主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

基于物候与极端气候信息的耕地土壤有机碳空间分布预测研究

土壤有机碳（Soil Organic Carbon,SOC）作为陆地生态系统中最大的碳库，在农田土壤质量和作物产量方面发挥着重要作用。准确预测耕地SOC的空间分布对于制定农业管理措施至关重要。在数字土壤制图（Digital Soil Mapping,DSM）框架下，选择有效的环境协变量是提高SOC空间预测精度的重要方法。以往遥感指数和气候变量通常使用某个时段或时点的（平均）值作为输入变量，而很少有研究将时间特性和事件用于土壤有机碳预测。因此，引入物候变量、极端气候变量弥补部分损失的地物信息和气候特征，探讨其对研究区耕地SOC空间变异的响应特性及预测SOC空间分布的可行性。以江西省上高县为研究区域，采用随机森林模型，选取遥感数据、DEM衍生变量、物候参数、气候特征因子等作为环境协变量引入模型中，并用普通克里格（Ordinary Kriging,OK）对模型结果进行残差修正，最后对比不同类型变量组合下模型的预测效果及预测精度。结果表明，时序变量、物候变量及极端气候变量能够改善模型的预测性能，并且残差作为误差项还能进一步提升模型的精度。结合时序变量、物候变量、极端气候变量、地形变量和残差的组合拥有最高的预测精度，相较于地形变量、遥感变量和气候变量的组合，将R^2、MAE和RMSE提升了90.00%、58.95%和57.14%。变量贡献率分析显示，SU、a3和TXx是影响研究区耕地SOC分布的重要变量。因此，物候变量和极端气候变量具有较好的应用前景，未来还需验证极端气候变量作为环境变量在不同土地利用、大尺度研究区下预测土壤属性的有效性。     

黄土区不同土地利用方式下径流量的神经网络模拟

基于黄土坡面降雨径流关系的复杂性且非线性特性。引用3层前馈型BP网络模型,对不同土地利用方式（草灌地、刈割地、翻耕地）径流量进行模拟,以植被盖度、降雨强度、坡度、土壤前期含水率和土壤容重5个因子作为输入层变量,次降雨下径流量作为输出层变量,并利用野外人工模拟降雨试验所得到不同降雨强度下各类土地利用径流小区的径流量实测资料,对网络进行模拟训练和预测,取得了较好的结果,平均误差不超过10％。研究结果表明,与传统回归统计方法进行了,误差比较,该模型的预测精度更高。     

基于机器学习的奶牛饲料消耗状态预测模型

饲料作为奶牛重要的营养来源,预测饲料消耗状态对于保障奶牛的健康和提高生产管理效率具有重要意义。然而,由于饲料消耗状态数据呈现出非线性和非平稳的特点,导致预测精度较低。为解决此问题,该研究基于经验模态分解（empirical mode decomposition,EMD）和长短期记忆网络（long short-term memory,LSTM）,提出了组合改进的自适应噪声完全集成经验模态分解（improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、随机森林（random forest,RF）与改进的LSTM（improved LSTM,ILSTM）的模型,即ICEEMDAN-RF-ILSTM,来预测饲料消耗状态。其中,ILSTM是对LSTM的改进,其通过调整遗忘门的输出值范围以增强模型的特征学习能力。首先,使用ICEEMDAN对饲料消耗状态数据进行分解,得到多个相对平稳的分量。其次,考虑到每个分量具有不同的特性,采用不同的方法来建模不同的分量,以进一步提升预测效果。具体而言,为了提升模型的精度以及泛化能力,使用RF建模频率最高的分量;同时,使用ILSTM建模其余分量,以捕获序列数据中的长期依赖性。最后,将所有分量的预测结果相加得到最终的预测结果。基于自建数据集的试验结果表明,ICEEMDAN-RF-ILSTM对于饲料消耗状态预测具有较高的准确度,其决定系数R²、平均绝对百分比误差MAPE与均方根误差RMSE指标分别为0.993、2.576%和0.596%,表明其能有效预测饲料消耗状态,同时其性能优于ICEEMDAN-LSTM模型。该研究为评估饲料消耗状态提供了可行的方法,为制定调度决策提供了科学的技术支持,并为牧业智能化建设提供借鉴。     

基于LSTM模型预测不同水保工程措施条件下土壤侵蚀量——以辽西北地区为例

[目的] 准确模拟和预测不同水保工程措施下土壤侵蚀量,为辽西北地区精准预测土壤侵蚀量提供技术和理论依据。[方法] 基于野外径流小区2011—2021年的监测数据,包括：最大30 min和60 min降雨强度(I₃₀和I₆₀)、降雨历时(T)、降雨量(P)和土壤侵蚀量,建立了长短期记忆神经网络(LSTM)分别对3种工程措施(水平槽、果树台田和梯田)下的土壤侵蚀量进行预测。并将LSTM预测结果与3个经典机器学习模型〔反向传播神经网络(BP)、随机森林(RF)和支持向量机(SVM)〕预测的结果进行对比。[结果] ①在3种工程措施中,I₃₀,I₆₀,T和P对土壤侵蚀量的影响程度不同,但I₃₀,I₆₀和T对土壤侵蚀量的影响大于P。②利用BP模型预测土壤侵蚀量的相对均方根误差(NRMSE)均大于0.2。③相比于RF和SVM模型,LSTM模型在3种工程措施下(水平槽、果树台和梯田)预测土壤侵蚀量的NRMSE分别降低了约0.04～0.08,0.02～0.08,0.05～0.08。④利用I₃₀和T作为LSTM模型的输入特征预测土壤侵蚀量的精度与使用I₃₀,I₆₀,T和P为输入特征时的预测精度相近。[结论] 在辽西北地区3种水保工程措施中,利用LSTM模型基于最大30 min雨强和降雨历时对土壤侵蚀量进行预测,取得了较其他传统模型高的预测精度。这说明LSTM模型可在同类地区土壤侵蚀量的精准模拟和确定水土保持措施中推广和应用。     

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。     

灰色模型在水库水质预测中的应用研究

结合灰色模型对辽宁中部某水库水质进行预测。预测结果表明:灰色模型在水库水质预测中具有较好的精度,水质预测误差总体小于30%,符合水质预测规范要求。     

基于RBF神经网络的土壤侵蚀预测模型研究

土壤侵蚀的物理机理十分复杂,用数学方式难以描述.针对土壤侵蚀过程的模糊性、随机性、非线性等特点,将RBF神经网络的理论与方法应用到土壤侵蚀预测中.以杏木小流域为研究对象,应用RBF神经网络方法构建土壤侵蚀预测模型,以汛期降雨量、径流系数、土壤容量、有机质含量及孔隙度土壤侵蚀因子作为模型的输入层变量,输出层变量为年土壤侵蚀模数.通过模拟训练和预测,RBF神经网络取得的结果较好,能够有效地预测土壤侵蚀,且与常见的BP神经网络土壤侵蚀预测模型相比,RBF神经网络得到的预测结果精度更高.RBF神经网络模型将土壤侵蚀预测问题转化为影响因子和年侵蚀模数的非线性问题,该模型的模拟与预测为复杂的土壤侵蚀规律研究提供了新途径.     

基于注意力机制神经网络的荒漠区蒸散量模拟

该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。     

基于PCA-RBF神经网络的烟田土壤水分预测

为建立烟田土壤水分预测模型以利于烟区种植的规划和管理,该文提出了基于主元分析（PCA）与径向基函数（RBF）神经网络模型的烟田土壤水分预测方法。首先,利用PCA消除原始输入层数据的相关性,以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明,烟田土壤水分PCA-RBF神经网络预测模型具有较好的预测效果,平均预测精度达到96.02%,与全要素误差反向传播（BP）神经网络和RBF神经网络相比,平均预测精度分别提高5.20%和6.06%,完全符合实际烟区种植规划的需求,为研究其他类型的土壤水分预测提供了参考。     

自适应神经一模糊推理系统在水库边坡稳定性评价中的应用

针对水库边坡稳定性影响因子之间复杂的非线性关系,利用自适应神经模糊推理系统（ANFIS）能够同时处理确定性和不确定性信息以及动态非线性分析的能力,提出了基于ANFIS的水库边坡稳定性评价方法。将渗透系数、水位降速、孔隙压力比、坡角、坡高、凝聚力、内摩擦角、重度8个参数作为输入,以水库边坡稳定性系数作为输出,基于21个工程实例,建立了基于ANFIS的水库边坡稳定性评价模型。该模型对训练样本拟合的相关系数为0.999 96,对检测样本的预测相关系数为0.977 48,优于BP神经网络模型。对江西省某水库边坡稳定性进行了预测,结果发现所建立的ANFIS模型对考虑多影响因子耦合作用的水库边坡稳定性有较好的预报功能。     

基于协同克里格插值和地理加权回归模型的土壤属性空间预测比较

选取宜昌市红花套镇作为研究区域,研究土壤pH、有机质、有效磷、速效钾、碱解氮与土壤属性指标变量之间的关系,选择与预测变量之间具有较高相关性的变量作为辅助变量用以提高预测精度,本文试图将地理加权回归模型应用于土壤属性空间模拟中,以此与协同克里格插值的预测结果进行对照,从而比较它们的预测精度以提出更适合土壤属性预测的模型。结果表明：协同克里格插值和地理加权回归模型对土壤属性的空间模拟都有较高的预测精度,在辅助变量较多的情况下地理加权回归模型具有比协同克里格插值更为简单的算法,并且比较预测值相对误差的范围跨度和标准差以及均方根误差等方面,地理加权回归模型在土壤属性指标预测方面具有更高的预测精度,也具有更大的优势。     

基于协同克里格插值和地理加权回归模型的土壤属性空间预测比较

选取宜昌市红花套镇作为研究区域,研究土壤pH、有机质、有效磷、速效钾、碱解氮与土壤属性指标变量之间的关系,选择与预测变量之间具有较高相关性的变量作为辅助变量用以提高预测精度,本文试图将地理加权回归模型应用于土壤属性空间模拟中,以此与协同克里格插值的预测结果进行对照,从而比较它们的预测精度以提出更适合土壤属性预测的模型。结果表明:协同克里格插值和地理加权回归模型对土壤属性的空间模拟均有较高的预测精度,在辅助变量较多的情况下地理加权回归模型具有比协同克里格插值更为简单的算法,并且比较预测值相对误差的范围跨度和标准差以及均方根误差等方面,地理加权回归模型在土壤属性指标预测方面具有更高的预测精度,也具有更大的优势。     

城市扩张生态效应预测对输入数据的敏感性研究

城市扩张模型被广泛应用于多种生态保护情景下的城市扩张预测,然而不同的输入数据会导致模型预测的不确定性,从而影响城市的规划管理和生态保护决策。以常州市市区为研究区,通过土地利用变更数据和遥感影像数据获取两种城市用地图层作为SLEUTH模型的输入数据,对比研究了城市范围的差异对生态效应预测结果的影响。结果表明:(1)两种城市输入层得到的模型校准精度不同。(2)不同城市输入图层对城市扩张预测结果产生影响,城市扩张数量和年平均增长率存在明显差异。(3)生态效应预测结果对城市输入图层的敏感性较强,两种城市图层包含的土地利用类型和最小制图单元不同,建模者应根据具体研究目标和要求,选择合适的模型输入数据,以获取相对准确的生态保护结论。     

基于探地雷达的典型喀斯特坡地土层厚度估测

土层厚度是坡地水文过程的一个重要控制因素。使用瑞典MALA公司生产的Pro Ex系统探地雷达,分别采用100和500 MHZ频率的天线对土层厚度进行探测,然后通过开挖探槽实测土层厚度,同时调查了影响探地雷达结果的因素——土石交界面处的基岩风化度,并建立了不同自变量下的线性回归模型和GEP模型,对探地雷达在喀斯特坡地土层厚度估测中的适用性进行了探讨。结果表明,喀斯特坡面土层浅薄且含有较多碎石,使用频率较高的天线可以提高探测精度;以100、500 MHZ频率天线的探测结果和基岩风化度这3个自变量的组合作为输入变量,较仅使用一种频率天线的探测结果为输入变量的模拟精度高;相同输入变量条件下,受限于实际探测情况,基于GEP算法建立的土层厚度模型较经典统计的线性回归模型预测精度的提升空间有限,因此采用线性回归模型即可,以100、500 MHZ频率天线的探测值和基岩风化度为自变量的线性模型的决定系数和均方根差分别能达到0.660和15.0 cm。     

黄土区不同土地经营方式径流量神经网络模拟

基于黄土坡面降雨—径流关系的复杂性和非线性,引用3层前馈型BP网络模型,对不同土地经营方式(草灌地、刈割地、翻耕地)径流量进行模拟,以植被盖度、降雨强度、坡度、土壤前期含水率和土壤容重5个因子作为输入层变量,次降雨下径流量作为输出层变量。利用野外人工模拟降雨试验所得到的不同降雨强度下各类土地经营径流小区的径流量实测资料,对网络进行模拟训练并预测,径流量平均误差不超过10%,且径流量较大的翻耕地训练精度及预测结果较草灌地、刈割准确性更高些。与传统回归统计方法进行了误差比较,结果表明,该模型能更好地预测次降雨的径流量。     

基于LS-SVM的草莓固酸比和可滴定酸近红外光谱定量模型

为提高草莓固酸比和可滴定酸近红外光谱定量模型的性能,该文采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机模型的输入变量,建立了两指标的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6000～12500 cm-1。结果表明,草莓可滴定酸和固酸比偏最小二乘模型校正相关系数、校正和预测均方根误差分别为0.430、0.096%、0.096%及0.688、0.926和1.190,而两指标的前10个潜在变量得分作为输入变量的最小二乘—支持向量机模型各项性能均远优于偏最小二乘模型,其校正和预测相关系数、校正和预测均方根误差以及剩余预测偏差分别为：可滴定酸0.965、0.967、0.028%、0.027%、3.881;固酸比0.980、0.973、0.258、0.373、3.111。研究表明,潜在变量作为最小二乘支持向量机模型的输入变量可在较大程度上改善草莓可滴定酸和固酸比指标近红外定量模型的预测性能和稳定性。     

基于机器学习和无人机多光谱遥感的苜蓿产量预测

作物产量快速准确预估对规模化农业生产具有重要意义。该研究在河北省涿州市开展田间试验，设置5个灌水处理及雨养对照区，使用无人机搭载多光谱相机在苜蓿的分枝期、现蕾期和初花期进行遥感监测，将光谱参数与苜蓿产量做相关性分析，分别挑选各生育时期相关性较好的5种植被指数，以去除土壤噪声后的5种植被指数和作物表面模型提取的苜蓿株高为输入变量，通过支持向量回归算法建立各生育时期的苜蓿产量预测模型，并结合实测产量进行模型评价。结果表明，苜蓿产量预测模型精度由高到低的生育时期依次为初花期、现蕾期、分枝期，使用植被指数和株高组合作为输入变量可以提高产量模型的预测精度。在初花期使用植被指数和株高组合输入变量所构建的估产模型最优，其决定系数、均方根误差和标准均方根误差分别为0.90、500 kg/hm2和14.3%，可用于苜蓿产量的快速准确评估。研究结果可为苜蓿的规模化生产和精细化管理提供技术支持。     

除草剂胁迫下大麦叶片丙二醛含量的光谱快速检测方法

丙二醛(MDA)是植物衰老和抗性生理研究中的一个重要指标,传统检测方法程序复杂,检测费时。该研究应用近红外光谱技术实现了除草剂胁迫下大麦叶片丙二醛(MDA)含量的简便、无损、快速检测。采集75个大麦叶片样本的近红外光谱数据,比较了Savitzky-Golay平滑(SG)、变量标准化(SNV)、多元散射校正(MSC)等7种预处理方法,建立了大麦叶片丙二醛含量预测的最优偏最小二乘法(PLS)模型,将PLS提取的特征向量(LV)作为最小二乘-支持向量机(LS-SVM)模型的输入变量,建立了LV-LS-SVM模型。选用回归系数(RC)方法提取原始光谱的特征波长,将其分别作为PLS、MLR和LS-SVM的输入变量建立相应模型。将相关系数(r)和预测集均方根误差(RMSEP)作为模型的主要评价指标。结果表明,LV-LS-SVM模型效果优于PLS模型,LV-LS-SVM模型在SNV及MSC预处理后预测效果相同,其预测的r和RMSEP分别为0.9383和10.4598,获得了满意的预测效果。说明应用光谱技术检测大麦叶片中MDA含量是可行的,且预测精度较高,为大麦生长状况的大田监测及除草剂胁迫对大麦抗性等生理信息的快速检测提供了新的途径。     

基于SWAT模型的TRMM降水数据径流模拟适宜性评价

以辉发河流域为研究区,采用SWAT分布式水文模型,以实测降水数据和TRMM降水产品作为模型输入,在月尺度和日尺度上构建了四种径流模拟情景,并利用SUFI_2算法分析了不同降水输入和时间尺度下模型的参数敏感性、参数不确定性和径流模拟结果。结果表明:(1)TRMM降水产品的误差会改变参数的敏感性排序,尤其是在日尺度上;(2)4种模拟情景P因子的范围为0.58~0.9,R因子的范围为0.47~1.58,模型拟合精度较好。月尺度上TRMM数据的估算误差较小,其更高的空间分辨率可使径流模拟不确定性得到明显改进,而随着时间尺度的变化,TRMM数据在日尺度上的误差增大会导致日径流模拟结果不确定性的增加;(3)在月尺度和日尺度上,采用TRMM数据降水输入模拟径流,其NS和R2系数均达到较好水平,实测降水模拟结果略优于TRMM数据。研究表明,在辉发河流域,TRMM降水产品在径流模拟方面表现出较好的适宜性,是一种较为可靠的降水数据源。