基于主成分分析单一参数入渗模型的BP神经网络模型

利用标定理论建立较大尺度上的单一参数入渗模型,在此基础上基于主成分分析建立其BP神经网络模型。结果表明:利用主成分分析可将研究区域土壤容重、有机质含量、砂粒含量、粗粉粒含量和粘粒含量综合成3个主成分;基于主成分分析建立的BP神经网络模型预测的标定因子的RMSE为0.4186,除偏大或偏小的标定因子,利用预测的标定因子预测的累积入渗量与实测值比较接近,可利用所建模型对较大尺度上的单一参数入渗模型进行预测。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量（soil and plant analyzer development,SPAD）值,分析了一阶微分光谱、高光谱特征参数与 SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型,并对模型进行验证;再结合主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）以及传统回归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在763nm 处具有最大相关系数（R=0.901）;以763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测 SPAD 值作为输出,构建 BP 神经网络模型,其建模与验模 R2分别为0.887和0.896,RMSE 为2.782,RE 为4.59%,与其他回归模型相比,BP 神经网络模型预测精度最高,研究表明 BP 神经网络对叶绿素具有较好的预测能力,是估算玉米叶片 SPAD 值的一种实时高效的方法。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto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.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.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Eto之间的关系,尤其对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.     

太湖沉水植物光补偿深度反演及影响因子分析

水生植物在浅水湖泊生态系统中具有十分重要的作用,根据太湖常见的3种沉水植物苦草、狐尾藻、金鱼藻的光合速率与辐照度的关系,反演3种沉水植物的光补偿深度在太湖的空间分布,并根据水生植物的调查资料和文献资料来检验反演的效果。在此基础上,通过多元回归分析和因子方差贡献大小分析,探讨有机悬浮颗粒物、无机悬浮颗粒物、叶绿素a3种生态因子对沉水植物光补偿深度的影响。结果表明,3种沉水植物的光补偿深度总体上表现出从太湖东侧向湖心区、河口区及太湖西南方向逐渐减小的态势,对于特定的湖区,3种沉水植物的光补偿深度大小基本为苦草〉金鱼藻〉狐尾藻;3种沉水植物光补偿深度分别与有机悬浮颗粒物、无机悬浮颗粒物以及叶绿素a3因子呈显著回归关系。有机悬浮颗粒物、叶绿素a对3种沉水植物光补偿深度有显著的负作用,无机悬浮颗粒物有微弱的负作用,3因子对沉水植物光补偿深度影响大小依次是有机悬浮颗粒物〉叶绿素a〉无机悬浮颗粒物。     

基于Hyperion影像的玉米冠层叶绿素含量估算

采用高光谱卫星数据进行玉米叶片和冠层尺度的叶绿素含量估算,对现代农业技术的发展有重要意义。首先,采用以α为倾斜度参数的双曲正切S型函数为基础的误差反向传播(back propagation,BP)算法前馈神经网络(hyperbolic tangent sigmoid function-back propagation,Htsf-BP)构建叶片尺度的叶绿素含量高光谱遥感估算模型;以几何光学辐射传输模型(4-scale模型)为理论依据,对叶片和冠层尺度的光谱转化函数进行推导,实现Hyperion影像冠层尺度光谱到叶片光谱的转化,同时获取叶片尺度叶绿素含量估算结果;最后,结合叶面积指数(leaf area index,LAI)进行冠层尺度叶绿素含量估算。结果表明:当隐含层结点数为6时,Htsf-BP神经网络法对叶绿素的估算精度最高,验证精度达78.68%;在波长750与980 nm处,采用光谱尺度转化方程进行模拟的冠层光谱与实测冠层光谱间的相关系数R2值分别达到了0.784和0.706;实测叶片尺度叶绿素含量与模拟结果间的相关系数R2值达0.726。该方法可为高精度快速估算叶片和冠层尺度玉米叶绿素含量提供参考。     

基于梯度扩散薄膜技术的太湖金属和营养盐区域污染特征分析

本研究利用梯度扩散薄膜技术（Diffusive gradients in thin-films,DGT）对太湖7个湖区的水体和沉积物中金属与营养盐有效态含量进行原位监测,并分析污染物的区域特征。结果表明,DGT所测有效态浓度低于传统化学方法所提取浓度,且能实现低浓度、多元素同时监测。具体来看,太湖水体中金属的DGT有效态含量较低,区域差别较小。沉积物中9种典型金属的DGT有效态含量排序为Fe>Mn>Zn>Ni>As>W>Co>Mo>Cu,其中,Fe、As、Zn、Ni和W在竺山湾、梅梁湾和贡湖污染相对较重,在湖心区、胥湖和东太湖污染相对较轻,其余金属分布较平均且含量较低。与金属不同的是,太湖水体中DGT所测的有效磷（P）含量整体较高,最高值出现在贡湖,达83.2μg·L-1。沉积物中DGT有效态P的区域分布更明显,以竺山湾、梅梁湾和沿岸区污染相对较重,最高值出现在竺山湾,达500μg·L-1。对比沉积物和水体中DGT有效态P含量发现,竺山湾、梅梁湾和沿岸区沉积物可能是P的主要储存场所,具有潜在释放风险。     

基于遗传神经网络的全国小麦条锈病长期气象预测

为了提高反向传播（BP）神经网络模型预测小麦条锈病发病率的准确性和效率,以上年1月-当年3月组合的120个大气环流特征量为基础,定量分析大气环流特征量与全国小麦条锈病发病率之间的相关性并从中筛选出主要的影响因子;对影响因子进行主成分分析（PCA）,提取累计贡献达到85．46％的前10个主成分作为预测因子;利用逐步回归、BP神经网络及遗传算法（GA）优化的BP神经网络三种模型进行预测,三种模型的预测精度均在80％以上,其中GA—BP神经网络模型的精度最高,达92．6％,而其训练步长仅为标准BP神经网络的1／4左右。通过PCA简化网络结构,同时运用GA优化网络初始权值和阈值,GA—BP神经网络模型可以较好的预测小麦条锈病的发病率。     

无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。     

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。     

饲草料地土壤水分动态变化规律及其预测的人工神经网络模型的研究

根据2005～2006年实测土壤水分资料和气象资料,研究分析了饲草料地土壤水分的动态变化规律和建立了考虑多个因素对土壤水分影响的BP人工神经网络模型,结果表明:表层土壤的含水率变幅较大,主要是受大气降水的影响,20～40cm和40～60cm土层土壤含水率的波动,除大气降水的影响外,还与植物的生长发育状况有关;土壤水分预测模型具有较好的预测效果,用神经网络建立土壤水分预测模型的方法是可行的,对于不同条件的地区具有广泛的适应性和推广应用前景。     

水稻重金属污染胁迫光谱分析模型的区域应用与验证

根据样地试验建立的农作物重金属污染胁迫光谱分析模型通过卫星遥感数据进行大尺度区域应用是农作物重金属污染遥感评价必须解决的关键问题。该文以吉林长春市3块重金属污染程度不同的水稻农田样地为试验区,采集水稻冠层ASD(Analytical Spectral Devices)数据、叶片叶绿素含量和土壤重金属含量,并获取准同步的Hyperion数据,通过多元逐步回归分析筛选与重金属污染胁迫响应敏感的光谱指数,并运用BP人工神经网络模型构建其与表征重金属污染胁迫程度的叶绿素含量的数学关系模型。结果表明,样地水稻重金属污染胁迫光谱分析模型中的BP网络结构为4-11-7-1、传递函数为logsig,其对各类污染胁迫水平的判别精度均为100%;将所建立的样地水稻重金属污染胁迫光谱分析模型通过Hyperion影像,进行大面积推广并验证,得到其对各类污染胁迫水平的判别精度均超过80%。该研究为样地水稻重金属污染胁迫光谱分析模型的大面积推广应用提供了借鉴意义。     

基于监测数据和BP神经网络的食品安全预警模型

以中国实际食品安全监测数据为样本,研究基于BP神经网络的食品安全预警方法。首先对食品安全日常监测数据进行筛选简化,选择其中与食品安全最为密切的167种检测项目,以此检测项目为指标按月度划分建立数据样本。然后建立以167种检测项为输入层,包含2个隐层,以化学污染、农药残留、兽药残留、重金属、微生物致病菌5大类为输出层的食品安全预警神经网络模型,最后用所得数据样本进行训练和验证。结果表明,基于BP神经网络的食品安全预警方法能有效识别、记忆食品危险特征,能够对输入样本进行有效的预测,研究有助于丰富食品安全数据的处理方法,有助于完善相关预警技术手段。     

基于遗传神经网络的黑龙江浅表地层水分预测

针对BP神经网络预测土壤墒情容易出现较大空间内存在局部极值点的问题,采用GA算法对BP网络进行优化,根据大豆作物在不同生长阶段的根系分布及吸水情况,划分3个不同发育阶段,5个地层深度,建立3种对应的土壤含水量遗传神经网络预测模型,并应用于黑龙江垦区红星农场大豆田间土壤水分预测,分别对3种模型的整体预测误差进行了分析,2009年大豆播种前期及其全生育期土壤体积含水量预测的平均绝对误差为1.83%,能较好地反映大豆田间土壤水分具体情况,为大豆节水灌溉与管理提供可靠的科学依据,该预测方法亦可为寒地大豆或其他农作物田间土壤水分预测提供借鉴。     

基于BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

基于GIS与神经网络的黄土丘陵区土壤水分模型研究

土壤水分不足是黄土高原丘陵区植被建设的主要限制因子,土壤水分的空间分布受外界气象因子、土地利用与复杂地形等的影响,关系比较复杂。本研究利用黄土丘陵区纸坊沟流域的土壤水分试验资料,建立了基于GIS的BP神经网络模型,模型中同时考虑了多个因子对土壤水分空间分布的影响,利用实测资料对网络进行训练后对整个流域进行了预测,预测结果与实际情况较为一致,表明应用GIS与BP神经网络研究区域复杂地形下的土壤水分分布规律是可行的。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。