马尾松毛虫发生量空间定点预报模型的研究

利用1983年9月至1989年9月马尾松毛虫的虫情调查资料,研究仙居县各测报点的马尾松毛虫有虫面积、虫口密度的时空变化规律,分别建立三维自回归趋势面模型、预测克立格模型、空间-时间序列预测之自回归模型和广义时空回归模型4种发生量空间定点预报模型。结果表明,所建立的4种发生量空间定点预报模型均具有较好的预报效果,对1989年3代的虫口密度、有虫面积进行预报检验,预测克立格模型的预报准确率为100％;空间-时间序列预测之自回归模型和广义时空回归模型对两者的预报准确率则均为66.7％;三维自回归趋势面模型虫口密度预报准确率为33.3％,有虫面积的预报准确率为66.7％。     

马尾松毛虫发生量时空回归预测的研究

[目的]为控制马尾松毛虫的危害提供理论依据。[方法]以1983年9月～1989年9月浙江省仙居县虫情调查资料和气象资料为研究对象,考察各调查点马尾松毛虫有虫面积随气象因子及时间、空间的动态变化,建立马尾松毛虫发生量的时空回归预测模型,并用所建立模型对1989年3代马尾松毛虫有虫面积进行预报检验。[结果]共建立了1个线性、8个非线性马尾松毛虫发生量时空回归预测模型。1989年3代马尾松毛虫实际危害村数及有虫面积分别为141、143、138村和4533．1、4181．3、5166．0hm^2,9个模型预报的3代马尾松毛虫的发生村数均为193村,线性模型预报的3代马尾松毛虫的发生面积分别为3978．5、4159．5、3427．5hm^2,非线性模型预报的各测报点3代马尾松毛虫的发生面积分别与实际最大相差71．6868、99．8359、119．9478hm^2。[结论]所建立模型对马尾松毛虫有虫面积的预报准确率均为66．7％。     

落叶松毛虫种群数量动态预测预报的研究

落叶松毛虫[Dendrolimus superans(Butler)是我国东北落叶松人工林的重要害虫,经常猖獗成灾。为了对害虫进行综合治理,我们从1983—1985年在黑龙江省对落叶松毛虫种群数量动态预测预报进行了系统研究。逐步回归电算分析能自动地对预报因子逐个加以筛选,找出影响落叶松种群数量消长的几个主要气象因子,并能按一定的显著性标准建立准确可靠的最佳方程。作者借助微机,应用逐步回归方法对黑龙江省桦南、尚志、桦川、龙江四个县建立了落叶松毛虫种群数量动态预报模型。这些模型的线性回归关系极显著,经剩余标准差指标考察、回报检验及初步预报实践,证明效果良好,可以应用。     

林分因子与油(赤)松毛虫危害程度的风险评估

该文首次提出了林下植物喜湿度参数ＭＬＰ（Ｍｏｉｓｔｕｒｅ ＬｏｖｉｎｇＰａｒａｍｅｔｅｒ），并用包括ＭＬＰ在内的１４个林分因子与松毛虫危害程度进行逐步回归分析，从中筛选出主林层郁闭度、海拔高度、油松平均胸径和林下植物喜湿度参数４个关键因子，与松毛虫危害程度之间均呈显著的负相关关系，并进一步用这４个因子与松毛虫危害程度建立多元线性回归模型，该模型可对松毛虫危害程度进行风险评估     

马尾松毛虫精细化预报多层感知器建模试验研究

经过多次神经网络多层感知器试验,筛选拟合度高的马尾松毛虫精细化预报模型。结果表明:R2均大于0.9,多层感知器马尾松毛虫预报模型要优于径向基函数与回归方法建立的模型。     

马尾松毛虫幼虫发生严重程度的预测研究

为了提高马尾松毛虫幼虫发生严重程度的预测精度,寻求简便准确的预测方法,采用时间平稳序列法、回归预测法、马尔科夫链法、BP神经网络法和列联表多因子多级相关分析法对安徽省潜山县1983—2014年的马尾松毛虫越冬代、一代和二代幼虫发生的严重程度进行预测,研究历史符合率,并用2015年和2016年的实际发生情况验证。结果表明,平稳时间序列法,列联表多因子多级相关分析法计算简便,预测结果准确;BP神经网络法和马尔科夫链法预测结果非常准确。回归模型中以当代卵盛期卵量预测当代幼虫发生严重程度的一元回归模型的预测结果准确性高,其余一元回归模型预测结果稍差,多元回归模型和逐步回归模型优于一元回归模型。BP神经网络模型是一种理想的预测模型。     

马尾松毛虫精细化预报回归建模试验研究

通过线性回归、曲线回归、非线性回归、Logistics回归等回归多次建模试验的比较,建立了显著性较高的马尾松毛虫发生量和幼虫高峰期线性预报模型。     

带输入项的线性自回归模型在树木物候预测中的应用

带输入项的线性自回归模型是一种综合性预测模型,较之常用的树木物候预测模型更为优越。模型结构属动态随机差分模型范畴;集中了线性自回归和多元线性回归模型两者的优点;模型有时滞,使预测值不但和现时刻输入（长期天气预报结果）有关,还受历史输入及自身滞后量的影响,即削弱了了长期天气预报结果对物候预测的影响,提高了精度,模型参数的修正采用递推最小二乘估计法,参数随预测期数的增加而不断修正,使预测值更靠近真值（     

马尾松毛虫的主要危害与预测预报技术

分析马尾松毛虫的主要危害,并探讨当前马尾松毛虫害的若干预测预报技术。     

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。     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

云冷杉天然林林分年龄预测——以金沟岭林场为例

应用BP神经网络模型、PPR神经网络模型以及多元逐步回归模型,依据林分因子预测了金沟岭林场云冷杉天然林林分年龄。对比分析了人工神经网络计算模型算法与多元逐步回归分析模型预测结果的精度以及稳定性。结果表明:3种模型均可用于天然林林分年龄的预测,BP神经网络模型的预测平均相对误差为0.04,模型稳定性差;PPR神经网络模型的预测相对误差为0.06,模型稳定性好;多元逐步回归模型的预测相对误差为0.08,模型稳定性好。     

基于叶绿素荧光图像的辣椒叶片氮含量的预测

提取辣椒叶片的25个叶绿素荧光图像的特征参数,其中18个特征参数与氮含量呈极显著相关(P0.01)。用主成分分析法(PCA)提取主要特征参数,将其结果作为遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)模型的输入变量,分别建立辣椒叶片氮含量的预测模型,建模集的相关系数分别为0.959 2、0.963 3、0.943 5,预测集的相关系数分别为0.914 5、0.821 3、0.774 1。     

基于品质指标预测北京烤鸭的中心温度

【目的】解决烤鸭传统挂炉烤制过程中中心温度难以在线精确监测的问题。【方法】通过测定烤鸭的品质指标,利用多元线性回归、偏最小二乘回归、支持向量回归、人工神经网络等方法对北京烤鸭中心温度进行在线客观预测。【结果】烤鸭胸肉的L^*、a^*、b^*、脱氧肌红蛋白、氧合肌红蛋白、高铁肌红蛋白、水分含量、脂肪含量、蛋白二级结构等指标均可用于有效识别北京烤鸭的中心温度;线性模型多元线性回归和偏最小二乘回归的预测集决定系数R_C²分别为0.9543和0.9384,均方根误差SEC分别为5.8205℃和6.7634℃,MLR模型预测效果优于偏最小二乘回归模型;非线性模型支持向量回归优于人工神经网络模型,其预测集决定系数R_C²和交叉验证决定系数R_CV²分别为0.9837和0.9496,均方根误差SEC和交叉验证均方根误差SECV分别为3.5215℃和6.1236℃,北京烤鸭中心温度预测模型构建以支持向量回归模型效果最好...     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

基于人工神经网络的辽宁省粮食产量模型预测研究

利用辽宁省1983～2008年粮食产量数据,建立了粮食产量预测的3层BP网络模型,网络拓扑结构为6-6-1。用此模型对作物产量进行预测,并与多元线性回归预测结果进行比较。结果表明,人工神经网络预测的最大误差为1.57%,平均误差为0.79%,网络预测精度为0.97,说明人工神经网络模型具有较高的预测精度和较强的泛化能力,为粮食产量预测提供了一条新途径。     

基于高光谱的油茶籽含水量检测方法

为了快速精准检测油茶籽含水量,解决传统烘干检测法费时费力等问题,提出一种基于高光谱技术的油茶籽含水量无损检测方法。以油茶籽为研究对象,测定油茶籽含水量,建立光谱模型,对油茶籽光谱分别进行Savitzky-Golay(S-G)卷积平滑、一阶微分、二阶微分和多元散射校正(MSC)预处理,通过逐步回归提取有效敏感波长,并采用偏最小二乘回归(PLSR)、BP神经网络和径向基(RBF)神经网络方法分别建立预测模型,对模型进行外部验证,选出最优预测模型。研究表明:相关系数较高的光谱敏感波段为410~450、600~620、780~880、940~971 nm。基于MSC预处理光谱建立的PLSR模型,在校正集上的相关系数为0.953 4、均方根误差为0.22%,在验证集上的相关系数为0.939 9、均方根误差为0.27%,优于BP神经网络模型和RBF神经网络模型。结果说明,采用高光谱技术检测油茶籽含水量是可行的,研究内容可为油茶籽含水量的在线无损检测提供有效依据。