基于小波神经网络的参考作物腾发量预测模型研究

为提高某一地区农业用水效率,进行区域水资源的优化配置。本文以辽宁大连地区1954-2005年参考作物腾发量资料为依据,借助于Matlab工具,分别建立结构为8-12-4和10-12-2的小波神经网络进行参考作物腾发量预测,结果表明:在年度和季节尺度上,小波神经网络模型预测结果与参考作物腾发量计算值绝对相对误差均值分别达到5.5%和4.3%,达到了较好的预测效果。该模型预测过程简单,预测结果可靠。为参考作物腾发量预测提供新方法。     

神经网络方法计算参考作物腾发量精度分析

参考作物腾发量的准确计算是确定农田灌溉制度的重要依据,比较了神经网络模型和经验公式计算腾发量的精度以及如何使用最少的气象数据实现最优的腾发量计算问题。结果表明,神经网络模型比经验公式的计算精度要高。采用神经网络模型用最少气象数据实现最优腾发量计算是可行的,但输入参数类型需要根据不同地区的气候特点进行选择。在半湿润地区最佳网络输入为日最高气温、最低气温、平均气温和外太空辐射,在气候湿润地区最佳网络输入为日最高气温、最低气温、平均气温、经验相对湿度和外太空辐射。因此,在缺少气象资料时可以使用神经网络模型代替经验公式计算参考作物腾发量。     

基于主成分分析与BP神经网络的参考作物腾发量预测

为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

基于主成分BP人工神经网络的参考作物腾发量预测

影响参考作物腾发量的气象因素众多,且相关程度较高。基于主成分分析原理,将影响ET0的7个主要气象因素以及旬序数进行特征提取,形成3个综合影响因子,既可保证气象信息的完整性,又可避免气象信息的交叉重叠。以江苏省无锡市某区作物腾发量预测为例,经主成分分析并简化的参考作物腾发量BP神经网络模型具有结构简单、收敛快、精度高的特点,可用于ET0预测。     

基于灰色马尔科夫的参考作物腾发量预测

参考作物腾发量(ET0)是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水量预报精度具有十分重要的意义。针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时预测效果差的情况,作者提出了用马尔科夫对GM(1,1)模型修正的组合模型,该模型结合了灰色模型可以揭示预测数据的发展趋势以及马尔科夫预测适合描述随机波动性较大的预测问题的优点,将其应用于沈阳地区参考作物腾发量预测中,对比分析了GM(1,1)模型与灰色马尔科夫模型的预测结果。结果表明,灰色马尔科夫模型不仅能反映系统的动态特性,还具有比GM(1,1)更高的预测精度、逼近性和稳定性,具有较好的应用价值。     

基于改进的PSO-BP神经网络的参考作物腾发量预测

针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法(ADAPPSO)。该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况。利用ADAPPSO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量(ET_0)进行预测。以商丘地区数据为例,通过平均影响值法(MIV)对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型。根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R~2分别为0.898 3、0.952 7和0.960 6,3种模型的平均绝对误差MAE分别为0.355 8、0.240 1和0.205 6。3种模型中,ADAPPSO-BP模型的R~2值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET_0的预测能力。     

基于主成分分析的参考作物腾发量预测研究

为准确估算作物需水量,提高水分利用效率,采用RBF神经网络预测参考作物腾发量,由于参考作物蒸发蒸腾量的影响因子很多,且各影响因子间的相关性很大,运用主成分分析的原理,将影响参考作物蒸发蒸腾量的因子降低维数.以山西省某灌区的参考作物腾发量为例,运用DPS软件找出了3个综合因子来代表众多因子并作为RBF人工神经网络的输入,运用Matlab7.0进行编程,对参考作物腾发量进行预测.结果发现其预测结果与用Pen-man-Monteith公式算得的值具有很高的一致性,与BP神经网络相比,RBF神经网络具有学习速度快等优点,将此方法用于参考作物腾发量的预测可以收到理想的效果.     

基于气温预报和神经网络的参考作物腾发量预报

采用反向传播人工神经网络(BP-ANN)逼近气象因子-参考作物腾发量ET0函数关系,以天气预报中的最高和最低气温为输入进行短期ET0预报。收集了南京站实测的2010年7月1日至2013年7月7日逐日气象数据和2012年7月1日至2013年6月30日逐日对未来7d的气象预报数据,以最高、最低气温及相应的日序数为3个输入因子,ET0为输出建立一个包含一个隐含层的3层BP网络,以2010年7月1日至2012年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络,以2012年7月1日至2013年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络验证。将2012年7月1日至2013年6月30日逐日对未来7d的气象预报中的最高、最低气温输入训练及验证后的网络,得到2012年7月1日至2013年6月30日逐日对未来7d的ET0预报值,并与FAO-56PM公式计算的ET0值进行比较以验证预报精度。结果表明,预见期1~7d内,预报的ET0和计算的ET0变化趋势基本一致,预报精度随着预见期的增加而降低;平均准确率(±1.5mm/d以内)达88.08%,相关系数为0.77,均方根误差为1.28mm/d,显示出了较高的预报精度。在局部时间段内出现的ET0,PM和预报ET0的较大差别的原因是该时段内的ET0更多地受到除了日最高和最低气温之外的其他因素的影响。提出的方法 ET0预报,随着气象预报准确度的提高,可实现较为精确的ET0预报。     

新疆维吾尔自治区参考作物腾发量时空变异性研究

研究参考作物腾发量的时空变化特征,有助于了解新疆维吾尔自治区农牧业及生态需水的分布与演变规律。选择新疆吾尔自治区范围68个气象站的气象观测资料,应用Penman-Monteith公式,计算得出不同气候分区的历年参照作物腾发量ET0,分析了不同气候分区不同年份ET0的变化情况。采用ArcGIS空间插值技术绘制新疆维吾尔自治区参考作物腾发量的分布图,结果表明:各站ET0变化在660~1 800mm,其空间分布总体表现为南疆大于北疆、东部大于西部、盆地大于山区的分布格局。     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

基于GA-BP神经网络的甘蔗收获质量预测

甘蔗联合收割机收获质量对制糖工艺有极大影响,但测量难度大,难以直接获得.针对上述问题,以甘蔗联合收割机切割机构、行走机构、切段机构、风机机构的负载压力信号和转速信号为输入变量,以含杂率和损失率为输出变量,建立了一种GA-BP神经网络预测模型.GA-BP神经网络预测模型对甘蔗收获质量的预测结果平均MSE为0.0937,平...     

基于遗传神经网络的农业机械化水平测评研究

提出了一种基于遗传神经网络的农业机械化水平测评模型。该模型首先用遗传算法来优化BP神经网络的权值和阈值,在此基础上对BP神经网络进行训练。网络最终测评结果较BP神经网络更有效、更准确。实例证明该神经网络测评模型收敛速度快、预测精度高,为农业机械化水平测评提供了更实用快捷的方法。     

基于BP-NN的温室膜下滴灌茄子蒸腾速率预测模型

通过田间试验,对温室膜下滴灌茄子冠层叶片蒸腾速率的变化规律进行了深入研究。通过分析温室内地面温度、相对湿度、植株冠层温度、气压、水面蒸发、太阳辐射等6个环境参数与茄子蒸腾速率的综合影响关系,确定了网络拓扑结构为6-9-1。并应用MATLAB软件,选择Levenberg-Marquardt(L-M)优化算法,建立了基于Back Propagation(BP)神经网络的温室膜下滴灌茄子蒸腾速率预测模型。经模型验证得出,BP神经网络模型预测值与蒸腾速率实测值间拟合效果较好,平均相对误差为0.029 8,达到预测精度要求。该研究成果对温室膜下滴灌作物需水规律及需水量研究具有较好的参考价值。     

基于PSO-BP神经网络的参考作物蒸腾量预测

针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。     

基于GA-BP神经网络的农业机械化综合水平预测模型

根据1986-2013年我国农业机械化综合水平的统计数据,建立了基于GA-BP神经网络的农业机械化综合水平预测模型。通过对1992-2011年农业机械化综合水平实际值与训练输出值的对比分析,表明该预测模型具有较好的拟合精度;采用该模型对2012年和2013年的农业机械化综合水平进行预测,进一步验证了模型的可靠性。运用该预测模型对2014-2018年的农业机械化综合水平进行预测,结果表明:在2014年我国农业机械化综合水平为61.97%,与我国农业部公布的2014年农业机械化综合水平将超过61%基本相符,2018年我国农业机械化综合水平将达到70%左右。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

基于RBF神经网络马尔可夫模型的降水量预测

降水量预测是制定抗旱防涝对策的重要依据,其预测方法是科学准确预测降水的重要手段.为提高降水量预测的精确度,应用RBF神经网络与马尔可夫相结合,建立R-M降水量预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后将该模型应用于降水量预测工作中,实例验证结果令人满意.     

Elman、LS-SVM方法在ET0预测中的对比分析

参考作物腾发量(Eto)是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义.Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力.将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值.结果表明:LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测.     

Elman、LS-SVM方法在ET_0预测中的对比分析

参考作物腾发量（ET0）是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义。Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力。将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值。结果表明：LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测。