吉林省农作物产量预测的初步研究

本文运用Fuzzy聚类Bayes判别及逐步回归方法,建立了低中高社会产量阶段模型和丰平欠气象产量预报模式。对全省历年粮食产量进行统计预报表明,拟合准确率达97％以上。     

机器学习在农作物病虫害识别上的应用综述

农作物病虫害是发展农业领域所亟待解决的重要问题之一,机器学习的进步加速了识别农作物病虫害的发展趋势。目前,在农作物病虫害识别中存在农作物病虫害种类繁多、农村地区发展落后农业技术人员稀缺、过度依赖杀虫剂等问题,发挥机器学习的优势,对病害图片实现计算机识别,通过不断地学习智能分类,用来判断作物生病与否,从而实现农作物高质高量的目标。首先,介绍了传统病虫害检测缺陷;其次,介绍了目前机器学习在农作物病虫害识别的成果;再次,对机器学习的发展进行了探讨,有望将机器学习和无人机技术也运用到农作物病虫害识别上,更有利于农业进步和经济发展。     

灰色系统理论预测农作物产量的应用初探

为适应农业生产的发展,提高农村经济效益,为决策部门在农村产业结构调整方面提供科学决策的依据,应用灰色系统理论,根据前几年某一要素(如作物产量)发生情况,建立灰色模型GM(1,1),可预测未来二三年的发展趋势,以便决策部门根据预测结果,采取相应的措施加以调整。     

灰色系统理论预测农作物产量的应用初探

为适应农业生产的发展,提高农村经济效益,为决策部门在农村产业结构调整方面提供科学决策的依据,应用灰色系统理论,根据前几年某一要素(如作物产量)发生情况,建立灰色模型GM(1,1),可预测未来二三年的发展趋势,以便决策部门根据预测结果,采取相应的措施加以调整.     

农作物产量综合预测的数学模型

介绍了农作物产量综合预测的建模思路以及建模各阶段的主要算法。包含农作物产量预测的趋势因子和趋势产量的分离;趋势产量的模拟;趋势产量的外延;波动产量的预测;预测误差的修正;多个预测结果的综合集成的主要数学模型和算法。文中所涉及的数学模型和算法均经多年的应用检验,并证明其行之有效。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

山东省四种主要农作物的产量预测分析及增产对策

分析了近年山东省棉花、小麦、玉米、花生四种农作物产量状况,并对2010~2017年的单产、总产进行了预测,结果显示,除花生总产外,其余三种作物总产均稳中有升。在分析了山东省该四种作物产量提高的制约因素后,提出了重视县域发展、适度增加种粮面积、不断优化品种结构、发展订单农业、优化粮食区域布局等增产措施。     

磷肥对农作物产量和品质的影响研究综述

磷素是一切动植物赖以生存的物质之一,磷肥是农业生产中不可或缺的养料。该文综述了磷肥对粮食作物、经济作物、蔬菜作物的产量和品质的影响,以期为磷肥的合理施用提供建议。     

作物产量差研究进展

目前作物实际产量与潜在产量之间存在较大的差距,缩小这个差距对于提高粮食产量.满足日益增加的粮食需求具有重要意义,特别是针对中国人多地少,水资源短缺的情况.其意义更为重要.首先阐述了进行作物产量差研究的重要性,并从产量差定义的提出与发展、研究涉及的尺度及分析方法等方面介绍了国内外作物产量差研究现状及进展,在此基础上提出目前作物产量差研究中存在的问题,并进一步探讨了今后作物产量差研究的主要发展方向.     

农作物杂种优势的遗传基础及其预测研究概述

植物杂种优势的利用是大幅度提高农作物产量最主要的措施之一,在几种主要农作物上获得了极大成功。有关杂种优势遗传理论的探讨从未间断,特别是近年来分子生物学在植物遗传领域的广泛应用,使人们对杂种优势的遗传本质有了更加深入的了解。本文综述了杂种优势遗传机理研究、杂种优势的分子生物学基础及其预测研究的进展情况。     

基于机器学习的苹果始花期预测

始花期的早晚是生长过程中气象因子累积对果树产生的影响。冬季果树休眠是一个需冷量到需热量的过程，研究了这一过程中气象因子对苹果果树始花期的影响并预测始花期。基于山西省吉县苹果物候数据和气象数据，研究三个时间段内（是否发生冻害、能否正常越冬和热量与水分需求）气温、湿度、地温、降水量和光照等气象因子对花期的影响程度,采用多元线性回归方法和组合方法，建立山西省吉县苹果果树始花期的预测模型。结果表明，在三个不同时间段内预测值与真实值的决定系数分别为：0.59、0.71和0.48。由于分析天数长短的不同，基于能否正常越冬建立的模型效果最好，其决定系数为0.71，分析天数最短的基于热量与水分需求时间段的模型决定系数最小，这表明预测过程中分析天数的选择不宜过小。使用组合方法模型的决定系数为0.78，比能否正常越冬时间段模型的0.71略有提升。同时预报模型可以在3月15日完成提前量至少为24 d的精准预测。     

基于机器学习的苹果始花期预测

始花期的早晚是生长过程中气象因子累积对果树产生的影响。冬季果树休眠是一个需冷量到需热量的过程,研究了这一过程中气象因子对苹果果树始花期的影响并预测始花期。基于山西省吉县苹果物候数据和气象数据,研究三个时间段内（是否发生冻害、能否正常越冬和热量与水分需求）气温、湿度、地温、降水量和光照等气象因子对花期的影响程度,采用多元线性回归方法和组合方法,建立山西省吉县苹果果树始花期的预测模型。结果表明,在三个不同时间段内预测值与真实值的决定系数分别为：0.59、0.71和0.48。由于分析天数长短的不同,基于能否正常越冬建立的模型效果最好,其决定系数为0.71,分析天数最短的基于热量与水分需求时间段的模型决定系数最小,这表明预测过程中分析天数的选择不宜过小。使用组合方法模型的决定系数为0.78,比能否正常越冬时间段模型的0.71略有提升。同时预报模型可以在3月15日完成提前量至少为24 d的精准预测。     

基于支持向量回归机的粮食产量预测研究

支持向量机(Support Vector Machines,SVM)是一种具有坚实理论基础的新颖小样本学习方法。采用支持向量机回归(Support Vector Machine Regression,SVR)算法,用libsvm-2.89软件包对我国近年来的粮食产量进行回归预测,选择交叉验证法进行参数寻优,建立粮食产量和其影响因素的支持向量机回归模型。粮食产量预测平均相对百分误差为1.209%,均方根误差为581.191,相关系数为0.962 24。将预测结果与指数平滑模型、生产函数模型及多元线性回归模型进行了比较,用平均绝对百分误差、希尔不等系数及均方根误差对4种模型预测结果进行评价。结果表明,基于支持向量机的径向基核函数(RBF)模型预测粮食产量的精度优于其他预测方法。     

作物表皮蜡粉研究评述

本文综述了作物表皮蜡粉的成分、结构、合成途径、功能及测定方法等研究的最新进展。并对比了测定蜡粉的方法,对存在的缺陷和不足进行探讨,可为研究作物蜡粉提供参考。     

虚拟作物研究进展

本文说明虚拟作物的研究意义，从植物的生理生态过程和形态结构的角度来分析虚拟作物的研究历程及国内外研究现状，简单说明虚拟植物软件AMAPpara所采用的数学模型，介绍另外一种生成植物图象的形式语言L-System.     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R~2)和预测准确率(PA)最高(R~2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R~2=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R²)和预测准确率(PA)最高(R2)和预测准确率(PA)最高(R²=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R²=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。