用基于人工神经网络的数据融合法测量水流泥沙含量

在采用电容传感器测量泥沙含量的过程中，电容传感器的输出值受环境温度的影响较大，为消除温度对测量数据的影响，提出了采用人工神经网络法对传感器进行数据融合处理的方法，该方法以传感器的泥沙含量值与温度值作为网络的输入，通过对网络的训练达到消除非目标参量——温度的影响。试验结果表明该方法收敛速度快，输出稳定性可显著提高，能够有效地消除温度带来的影响。     

温室无线传感器网络系统实时数据融合算法

针对温室无线传感器网络(WSN)系统的数据融合要求,提出一种多传感器实时数据融合算法。首先在节点上对各传感器数据序列进行一致性检测和三次指数平滑,然后将平滑后的数据发送到路由器或网关,基于文中提出的无需指数运算的新型支持度函数进行幂均方融合。在江苏农博园现代农业馆玻璃温室中进行了实地试验测试,结果表明:三次指数平滑能够明显减少数据波动;新型支持度函数的幂均方融合精度与高斯型支持度函数相比无显著差异,算法运算时间缩短83.6%,并且融合效果优于算术平均法。     

基于统计理论数据融合的水流泥沙含量测量仪

水流泥沙含量的测量在土壤侵蚀和水土保持研究中具有重要意义。采用自行研制的便携式水流泥沙含量测量仪测量了水流泥沙含量。结果表明，水流泥沙混合液质量与泥沙含量之间呈线性关系，可采用荷重传感器测量水流泥沙含量；通过采用基于统计理论的数据融合法来处理测量结果，可大大提高测量的准确性和重复性；其测量精度为0.63%，重复性误差小于0.49%；该测量系统为水流泥沙含量的快速、准确测量提供了一种新的、有效的方法。     

红外传感器与机器视觉融合的果树害虫识别及计数方法

为了解决果园环境中单一的害虫监测技术存在的缺陷,该研究将红外传感器和机器视觉识别技术进行融合,从两个角度对目标害虫进行识别计数。选取梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物进行试验,通过实验室人工随机散落试验样本,获得其红外传感器以及机器视觉图像的识别结果,构造融合计数计算公式,通过计算得到害虫计数结果。结果显示:梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物的红外分类阈值分别为2.25、9.06、17.88、28.38,其红外识别范围分别为(0,5]、(5,13]、(13,23]、(23,32];梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物的红外识别准确率分别为92%、78%、80%、88%,图像识别准确率分别为92%、88%、92%、90%,融合计数精度分别为98%、92%、94%、96%。可见,将红外传感器和图像识别技术相融合能够提高果树性诱害虫的识别准确率,为果园害虫的合理防治提供参考。     

基于RADARSAT-2全极化数据反演周期性地表土壤湿度

土壤湿度是农作物估产和旱情监测的关键参量。目前常用的土壤湿度反演模型都建立在随机粗糙地表条件下,对周期性垄行结构的土壤并不适用。基于RADARSAT-2全极化数据和野外实测数据,分析了交叉极化(vh)后向散射系数对垄行方位角无明显响应;同极化(hh,vv)对方位角的响应为余弦函数,但在方位角为90o±2o位置易出现偏离曲线的异常高亮度值。通过雷达影像上采样点的实测值和Oh模型推算的理论值,拟合得到周期性地表和随机地表之间的误差函数,进而对同极化影像进行纠正。纠正后的同极化比(p)去除了方位角和异常值的影响,交叉极化比(q)受到异常值的影响。通过Oh模型中的p和vh对研究区的地表参数进行反演,17个检验点的验证结果表明,预测的土壤湿度平均相对误差为11.13%,标准差为0.0256cm3/cm3;预测的均方根高度平均相对误差为13%,标准差为0.1315cm。结果与随机粗糙地表土壤湿度和均方根高度的反演精度相当,证明了该模型的有效性。     

AMSR2缺失数据重建及其土壤湿度反演精度评价

新型传感器土壤湿度产品在水分循环、农业管理等领域应用之前,需要评价其在不同区域的反演精度与数据质量。该文针对目前全球空间分辨率最高的AMSR2(advanced microwave scanning radiometer 2)3级微波土壤湿度产品,实现了缺失数据重建及其反演精度评价目的。论文研究引入离散余弦函数表达的惩罚最小二乘回归(discrete cosine transformation-partial least square,DCT-PLS)方法,重建因卫星轨道等原因造成的缺失与异常值,以构建时空分布连续的土壤湿度数据;进而以山西省为例,采用1 km分辨率的MODIS光学波段数据对AMSR2微波产品进行降尺度处理,通过实测土壤湿度、温度植被干旱指数(temperature vegetation dryness index,TVDI)验证评价这2种不同尺度的微波土壤湿度数据质量。结果表明:DCT-PLS方法能够充分利用三维时空信息对缺失数据进行重建,重建后土壤湿度具有较高质量;10、1 km 2种尺度的土壤湿度与实测土壤湿度在空间分布上较为吻合,2个示例日期中降尺度土壤湿度与TVDI之间的相关性提高了0.352、0.4264,能够更为准确地反映土壤湿度空间分布细节;通过实测数据、TVDI指数的校验,降尺度前后的AMSR2土壤湿度数据表现出了较高的质量与可靠性。     

基于GFMM网的多源遥感数据融合

运用模糊数学与神经网络理论相结合,利用人工神经网络的GFMM算法,通过学习与实验,探索了遥感数据融合方法。     

基于MEMS惯性传感器融合的水田激光平地机水平控制系统

激光平地技术是农业生产中一项重要的节本增效措施,为了使激光平地机在水田中作业时平地铲保持水平,设计了一种低成本的水田激光平地机水平控制系统,采用MEMS陀螺仪与加速度计通过信息融合测定平地铲实时倾角,通过脉冲宽度调节普通电磁阀实现平地铲水平控制。文章分析了控制系统的构成,传感器的工作原理与安装方法,阐述了两种传感器融合测量实时倾角的方法。采用了基于ARM7内核的微处理器设计了水平控制系统硬件,并给出了软件实现流程。采用AHRS（姿态航向参考系统）对系统性能进行了实验室测试与田间试验验证,测试结果表明,该水平控制系统能在动态条件下准确地测定平地铲实时倾角,可以较好地实现平地铲水平控制。     

基于机器学习和全极化雷达数据的干旱区土壤湿度反演

雷达遥感是区域土壤湿度监测最为有效的技术手段之一,为深入探讨全极化雷达特征参数和不同机器学习算法对干旱区土壤湿度反演的潜力,该研究以黑河下游的居延泽为研究区,基于全极化Radarsat-2数据,通过标准强度和相位处理提取后向散射系数(Backscattering Coefficients,BC),并通过Cloude-P...     

基于改进型支持度函数的畜禽养殖物联网数据融合方法

物联网技术已广泛应用在畜禽养殖中,针对畜禽养殖物联网中数据异常实时检测以及多源感知数据融合的需求,该文提出了一种畜禽养殖物联网数据融合模型。首先对传感器采集到的原始数据进行一致性检测,确保数据准确性;其次针对来自同类型传感器的多源同构数据,采用基于改进型支持度函数的加权算法进行数据融合处理,提高融合数据准确度;最后根据畜禽养殖物联网编码规则和数据组织格式,对畜禽养殖过程中的异构感知数据进行统一描述并转换为标准数据格式,为数据分析和应用提供数据基础。该文采用实际生产中的生猪养殖物联网数据进行试验,结果表明:在数据一致性检测阶段,异常数据检测率为96.67%,保证了数据质量;在多源同构数据融合计算中,该文提出的改进型支持度函数与高斯型、新型2种支持度函数相比融合方差最小,为0.192 5,能够有效提高数据融合准确度,满足畜禽养殖物联网数据分析要求。     

基于累积分布函数匹配的多源遥感土壤水分数据连续融合算法

数据融合是解决不同来源遥感数据无法直接对比分析这一瓶颈的有效方法。实时更新的SMOS土壤水分数据(soil moisture and ocean salinity)可开展实时干旱评价(2010年至今),但由于序列短无法开展频率及演变分析。CCI(climate change initiative)土壤水分数据是联合了多种主被动遥感数据合成的长序列数据产品(1979—2013年)。为提高不同来源遥感数据的融合精度,该研究基于累积分布匹配原理构建了多源遥感土壤水分连续融合算法,将SMOS和CCI融合成长序列、近实时的遥感土壤水分数据。经验证分析,累积概率曲线相关性中表征干旱的低值区纳什效率系数由0.52提高到0.99,且融合后土壤水分数据可以较准确地反映当地的干旱事件。该研究提出的多源遥感土壤水分连续融合算法显著提高了现有融合算法的融合精度。     

基于离散小波分解与重构的多源土壤含水量数据融合方法与评估

为提高土壤含水量格点数据的区域适用性、准确性，该研究提出了基于离散小波多尺度分解与重构的多源土壤含水量数据融合方法，利用2016-2018年6-9月ESA-CCI、SMAP、ERA5-Land数据集以及地面站点观测的土壤含水量数据，在以黄河流域为主体的主要农业气候区开展了融合方法可行性和适用性研究。结果表明，融合方法能有效捕获融合数据源的多尺度特征信息，通过多源多尺度逐层特征信息权重融合与重构，能有效改进单一数据源在不同农业气候区域的适用性、时空结构和波动特征的准确性。融合结果总体评估的均方根误差、偏差(Bias)和相关系数(r)分别为0.053 m³/m³、0.001 m³/m³和0.721，时空分解评估的综合表现均优于单一融合数据源的评估指标，多尺度时空波动频谱结构特征与观测时空序列更吻合，特别在25 d时间尺度以内时空波动吻合度改进最为明显。该研究获得了较理想的区域土壤含水量改进预期，可为区域生态环境监测、农业可持续发展、水土保持、防灾减灾等科学研究和业务应用提供可行有效的方法参考。     

近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

基于差分信号控制的土壤含水率传感器设计

研究土壤含水率的测定对于农作物生长,灌溉及农业自动化发展具有重要意义。该文针对传统含水率传感器电极输出信号谐波失真较大的问题,设计了一种差分信号控制的土壤含水率传感器。鉴于传感器电极输出的信号失真是由于土壤非线性因素引起的,该文利用集成时基计时器设计差分输入信号控制电路,减少输出信号的总谐波失真度。此外,建立相应的数学模型,得到土壤阻抗与信号周期变化关系。构建传感器硬件结构,通过微处理控制器测量信号周期得出土壤含水率变化数值。试验表明,传感器输出端的信号总谐波失真较传统结构减少12.56%。土壤质量含水率在5%~30%时,土壤含水率测试最大误差不超过4.89%,土壤阻抗测试误差不超过2%。     

基于遗传算法的土壤墒情传感器优化布局策略

针对用于节水灌溉的土壤墒情传感器布局问题,该文提出一种结合了基于全局优化遗传算法和改进的加权圆集布局理论的人机交互优化布局策略。该策略综合考虑了传感器覆盖精度、重叠限制等约束条件。通过在人机交互中引入专家知识和在遗传算法中采用十进制编码,策略易于与其它算法和附加参数协作以进行升级或移植于其它的应用场合。在给定传感器成本的仿真实验中,该文算法比四边形方案节约成本17.5%,比六边形方案节约成本34.0%。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于RC网络相频特性的土壤含水率传感器设计

土壤中的水分影响土壤养分的溶解、转移和微生物的活动,是作物赖以生存的基本要素。土壤含水率的快速准确监测对于农业生产具有重要意义。该文设计了一种基于RC网络相频特性的土壤含水率传感器。不同含水率的土壤的介电常数的变化会导致RC电路网络的相频特性的变化。传感器通过感知这种变化进而确定土壤含水率。此外,针对RC网络电路元件参数和工作频率选择的问题,该文采用最优化方法求解从而使传感器在量程范围内具有最佳的灵敏度。其中最优的工作频率为f*=1.9412×108 Hz,最优的串联电阻R*=13.1 Ω。试验表明,该传感器对砖红壤土含水率的预测模型的决定系数R2为0.9889,实际预测误差≤4.58%。     

墒情监测取样方法的研究

该文对北京通州区辖800多km²范围内3 022点的土壤墒情测量数据进行了统计分析，验证了土壤墒情符合对数正态分布，给出了计算类似区域合理取样数目时的估值方法，目的是以合理的取样数目和适合的取样方法指导区域性墒情（旱情）监测站点的建设。同样，以北京昌平一个农场的墒情分布，给出了计算类似地块合理取样数目时的估值方法，以此来指导节水灌溉。     

Differences between field-monitored and laboratory-measured soil moisture characteristics

A soil water retention curve (SWRC) is usually measured in a laboratory (lab SWRC), and is used to analyze in-situ soil moisture conditions. However, it is rarely verified whether and how a lab SWRC is in agreement with its equivalent relation between matric potential (h) and volumetric water content (θ) in a natural field (in-situ SWRC). In addition, most SWRCs show moisture hysteresis through which the drying process gives a larger θ at a given h than the wetting process, while an in-situ SWRC must be produced through the cycles of drying and wetting in the field. Thus, it can be hypothesized that an in-situ SWRC shows a lower value of θ than a lab SWRC for any h that the soil layer ordinarily experiences. To give experimental proofs for this hypothesis, this study aimed at quantifying seasonal behaviors of in-situ SWRCs and at comparing them with their corresponding lab SWRCs. To obtain a series of in-situ SWRCs, the h and θ were coincidently monitored at four points with three depths each in a meadow for 2.5 years using tensiometers and a capacitance-type soil moisture sensing system. As the equivalent to the in-situ SWRCs, the lab SWRCs were also measured. The in-situ SWRCs tended to have roughly 10% smaller θ than the lab SWRCs for the series of h observed in the study site, suggesting that an in-situ SWRC can hardly be reproduced by a lab SWRC only. In addition, when the driest condition in the recent 3 years was exerted on the study site, some in-situ SWRCs shifted along the θ axis on the θ(h) charts, suggesting that the most dried condition had changed the soil moisture regime of these soil layers, resulting in the reduction of monthly or annual means of soil water content in the field. Since the shifts of the in-situ SWRCs were accompanied by the increases in both the gradients ‘dθ/dh’ and the variation of measured h, it was implied that an extraordinary drying of a soil layer promotes the development of soil pore structure or an increase in the fraction of plant available water.