基于遥感数据同化的土壤含盐量估算方法

为探究同化遥感数据对监测区域尺度土壤含盐量时空信息的适用性,以河套灌区沙壕渠灌域为研究区,以高分一号卫星影像为数据源,通过灰度关联法筛选光谱指数,采用岭回归法构建不同深度的土壤含盐量反演模型,使用集合卡尔曼滤波同化算法将遥感数据应用于HYDRUS-1D模型中,开展区域尺度不同深度土壤含盐量的同化研究。结果表明,基于不同深度土壤含盐量的岭回归法模型,其R²均在0.64以上,RE为0.14～0.22,反演精度较高,得到的反演值较为准确;在单点尺度上,与模拟值、反演值相比,同化值更接近实测值,其EFF为0.84～0.93,NER为0.61～0.73,均为正数,且RMSE降低到0.006%～0.011%,提高了HYDRUS-1D模型模拟精度;在区域尺度上,不同深度同化值的r均为0.94以上,NER为0.61以上,优于模拟值和反演值,且同化精度随着深度的增加而降低。本文基于遥感数据和HYDRUS-1D模型的集合卡尔曼滤波同化研究,提高了土壤含盐量的模拟精度,对提高监测区域尺度土壤含盐量时空信息的精度具有一定的参考价值。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数神经网络的原理、训练算法,并建立了基于径向基函数神经网络的农田土壤含盐量预测模型.通过实例验证,该模型具有较强的非线性处理能力和逼近能力,运算速度快,性能稳定,预测精度较高,泛化能力强,可用于生产实践中.     

人工神经网络在预报土壤墒情中的应用

依据从2005年1～12月所采集的365组试验数据,建立了一个能够反映土壤墒情变化与气候因素之间关系的人工神经网络模型.模型共分输入层、隐含层和输出层3层.输入层的输入变量包括数据采集当天的10 cm、20 cm和40 cm深度的土壤含水量以及当天的日照时数,空气湿度,平均气温和降雨量.输出层的输出变量包括1天后的10 cm、20 cm和40 cm深度的土壤含水量.模型的学习因子为0.1,动量因子为0.05.模型经过25 000次训练后收敛,收敛误差为8×10 -4 ,这说明该模型能够很好的反映出输出量与输入量的关系,并能够准确预报出土壤水分信息.     

区域土壤水盐动态人工神经网络预测研究

根据黄河河套灌区多年的区域水监监测资料，比较了ANN三层、四层BP网络不同学习速率下的收敛效果，拟合精度，应用四层BP网络模型对灌区的年内不同时期的土壤水分、盐分的动态变化进行了模拟预测。研究表明，BP网络可以用于区域土壤水盐动态预测，方法简便可行，有较高的精度，是对传统的区域水盐动态模数值拟预测方法的补充。     

基于全子集-分位数回归的土壤含盐量反演研究

为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0～20 cm、20～40 cm、0～40 cm、40～60 cm、0～60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0～20 cm、0～40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20～40 cm、40～60 cm、0～60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20～40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。     

基于雷达遥感的不同深度土壤含盐量反演模型

为及时、有效地监测盐渍化土壤含盐量,以内蒙古河套灌区沙壕渠灌域为研究区,将Sentinel-1雷达影像作为数据源,同步采集不同深度土壤含盐量数据,通过组合两组雷达后向散射系数构建多种指数,并用灰度关联（Gray correlation degree,GCD）排除共线性强的指数,采用偏最小二乘回归（Partial least squares regression,PLSR）、分位数回归（Quantile regression,QR）和支持向量机（Support vector machine regression,SVM）3种方法,构建0~10cm、10~20cm不同深度下的土壤含盐量反演模型。结果表明,在3种回归方法中,SVM回归模型的精度最高,模型建模集决定系数R2c、验证集决定系数R2p均在04以上,建模集均方根误差RMSEc、验证集均方根误差RMSEp均小于03%,分位数回归模型次之,偏最小二乘回归模型最差;在各反演深度下,0~10cm深度的反演精度均高于10~20cm深度的反演精度,其中在0~10cm深度下SVM反演模型效果优于其他模型,R2c、R2p分别为0568和0686,RMSEc、RMSEp分别为0.201%和0.151%。本研究可为雷达遥感监测裸土期土壤盐渍化提供参考。     

微咸水灌溉条件下土壤和地下水含盐量空间变异分析

对射阳县农田土壤含盐量、地下水含盐量进行取样检测，应用地质统计学方法对所取得的数据进行理论分析。结果表明，该地区在微咸水灌溉条件下，土壤含盐量服从正态分布，其空间结构符合5次球状函数；地下水含盐量服从对数正态分布，其空间结构符合3次球状函数，利用GSLIB软件，绘制了该县土壤含盐量和地下水含盐量等值线图，为该地区水土管理，防止土壤盐渍化提供了决策依据。     

微咸水灌溉条件下土壤和地下水含盐量空间变异分析

对射阳县农田土壤含盐量、地下水含盐量进行取样检测 ,应用地质统计学方法对所取得的数据进行理论分析。结果表明 ,该地区在微咸水灌溉条件下 ,土壤含盐量服从正态分布 ,其空间结构符合 5次球状函数 ;地下水含盐量服从对数正态分布 ,其空间结构符合 3次球状函数。利用 GSLIB软件 ,绘制了该县土壤含盐量和地下水含盐量等值线图 ,为该地区水土管理 ,防止土壤盐渍化提供了决策依据     

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10cm、10~20cm、20~40cm、40~60cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数（NDVI-2）代入像元二分模型计算植被覆盖度,并划分为T1（裸土）、T2（低植被覆盖度）、T3（中植被覆盖度）、T4（高植被覆盖度）4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10cm、10~20cm、20~40cm、20~40cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。     

神经网络方法在土壤墒情预测中的应用

在对比分析现有土壤墒情预测模型的基础上，采用改进的神经网络方法建立了土壤墒情预测模型，并结合实测数据进行误差分析，结果表明神经网络模型可成功应用于土壤墒情分析和预测，对于不同条件的地区具有广泛的适应性和推广应用前景。     

基于改进的BP神经网络集成的作物精准施肥模型

作物最优施肥量与土壤养分含量、产量之间存在复杂的非线性关系。为更加准确地模拟这种关系,提出一种改进的的BP神经网络集成方法。该方法采用K-均值聚类优选神经网络个体,采用拉格朗日乘子方法计算待集成的神经网络个体的权值。然后,基于农田肥料效应试验数据,以土壤养分含量和施肥量作为神经网络的输入,以产量作为神经网络的输出,建立了作物精准施肥模型。该模型通过求解一个非线性规划问题,能同时获得最大产量和最优施肥量。试验结果表明,在施肥模型的拟合精度方面,改进的神经网络集成方法（其均方根误差为64.54）明显优于单个神经网络方法（其均方根误差为169.74）。而且,作为一种定量模型,基于改进的神经网络集成的施肥模型优于传统施肥模型,能有效地指导精准施肥。     

基于MEA-BP神经网络的土壤养分评价模型

针对BP神经网络在解决复杂非线性问题时,存在初始权值和阈值随机赋值,网络学习速度慢,局部极小的问题,运用群体搜索能力强的思维进化算法(MEA),寻找出最优的初始权值和阈值,优化BP神经网络的网络结构,建立MEA-BP神经网络的土壤养分等级评价模型。以敦化市黑土的土壤养分数据作为测试集,评价指标选用土壤的有机质、全氮、速效氮、速效磷和速效钾。对比MEA-BP网络预测模型、遗传算法(GA)优化BP网络预测模型和单一的BP网络预测模型,结果表明MEA-BP网络预测模型的均方误差(MSE)最小、决定系数(R^2)最接近1和误差波动最小,可以更准确地反映土壤养分分级特性。     

基于BP神经网络工具箱实现函数逼近

运用计算机高级语言编程对神经网络BP模型进行仿真和辅助设计是件十分麻烦的事情,为了解决这个矛盾,Matlab神经网络工具箱中专门编制了大量有关设计BP网络模型的工具函数.文章分析了Matlab软件包中人工神经网络工具箱的有关BP网络的工具函数,结合一个实际的例子详细阐述了基于BP神经网络的函数逼近过程及其MATLAB实现方法.     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

基于BP神经网络猪咳嗽声识别

咳嗽是猪患呼吸道系统疾病发病早期的主要症状.为解决猪呼吸系统疾病难以被发现和人工监测准确率低的问题,提出利用BP神经网络来检测和识别猪咳嗽声音的方案.基于四麦克风阵列进行猪声音数据的采集,以猪咳嗽声、打呼噜声、尖叫声、哼哼声、咆哮声的声音为研究对象,对得到的声音数据进行滤波、端点检测等预处理,把梅尔频率倒谱系数(MFC...     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

BP神经网络在线预测和轧花机控制系统的实现

文中通过对轧花机的结构和工作原理的研究,指出棉籽分离控制系统的不足,研制出了不同回潮率控制下的变频调速和BP神经网络预测短绒率系统,该方案实现了上位机对轧花机的控制。该系统运行稳定,降低了短绒率,提高了轧花精度。     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

基于互信息参数优化BP神经网络的生物质发电量预测研究

生物质直燃发电是目前应用最广、规模最大的生物质能利用方式。然而由于生物质种类繁多、理化性质多变、燃烧不稳定,使得发电量难以准确预计,这为电网调度、安全运行带来隐患。为此,提出一种基于互信息参数优化BP神经网络的生物质发电量预测模型。从生物质电厂收集发电量以及物料参数、锅炉参数、汽机参数、环境参数等实际生产数据,采用平均影响值分析、相关分析和互信息分析对发电量的影响因素进行优化选择,并利用电厂实际数据建立BP神经网络模型。测试结果表明,采用优化影响因素建立的神经网络模型预测误差大幅度降低,其中互信息分析优化效果最佳,平均预测误差从未优化模型的4.59%降至0.66%,且进一步优化神经网络参数后,平均预测误差降至0.50%。