements of seasonal changes in soil water content, canopy transpiration, surface evaporation, and root water uptake along the soil profile. In addition, this simulation agreed well with the actual measurements of seasonal crop water consumption and soil water balance among the treatments for different irrigation amounts.     

基于动力学分析的谷物流量模型

基于运动学原理建立了谷物流量模型,该模型综合考虑了谷物流量测量时的外部因素影响,如升运器转速、机械结构参数、相对位置参数和谷物特性参数等,并且通过引进相关参数来反映谷物外部因素变化影响。为了实现谷物流量模型参数的辨识和模型的精度验证,研制了一种谷物流量实验台。3个称重传感器安装在谷物流量实验台的称重箱上,用于标定和精度检验。进给箱的底部设有一块阀板,通过对阀板开度的调节可控制实验过程中不同进给量大小。在谷物流量实验台上测试结果表明:该模型能够准确描述:冲击力和谷物流量之间的关系,测量的最大误差不超过2.5%,效果要优于常用的经验模型,并具有一定通用性和鲁棒性。     

基于LS-SVM的螺旋定量加料预测及试验研究

为提高螺旋定量加料性能,开展了智能预测技术对加料量准确性的影响研究.针对考虑螺旋速度和填充率等因素对螺旋不连续定量加料的影响难以用精确数学模型来描述加料量的问题,以螺旋加料装置为研究对象,加料量为预测目标,螺杆旋转角度为主影响因子,螺旋速度和填充率为影响因素, 建立了一种基于最小二乘支持向量机(LS-SVM)与旋转角度的加料量预测模型,研究加料量与主影响因子和影响因素之间的复杂非线性关系.采用交叉验证方法辨识模型参数,开展螺旋不连续定量加料量预测与实际加料试验.结果表明:该模型的预测结果与设定值较吻合,优于理论估算和BP神经网络预测模型,采用分料装置填充率接近1时,预测误差平均为±0.02.该模型可应用于螺旋不连续定量加料的预测与控制.     

自动变速车辆坡道行驶自适应换挡策略

在分析汽车纵向动力学模型的基础上,运用改进型最小二乘法对整车质量与广义坡度进行实时辨识,以克服采用单一遗忘因子的最小二乘辨识法对变化不同步的参数辨识效果不佳的缺点。制定了自适应坡道换挡策略并进行了实车道路试验。试验结果证明,新型换挡策略能有效地解决了传统换挡策略在坡道行驶时的问题,能够更好地满足自动变速器坡道行驶的要求。