基于CNN-GRU的菇房多点温湿度预测方法研究

有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。     

基于深度学习的双阶段大坝变形预测模型

为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和奇异谱分析（Singular Spectrum Analysis,SSA）的多级数据降噪技术。这能有效地消除监测数据中的噪声和异常值,提高数据质量,为后续预测提供更合理的大坝变形数据。随后构建基于卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）的深度学习模型。采用CNN从监测数据中提取丰富的特征,利用GRU来捕获和处理时间序列数据中的长期依赖关系。为了增强模型的表现,引入了自注意力机制,以帮助模型更好地处理和识别数据中的复杂模式。通过与其他预测方法的比较,实验结果表明,该方法在大坝位移预测的准确性和稳定性方面相较于其他方法有显著的提升,能够为大坝变形监控领域提供新方法。     

基于BiGRU_MulCNN的农业问答问句分类技术研究

“中国农技推广”问答社区每天新增提问数据近万条,对提问的有效分类是实现智能问答的关键技术环节。海量提问数据具有特征稀疏性强、噪声大、规范性差的特点,制约了文本分类效果。为了改善农业问答问句短文本分类性能,提出了BiGRU_MulCNN分类模型,运用TFIDF算法拓展文本特征,并加权表示文本词向量,利用双向门控循环单元神经网络获取输入词向量的上下文特征信息,构建多尺度并行卷积神经网络,进行多粒度的特征提取。试验结果表明,基于混合神经网络的短文本分类模型可以优化文本表示和文本特征提取,能够准确地对用户提问进行自动分类,正确率达95.9%,与其他9种文本分类方法相比,分类性能优势明显。     

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

北方干寒地区日光温室太阳辐射预测模型构建

构建适用于北方干旱、寒冷地区的典型日光温室内外太阳辐射的动态预测模型.模型中考虑了天空云量对太阳辐射遮挡和室内作物生长对太阳辐射吸收、反射两个因素的影响,并利用内蒙古农牧业科技园区的日光温室对模型进行了验证.结果表明,模型能预测晴天、多云、阴天天气的日光温室外和室内到达土壤表面的太阳辐射的动态过程,预测值和实测值之间的相对误差不超过8%.     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一,具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先,使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明,本文提出的WT-CNN-LSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

基于MEA-LM-BP神经网络的棚室温度预测模型研究

对棚内温度进行精确预测是实现棚室精准调控的前提,是实现棚内作物高品质栽培的保障.因棚室具有大惯性、强耦合、非线性等特点,通过机理分析法难以建立其准确的数学模型,人工神经网络方法在棚室温度预测方面应用广泛,但其存在的收敛速度慢、容易陷入局部最小等缺点使测量精度受到影响.为进一步提高基于神经网络算法的棚室温度预测模型精度,...     

RWCK-I型日光温室温度自动控制器

为实现日光温室大棚温度自动调节与控制,研制了RWCK-I型日光温室温度自动控制器,阐述了设计该控制器所依据的基本原理以及系统的主要特点,介绍了温控系统的主要组成部分和工作过程.     

基于CFD的日光温室温度与卷帘开度关系研究

日光温室通过在棚面上覆盖卷帘保温材料的方式,可以有效地减少日光温室在外界环境温度较低情况下的热量散失,在前期研究的改进型日光温室后置固定式卷帘装置基础上进一步研究不同卷帘开度对于日光温室内部温度变化的影响。选择保温性质较好的保温被作为卷帘材料、简化北方地区较为典型的辽沈Ⅳ型日光温室结构,通过对日光温室的散热情况分析,得到日光温室内部温度的变化与其卷帘开度导致的保温材料与卷膜的覆盖面积变化存在着一定的线性关系。并通过CFD-Fluent仿真软件和验证性试验进行研究验证,结果表明:覆盖卷帘可以有效地减少日光温室的热量散失,维持室内适宜温度及其均匀性,在较为理想的环境条件下,日光温室内部温度变化与卷帘开度存在一定的线性关系,且日光温室内部温度由于棚面散热速率的差异所呈现的区域性差异也进一步验证了该结论。     

温室方位角对日光温室温度环境的影响

温室方位角对室内温度环境有直接影响.通过对具有不同朝向日光温室室内温度环境的对比实验, 探讨了温室方位角对室内温度环境的影响.测试结果表明,晴天时, 南偏西温室室内夜间温度高于正南及南偏东温室;阴天时, 温室朝向对室内温度环境无明显影响.     

基于RF-GRU的温室番茄结果前期蒸腾量预测方法

针对温室番茄无法按需灌溉问题,提出了随机森林(Random forest,RF)结合门控循环单元(Gated recurrent unit,GRU)神经网络的温室番茄结果前期蒸腾量预测方法,并开发了一套基于番茄蒸腾量的智慧灌溉系统.基于物联网实时获取数据,采用RF算法对影响温室番茄蒸腾量的变量进行特征重要性排序,选取作...     

二次聚类与神经网络结合的日光温室温度二步预测方法

精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统,受室内外众多环境因素影响,且部分因素难以准确测量和建模,因此,难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先,进行二次聚类,对室外温度情况相似的日进行聚类,并将全年划分为若干个类似时间段,根据连续时间段内相似日的数量进行聚类,将全年内的连续时间段归入若干类别。其次,对不同类别的时间段,分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型,通过数据训练,能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证,通过二次聚类,全年连续时间段可划分为3类,通过分别建立BP神经网络并分别训练,结果表明本方法预测误差仅为6.23%,与现有未分类的BP神经网络预测算法对比,本文方法有效地提高了准确度,平均误差降低5.4个百分点。     

基于微信平台的温室环境监测与温度预测系统

温室数据采集系统多采用数据采集端通过上位机管理数据或上传至数据服务器的方式进行温室环境监测和管理,该方式网络结构相对复杂,功耗较大。为解决上述问题,本文采用物联网、云服务、微信平台结合的方式,设计开发了基于微信平台的温室环境监测与温度预测系统。系统采用数据采集端直接通过WiFi/GPRS联接互联网访问云服务器的方式进行数据交互,手机移动端通过微信公众号访问云服务器获取数据服务。温度预测模型采用差分时间序列模型,解决温度预测过程中季节周期性的影响。通过对系统数据分析证明：系统有效实现了数据采集端的轻量化与可移动性,不仅能够对数据进行有效管理,且温度监测相对误差低于4.96%,温度预测相对误差低于3%,预测结果具有较高的精度,能够满足日常生产的需要。     

日光温室内温度特点及其变化规律研究

对日光温室内的活动积温、气温、地温的季节变化、日变化,气、地温的空间分布规律,气、地温之间的关系进行了较为系统的研究;并对各季节日光温室内外气温的关系,日光温室内气温与时间的关系进行了回归相关分析,建立了相应的回归方程。利用该组方程可以对各季日光温室内的气温进行估算分析。     

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。