基于时间序列分解方法的太湖未来特征水位预测

基于太湖沿湖5个水文台站1956—2006年的逐日平均水位数据,提取得到了逐年特征(平均、最高和最低)水位,运用时间序列分解方法模拟和预测了太湖未来15a的特征水位,并探讨了太湖未来洪灾情势。将水位序列分解为趋势成分、周期成分和随机成分,得到时间序列分解模型,并进行了水位序列模拟和预测。分析结果表明,该模型的模拟精度比较理想,可以实现未来较长期的特征水位预测。预测得到未来15a后的最高水位可能达到4.05m,显著超过太湖警戒水位,因此需引起相关部门的重视。     

基于时间序列GA-SVR的水产品价格预测模型及验证

水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。     

基于季节分解和长短期记忆的北京市鸡蛋价格预测

准确把握北京市场鸡蛋价格波动特征和规律,及时预测鸡蛋价格波动趋势,不仅是农业进入新发展阶段的首都"菜篮子"工程建设的需要,而且有利于社会经济的稳定发展。该文选取北京市月度鸡蛋价格作为试验数据,在对北京市鸡蛋价格历史数据分析的基础上,根据鸡蛋价格序列的非线性、季节性和周期性特征,提出一种基于时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess,STL)和长短期记忆网络(Long-short Term Memory,LSTM)组合的鸡蛋价格预测模型。通过采用LSTM模型实现对由STL方法分解的鸡蛋价格波动成分的趋势成分及剩余成分和用季节朴素方法(Seasonal-na?ve, Sna?ve)对鸡蛋价格波动的季节成分分别进行预测,可以获取未来鸡蛋价格的综合预测值。研究结果表明:2000—2018年北京市鸡蛋价格在整体呈现上升趋势,且存在"春低秋高"的季节性和随机波动特征;该研究构建的STL-LSTM模型在预测步长分别为1、3、6时的均方根误差分别为0.19、0.33、0.43;平均绝对百分比误差分别为1.91、3.53、4.58,均优于长短期记忆网络、支持向量回归(Support Vector Regression,SVR)和差分整合移动平均自回归(Autoregressive Integrated Moving Average Model,ARIMA)模型,可以为预测预警北京市场鸡蛋价格异常波动情况、为行业和政府主管部门保障北京市场鸡蛋供应决策提供参考依据。     

基于游程检测法重构集合经验模态的养殖水质溶解氧预测

为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R~2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。     

基于小波分析理论组合模型的农业需水量预测

为了提高农业需水量（非平稳时间序列）的预测精度,该文运用小波分析理论,将农业需水量这一时间序列用小波分解到不同尺度上以减少原始序列的随机性,然后用灰色预测法和时间序列预测法对重构后的时间序列进行预测。将小波分析理论、灰色预测理论和时间序列预测法组合进行需水量的预测,为原始非平稳时间序列的预测应用拓展了空间。以鄂尔多斯市的农业需水量预测为例对该方法作了验证,2009年数据检验结果表明该组合预测模型精度较高,相对误差小于3%,为农业需水量的预测提供了一种新方法,对鄂尔多斯市的水资源合理地利用、规划和管理以及促进区域社会经济的可持续发展具有重要的意义。     

基于优化Transformer网络的绿色目标果实高效检测模型

果园环境中,检测目标果实易受复杂背景、果实姿态和颜色等因素影响,为提高绿色目标果实检测的精度与效率,满足果园智能测产和自动化采摘要求,本研究针对不同光照环境和果实姿态,提出一种适于样本数量不足的绿色目标果实高效检测模型。该模型采用优化Transformer结构,首先借助卷积神经网络(Convolutional Neural Network,CNN)网络提取图像特征;然后输入编码-解码器生成一组目标果实预测框,最后通过前馈神经网络(Feed-forward Network,FFN)结构预测检测结果。在训练过程中,引入重采样法扩充样本数量,解决样本数量不足问题;引入迁移学习,加速网络收敛。分别制作苹果、柿子数据集用于模型训练。试验结果表明,经迁移学习后该模型训练效率大幅提高;与流行的目标检测模型相比,优化后的模型在检测绿色柿子与绿色苹果时,精度分别为93.27%和91.35%。该方法可为其他果蔬绿色目标检测提供理论借鉴。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

基于变分模态分解-BA-LSSVM算法的配电网短期负荷预测

配电台区日负荷序列呈现为既包含变化趋势、又含有波动细节的不规则曲线,该文借助变分模态分解(variational mode decomposition,VMD)将包含这些信息的原始日负荷序列分解为不同频率尺度的子序列,并结合一系列复杂的环境因素,分别利用不同的最小二乘支持向量机(least squares support vector machine,LSSVM)模型进行负荷预测,最后将基于不同频率分量的预测结果相加得到最终的日负荷预测结果。为了提高LSSVM预测能力,采用蝙蝠算法(bat algorithm,BA)对各LSSVM的参数进行寻优,同时,该文分析了影响负荷变化的环境因素,设计了一套因素归一化方法,预测过程考虑了环境因素的影响。仿真结果表明,该文提出的考虑复杂环境因素的预测思想及对历史日负荷进行VMD分解、BA优化、LSSVM预测的组合预测方法能有效提高短期日负荷预测的准确性。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

白石水库总氮浓度预测

采用灰色关联法合理选取BP网络输入变量,即总磷、氨氮、pH、化学需氧量和挥发酚5项水质指标,然后依据总氮浓度与最优影响因子之间的对应关系训练BP网络模型,对白石水库2020年8—12月总氮浓度利用马尔科夫链改进的模型进行预测。结果表明：马尔科夫链改进的BP网络模型具有较高的预测精度,相对误差不超过5%,研究成果为科学预测白石水库水质提供一定参考。     

基于分数阶灰色模型的农业用水量预测

针对农业用水量序列的振荡特性以及传统灰色预测模型的过拟合问题,该文提出分数阶灰色预测模型。将农业用水量振荡序列转化为单调递减非负序列,并以转化序列为基础,根据"阶数最大(或最小)"、"历史数据拟合最好"2个目标函数构造优化模型,采用改进NSGA-Ⅱ(non-dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ)进行模型求解。根据验证集拟合结果优选出模型阶数,结合分数阶反向累加灰色模型(fractional order reverse accumulation grey model),以通辽市和宝鸡市为例,进行农业用水量的预测。为了检验模型性能,将该文模型分别与传统GM(1,1)模型、自回归模型、基于小波分析理论组合模型进行对比。结果表明,该文模型对于通辽市、宝鸡市与鄂尔多斯市的农业用水量预测的相对误差分别为2.33%、0.31%和1.77%。同时,该文模型预测误差最小(比自回归模型分别低1.11%(通辽)、6.18%(宝鸡);比传统GM(1,1)模型分别低3.32%(通辽)、0.97%(宝鸡)),具有一定实用性,研究结果可为区域农业用水量预测提供依据。     

基于HP滤波与ARIMA-GARCH模型的柱塞泵泄漏量预测

柱塞泵关键摩擦副磨损造成的泄漏增大是其性能退化的主要原因,预测泄漏量的变化趋势有助于定量分析柱塞泵性能退化过程。该研究使用HP（Hodrick-Proscott）滤波对柱塞泵泄漏量进行分解,结合滤波后得到的趋势数据具有非线性及方差异性的特征,基于时间序列方法建立HP-ARIMA-GARCH（HP-Auto Regressive Integrated Moving Average- Generalized Autoregressive Conditionally Heteroscedastic）模型预测柱塞泵泄漏量变化。通过不同时段泄漏量预测结果比较可知,根据HP滤波分解后得到的趋势数据序列建立的HP-ARIMA-GARCH模型较传统时间序列模型预测结果的平均相对误差最高可减小5.42个百分点,能够实现对泄漏量的有效预测。研究结论可为柱塞泵性能退化的定量预测提供理论参考。     

价格信息、农产品质量与农民收入关系分析

我国农产品价格波动频繁且具有一定的周期性,价格信息对农户的生产经营产生较大的影响,特别是在价格信息不确定的情况下,农产品品质将有不同的变化。因此,要给农户清晰的农产品价格信息,引导农户种植高质量的农产品,从而获得最大化的收入。     

An error budget for digital soil mapping of cation exchange capacity using proximally sensed electromagnetic induction and remotely sensed γ‐ray spectrometer data

The cation exchange capacity (CEC) of soil is widely used for agricultural assessment as a measure of fertility and an indicator of structural stability; however, its measurement is time‐consuming. Although geostatistical methods have been used, a large number of samples must be collected. Using pedometric methods and incorporating easy‐to‐measure ancillary data into models have improved the efficiency of spatial prediction of soil CEC. However, mapping uncertainty has not been evaluated. In this study, we use an error budget procedure to quantify the relative contributions that model, input and covariate error make to prediction error of a digital map of CEC using gamma‐ray (γ‐ray) spectrometry and apparent electrical conductivity (EC_a) data. The error budget uses empirical best linear unbiased prediction (E‐BLUP) and conditional simulation to produce numerous realizations of the data and their underlying errors. Linear mixed models (LMMs) estimated by residual maximum likelihood (REML) are used to create the prediction models. The combined error of model [5.07 cmol(+)/kg] and input error [12.88 cmol(+)/kg] is ~12.93 cmol(+)/kg, which is twice as large as the standard deviation of CEC [6.8 cmol(+)/kg]. The individual covariate errors caused by the γ‐ray [9.64 cmol(+)/kg] and EM error [8.55 cmol(+)/kg] were large. Preprocessing techniques to improve the quality of the γ‐ray data could be considered, whereas the EM error could be reduced by the use of a smaller sampling interval in particular near the edges of the study area and at pedoderm boundaries.     

Accounting for changes in soil carbon under the Kyoto Protocol: need for improved long-term data sets to reduce uncertainty in model projections

Abstract. Soils can be used as a biospheric sink for carbon under Article 3.4 of the Kyoto Protocol and parties are able to use agricultural soil carbon sinks to contribute towards carbon emission reduction targets. This should be done 'taking into account uncertainties, transparency in reporting, and verifiability'. Models are often tested against data sets of long-term changes in soil organic carbon (SOC), but most data sets have only mean SOC values available at each sample date, with no estimates of error about the mean. We show that when using data sets that do not include estimates of error about the mean, it is not possible to reduce the error (root mean squared error) between modelled and measured values below 6.8–8.5%, even with site-specific model calibration. Equivalent errors for model runs using regional default input values are 12–34%. Using error as an indicator of the certainty that can be attached to model projections, we show that a significant reduction in uncertainty is needed for Kyoto accounting. Uncertainties for modelling during the first Kyoto Commitment Period could be reduced by better replication of soil measurements at benchmark sites. This would allow model error to be separated from measurement error, which would allow more comprehensive model testing and, ultimately, more certainty to be attached to model predictions.     

大米直链淀粉含量的近红外光谱分析

大米的直链淀粉含量是影响大米蒸煮和加工特性的最重要因素之一,常被用作蒸煮米质构特性评价指标。该文对不同粒度、不同类型大米样品进行了近红外光谱分析,建立了大米直链淀粉含量的预测模型,（精米样品）预测值与化学分析值的相关系数达0.95。预测标准差、平均相对误差分别为0.56和3.1%。     

农产品价格信息监测预测系统设计与实现

从信息应用的角度出发,提出了农产品价格信息服务的新模式,介绍了农产品价格信息监测预测系统的设计与实现,阐述了系统的体系结构、功能模块和实现流程,并对系统在数据采集、价格监控、分析预测模式方面的创新点进行了说明。     

基于多模式集成输出天气变量的参考作物腾发量预报

参考作物腾发量（reference evapotranspiration, ET0）是农业生产中一项重要的参数,对评估未来的干旱程度和实现农业精细化管理具有重要意义。为进一步提高ET0的预报精度,该研究将多模式集成方法应用于ET0的预报,运用遗传算法-回归型支持向量机对欧洲中期天气预报中心、美国国家环境预报中心、日本气象厅和韩国气象厅4个中心全球集合预报模式输出的天气变量进行多模式集成处理,基于最优的模式和方案使用Penman-Monteith公式对山西运城站未来1～7 d的ET0进行预报,并对其在站点附近农业试验田的适用性进行验证。结果表明,多模式集成能够调和单一模式在气象预报中的优劣,从而提高ET0预报的精度和长预见期下的稳定性;在ET0预报中,多模式方案的性能明显优于原始单一模式,由最优模式和方案组成的重组方案预报性能最好,具有最小的均方根误差、平均绝对百分比误差,分别为0.65～0.81 mm/d和19.43%～23.78%,以及最高的决定系数（0.83～0.89）。在对试验田未来1～7 d的ET0预报中,重组方案仍表现出良好的预报性能,均方根误差、平均绝对百分比误差不超过0.83 mm/d和34.57%。该研究能有效提升数值天气预报在运城站下属乡镇地区的适应性,为当地农业实际生产提供准确的ET0预报信息,对于农业需水预测以及水资源优化管理具有重要意义。     

谷物联合收割机油耗随机森林预测模型

近年来农业机械保有量不断增加,农业机械对化石燃料的消耗也不断增长。该研究以实现沃得4LB-150AA型号谷物联合收割机田间作业时的油耗预测为目的,基于收割机CAN(Controller Area Network)总线及GNSS(Global Navigation Satellite System)终端采集的发动机工况数据、行驶工况数据,构建了发动机平均扭矩、发动机平均转速、平均速度、加速度均值、减速度均值、加速度方差、减速度方差7个指标,探索了7个指标与油耗之间的相关性,分析了收割机在不同区域的油耗差异,建立了基于随机森林的收割机油耗预测模型。结果表明:7个指标都与油耗存在相关性,其中发动机平均扭矩、发动机平均转速、平均速度与油耗的相关性较高,相关系数在0.6以上,其次是加速度均值、减速度均值、加速度方差、减速度方差,相关系数在0.4以上;并且不同区域的收割机作业油耗存在显著差异,其中单位面积产量高的区域油耗也相对较高;同时基于随机森林的油耗预测模型可以实现收割机作业时油耗的准确预测,均方根误差为0.14 L/h,平均绝对误差为0.24 L/h,决定系数为0.84。该研究提出的方法可为农机的工况优化及精准油耗监管提供参考。