BP神经网络的春小麦作物水模型的初步研究

用内蒙古河套灌区春小麦非充分灌溉试验资料 ,建立了 BP神经网络的春小麦作物水模型。经模拟分析认为该模型能正确表达春小麦的产量与水分的关系并有某些独特的优点。与当地拟合效果较好的Minhas模型的比较表明 ,二个模型所表达的春小麦各生育阶段对水分的敏感性一致 ,产量预测结果接近。初步说明 BP神经网络方法是一种可用于作物水模型新的模拟方法     

作物—水模型及其敏感指标的确认

本文用三步确认法较系统地研究了非充分灌溉作物-水模型（MCRW）及其敏感指标的确认方法，对三种国外代表性MCRW即线性模型，乘法和加法模型及其敏感指标，在我国北方溉区的应用效果，应用中常遇到的某些重要问题及解决途径，各种代表性模型敏感指标的理论对应关系作 了重点分析评估，有助于MCRW确认方法的完善及非充分灌溉模拟技术在水资源管理中应用。     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于BP神经网络与GIS可视化的作物需水量预测

作物需水量是农田水利工程规划、设计与灌溉用水管理的重要参数。基于BP神经网络与GIS可视化作物需水量预测,以河南省冬小麦的作物需水量为例,利用实测站点的地理坐标以及高程,通过BP神经网络对分析数据进行加密插值,并采用GIS里的协克里金法结合高程作为一个协变量进行作物需水量的空间插值,实现GIS可视化,从而得到准确度较高的作物需水量空间分布图。结果表明,该方法对于河南省冬小麦作物需水量预测具有较好的预测精度,方法有一定的参考价值。     

基于BP神经网络的车辆跟驰模型研究

课题组进行实际道路跟驰实验,利用GPS采集跟车驾驶行为数据。以GPS采集到的车辆行驶轨迹数据为基础,提取前车车速、相对距离、前车对后车的相对速度以及后车车速作为输入,后车下一时刻的车速作为输出,建立BP神经网络跟驰模型,并使用遗传算法（GA）对BP神经网络跟驰模型进行优化。结果表明,GA-BP神经网络模型与BP神经网络模型对比,GA-BP神经网络跟驰模型预测性能的各个评价指标都优于BP神经网络跟驰模型。     

基于BP 神经网络的大棚作物腾发

在分析影响大棚作物蒸发蒸腾量的气象因子的基础上, 以气象因子输入向量, 以大棚作物腾发量为输出向量, 构建了气象资料不足情况下计算大棚作物腾发量的BP 神经网络模型BP ET。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测, 并把预测结果与传统的Penman－Monteith 公式计算而得的同期作物ET 值相比较。其中, BP ET 的预测值与ET值的相关系数为0.986。研究结果表明, 本文构建的模型计算精度较高, 方法简便可行, 能满足实际生产需要。     

烟台地区水面蒸发BP神经网络模型研究

运用BP神经网络模型对水面蒸发进行研究,并与多元线性回归和主成分回归2种方法的拟合结果进行比较。结果显示,多元线性回归各参数均通过t检验,拟合较好;主成分回归中,参数b2未通过t检验,拟合效果不如多元线性回归好。BP神经网络模型、多元线性回归、主成分回归建立的水面蒸发量观测值与拟合值的回归方程中决定系数分别为0.8986、0.7993、0.7984。应用BP神经网络进行分析,相对误差小于10%的样本个数超过总样本个数的40%,相对误差不超过30%的样本个数接近80%;而其它2种方法相对误差大于10%的样本个数超过总样本数的80%,相对误差大于50%的接近总样本个数的30%。可见,应用BP神经网络模型进行水面蒸发量计算,远优于其它2种方法,应用此方法进行水面蒸发量的预测是非常理想的。     

基于BP神经网络的土壤氮素运移模型

随着淡水资源的日益紧缺,再生水灌溉已成为人们日益瞩目的研究方向,而再生水灌溉条件下土壤氮素运移规律与模拟成为这个研究的关键环节之一.以往对土壤氮素运移的模拟主要聚焦在数值模拟上,鉴于数值模拟在应用上的复杂性,为了寻找一种简便实用的模拟方法,尝试引入人工神经网络技术对土壤氮素运移进行模拟,经模拟计算得出,拓扑结构为10:12:7的BP网络模型可以较精确地模拟再生水灌溉条件下的土壤氮素运移,此研究为土壤氮素运移的研究开辟了新方向.     

基于Elman和BP神经网络的逐月参

参考作物腾发量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预报精度具有十分重要的意义。由于参考作物腾发量随时间变化具有一定的动态特性,将动态的Elman神经网络引用于参考作物腾发量预测中,并以铁岭市为例,对比分析了Elman模型与BP模型的预测结果。分析表明：Elman模型不仅能反应系统的动态特性,还具有比BP模型更高的预测精度、逼近性和稳定性。     

基于BP神经网络的模型铲刀推土阻力预测模型

将BP神经网络应用于典型的曲面推土板-模型铲刀推土阻力的预测.在模型铲刀推土试验研究结果的基础上,以模型铲刀的切削角、前翻角和切削速度为输入,以模型铲刀推土阻力的水平分力与垂直分力为输出,建立了BP神经网络数值模拟模型.研究结果表明,该BP神经网络有效地预测了模型铲刀的推土阻力,其准确率在94%以上.     

基于BP神经网络的新安江模型初始土壤蓄水量计算研究

[目的]克服传统经验折减系数法在计算新安江模型初始土壤蓄水量方面的缺点,并提高新安江模型在湿润半湿润地区的应用效果.[方法]结合流域初始土壤蓄水量的影响因素和神经网络模型特点,提出构建基于BP神经网络的新安江模型初始土壤蓄水量计算方法.[结果]在3种输入因子组合方式下,当BP神经网络隐含层节点大于11时,模拟训练期模型...     

DSSAT作物模型进展以及在农田水管理中的应用研究

作物模型可以系统定量地对作物生长发育过程进行模拟,并整合环境因素及田间管理措施来预测产量,分析相关的影响因子,找寻最佳的种植及管理情景。农业技术转移决策支持系统DSSAT是众多作物模型中应用较为广泛的模型之一,针对该模型系统的发展历程、系统结构及应用领域进行了综述,并详细分析了该模型在模拟农田水管理中的模拟机制以及国内外代表性研究成果,以期为我国相关研究及应用提供借鉴。     

基于新安江模型和BP神经网络的中小河流洪水模拟研究

为探讨更加符合中小河流域防洪要求的预报方法,并提高洪水预报精度,以屯溪流域为例,结合中小河流实际洪水预报要求,采用以洪峰合格率和峰现时间合格率为主要约束的非等权重的参数率定方法(即目标函数中径流深、洪峰流量、峰现时间合格率和确定性系数的权重分别为(1:2:2:1)对新安江模型进行参数率定,并采用算术平均法耦合新安江模型...     

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.     

优化神经网络模型在作物需水量预测中的应用

在MATLAB6.5中建立BP神经网络模型,用比较试验法对网络结构优化起关键作用的隐层节点数和优化训练算法进行了仿真试验,从而确定了合理优化的BP神经网络预测模型.采用一组样本数据来训练建立好的优化模型,并通过一组非样本数据来验证训练好的网络模型.误差结果证明,该优化模型能快速与准确地预测作物需水量,完全能够满足农业灌溉的精度要求.     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

时段划分对冬小麦作物水模型影响的研究

引入逻辑斯蒂函数描述水分敏感指数随时间的变化过程,对Jensen模型(模型一)进行了改进,使得改进后的作物水模型(模型二)的参数固定为4个,避免了模型一参数随时段数增加而增加的缺陷。采用山西水利职业技术学院试验基地2007年和2008年冬小麦田间试验资料,将冬小麦全生育期等间隔地划分为23、21、19、17、……、3共11个时段,利用非线性规划的方法求得了相应的模型参数,进行了比较分析。结果表明,采用模型一时,相对腾发量划分的时段数以5左右为宜,不宜超过7;采用模型二时,则不受时段数的限制;模型二的修正复相关系数Ra随时段数的增加略有增大的趋势,均在0.84以上,F值均在16以上,大于F0.001=12.56,达到极显著水平,能够用于模拟供水对产量的影响;模型二的标准误随时段数的增加上下波动,变化于0.100~0.108之间,小于模型一的标准误,模拟精度高于模型一;采用模型二模拟产量时宜尽量使用较大时段数的参数,且腾发量划分的时段数与参数的时段数应尽可能一致。     

作物水模型参数与时段数关系的研究

时段划分是影响作物水模型参数求解和应用的一个重要因素。依据山西水利职业技术学院试验基地2007和2008年度冬小麦田间试验资料,将冬小麦全生育期等间隔地划分为不同时段,用非线性优化方法求得了不同时段数条件下的模型参数,分析研究了模型参数与时段数的关系,据此在水分敏感指数累积函数中引入了时段数,并与模型1(未引入时段数)进行了比较分析。结果表明,模型2(引入时段数)模拟产量的相对误差随时段数的增加而减小,当时段数大于13时,相对误差平均值和最大值即分别减小到11%和20%以下;与模型1比较,参数个数未增加,模拟精度未降低;可用于任意时段数条件下的产量模拟计算,更精确地反映了水分胁迫时间对作物产量影响的信息。     

基于BP神经网络的土壤养分综合评价模型

以土壤养分指标体系作为神经网络的输入,以土壤养分等级评分作为输出,基于BP神经网络,建立了具有5个隐含层节点、3层网络的土壤养分综合评价模型;以土壤养分指标的各级评价标准作为模型的训练样本和检验样本,利用Matlab软件对BP神经网络进行训练和检验,并对安塞县土壤养分进行综合评价.结果表明BP神经网络对检验样本的模拟输出和期望输出是一致的;对安塞县土壤养分综合评价结果与模糊模式识别、主成分分析结果也是完全一致的.     

基于BP神经网络的鲜鸡蛋货架期预测模型

为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。