共查询到18条相似文献,搜索用时 70 毫秒
1.
农业机械作业造成的土壤压实已成为制约农业可持续发展的重要因素,过度机械压实使土壤理化性质恶化,甚至成为降低作物产量的主要原因。已有的土壤机械压实研究多是基于简单的数学统计分析,且研究重点为试验方案的设计,无法挖掘数据内部关系,也无法进行土壤机械压实程度的预测。近几年,随着机器学习的不断发展,越来越多的学者开始将其引入农业领域及土壤机械压实的研究。为此,分析了机械压实对土壤理化性质及作物生长的影响,总结了土壤机械压实的表征属性和常用机器学习算法及评价标准,并归纳了近几年基于机器学习的土壤压实的研究成果,给出了相关应用研究的建议。 相似文献
2.
3.
土壤压实对农作物影响概述 总被引:25,自引:2,他引:25
回顾了近几十年来国内外尤其是欧美等机械化发达国家在土壤机械压实危害方面的研究成果。土壤机械压实危害主要表现在土壤容积质量和机械阻力增加,大孔隙减少,土壤物理、化学、生物性状恶化,进而影响作物的生长发育,土壤结构发生退化,已成为当前制约农业可持续发展的障碍因素之一。 相似文献
4.
为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数:比值指数(Ratio index,RI)、差值指数(Difference index,DI)、归一化光谱指数(Normalized difference vegetation index,NDVI)、土壤调整光谱指数(Soil-adjusted iegetation index,SAVI)、三角光谱指数(Triangular vegetation index,TVI)、改进红边归一光谱指数(Modified normalized difference index,mNDI)和改进红边比值光谱指数(Modified simple ratio,mSR),使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)和反向神经网络(Back propagation neural network,BPNN)构建大豆产量估算模型并进行验证。结果表明,各生育期(全花期(R2)、全荚期(R4)和鼓粒期(R6))计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。 相似文献
5.
新颖的路基压实度测定方法的研究 总被引:14,自引:0,他引:14
叙述了用瞬态冲击法快速,无损测量路基压实度(土壤坚实度)的方法及技术关键。对不同压实度、含水量的土壤进行了测定,提出了在瞬态冲击下,存在新的S-X水滞规律。S-X水滞频率范围为0-Fsx,在该频段内压实度响应的功率谱图接近于水平线,且几乎与含水量和频率无关;用冲击响应的功率谱值作为测量指标具有较高的分辨力,能区分不同压实度时的响应值。不同的土壤,响应谱值与压实度之间具有不同的回归方程。本文对于深入研究瞬态冲击法测定路基压实度(土壤坚实度)的机理及其进行测量装置的设计具有重要的指导作用,为解决国内利用激振法无需测含水量就能得到现场压实度数值奠定了基础。 相似文献
6.
为及时准确地预测我国黄土高原苹果产量,首先选取黄土高原苹果产区86个基地县的气象观测数据,分别提取出苹果生长季内不同月份的气温、降水量、太阳辐射等气象特征变量,花期冻害时间、连阴雨时间和标准化降水蒸发指数(Standardized precipitation evapotranspiration index, SPEI)等气象灾害特征变量,以及气象站点经度、纬度和高程等空间特征变量,再根据斯皮尔曼相关性分析确定影响苹果产量的最重要气象特征变量。然后,采用梯度提升树(Gradient boosting decision tree, GBDT)、支持向量机(Support vector machine, SVM)、贝叶斯正则化反向传播神经网络(Bayesian regularization back propagation artificial neural network, BRBP)和多元线性回归(Multiple linear regression, MLR)算法,建立苹果相对气象产量的预测模型,并确定最佳模型输入特征变量组合。最后,基于不同生育期和生长季内各月份最佳模型输入特征变量... 相似文献
7.
8.
9.
轮式作业机械对农田土壤压实的模拟试验研究 总被引:3,自引:0,他引:3
为了简化农田作业机械对土壤压实的试验过程,对轮式作业机械对土壤参数的压实影响总的变化趋势进行分析。用简单的试验装置对轮式作业机械对土壤的压实进行模拟试验,模拟试验测取了不同接地比压,不同通过次数下土壤含水率、容重和坚实度3项指标的变化。试验表明:接地比压和通过次数对当时土壤的含水率的影响不大;接地比压对土壤坚实度和表层土壤容重的影响较大;土壤被压实1次和2次时土壤的坚实度和容重有较大的影响;接地比压和土壤压实次数对深层土壤的容重影响不大。 相似文献
10.
通过田间试验,以大豆为供试作物.采用二因素二次饱和D-最优设计(206)进行水肥试验,对不同水肥处理的滴灌大豆产量进行了初步研究.试验结果表明,在供试条件下,水、氮对产量有明显的促进作用,而且氯素作用大于灌水作用;两因素交互作用对大豆产量的影响为正效应. 相似文献
11.
12.
为快速、准确地估测小麦产量,有效提高育种工作效率,本文以小麦品系为研究对象,收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量,然后利用岭回归(Ridge regression,RR)、偏最小二乘回归(Partial least squares regression,PLS)、多元线性回归(Multiple linear regression,MLR)3种线性算法和随机森林(Random forest,RF)、梯度提升回归(Gradient boosting regression,GBR)、极限梯度提升(eXtreme gradient boosting,XGB)、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)、K最邻近算法(K-nearest neighbor,KNN)6种非线性算法构建单一算法产量估测模型并进行精度比较,最后基于Stacking算法构建多模型集成组合,筛选最佳集成模型。结果表明,基于不同算法的产量估测模型精度差异显著,非线性模型优于线性模型,基于GBR的产量估测模型在单一模型中表现最优,训练集R2为0.72,RMSE为534.49kg/hm2,NRMSE为11.10%,测试集R2为0.60,RMSE为628.73kg/hm2,NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关,以KNN、RR、SVR为初级模型组合,GBR为次级模型的集成模型有效提高了估测精度,相比单一模型GBR,训练集R2提高1.39%,测试集R2提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。 相似文献
13.
生物炭对坡耕地土壤肥力和大豆产量的影响与预测 总被引:2,自引:0,他引:2
为探究施用生物炭对东北黑土区不同坡度坡耕地土壤肥力和大豆产量影响的持续性,于2016—2018年在3种典型坡度的坡耕地上开展生物炭持续效应试验,分析施加生物炭对土壤团聚体及其稳定性、土壤养分指标、大豆产量及其构成要素影响的持续性,并采用改进的灰色理论预测模型对大豆产量进行预测,进而确定生物炭一次性施入后的增产作用年限。结果表明:施用生物炭使土壤团聚体直径d 0. 25 mm的土壤团聚体含量明显减少、d 0. 25 mm的土壤大团聚体含量显著增加;施用生物炭使大于0. 25 mm的水稳性团聚体含量比例R0. 25、平均质量直径(MWD)和几何平均直径(GMD)增加,使土壤不稳定团LT粒指数E_(LT)减小,即土壤团聚体稳定性提高,该稳定性增强幅度随坡度增大、施炭后时间延长而减小;施加生物炭使土壤pH值、铵态氮、速效钾、有机质含量这4个指标显著增加(P 0. 05),最大增长率分别为17. 88%、27. 23%、20. 31%、17. 51%,施炭后土壤养分等级有所上升,土壤肥力增强,增强效果与施炭后年限呈负相关,但生物炭对有效磷含量并无明显影响;施加生物炭后,大豆单株荚数、单株粒数、百粒质量、产量均显著提高(P 0. 05),增产率高达26. 29%,并且坡度越大、施炭年限越长,各指标增加幅度越小,各因素对大豆产量影响由大到小依次为施炭与否、坡度、施炭后年限;改进的多变量灰色预测模型精度较高,预测单次施用生物炭后大豆增产有效时间为5~6年。研究结果可为东北黑土区生物炭应用提供理论依据。 相似文献
14.
利用极限学习机模型解译高氯离子干扰下盐碱土中硝酸根离子选择电极响应信号,系统分析了漂移校正算法、能斯特及极限学习机模型对电极法硝态氮(NO~-_3-N)预测结果准确性的影响差异。结果表明,漂移校正算法可明显提高传感器标定方程的重复性和一致性,响应斜率及截距电位的波动范围分别缩小了3.67%和7.25%;极限学习机模型的最优隐含层节点数为14;基于极限学习机的电极法NO~-_3-N质量浓度预测模型可较好抑制盐碱土中氯离子干扰,与标准检测结果之间的最大绝对误差和均方根误差分别为6.36 mg/L和4.02 mg/L。相关研究结论可为电极法测土过程中的信号校正、数据处理模型和模型参数选取提供参考。 相似文献
15.
干旱处理对土壤水分变化及大豆产量的影响 总被引:2,自引:0,他引:2
采用框栽方式,研究不同阶段干旱处理对土壤水分、大豆植株干物质积累及产量的影响。结果表明,土壤含水率随干旱历时的增加而递减,长时间干旱后稳定在20%~24%;对于短期干旱处理,灌溉量较大时,土壤含水率会迅速恢复到稳定值32%~34%,但是对于18d以上的干旱历时,较少的灌溉量并不能保证土壤含水率在1~2次灌溉后得到恢复,表明较少的灌溉量对土壤含水率的提升能力有限。各干旱处理结束时期,大豆植株干物质积累均随干旱历时增加呈下降趋势,长期干旱会使全株干物质积累下降13%~30%;苗期和花荚期的短期干旱处理产生激发补偿效应,不会使大豆减产,结荚鼓粒期对水分供应较为敏感,干旱导致大豆减产。 相似文献
16.
基于深度学习的大豆生长期叶片缺素症状检测方法 总被引:5,自引:0,他引:5
为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。 相似文献
17.
灌溉对不同耐旱型大豆生理特性及产量的影响 总被引:1,自引:0,他引:1
田间条件下,在半干旱地区,通过对不同耐旱型大豆品种进行灌溉,探讨品种和灌溉对大豆生理性状及产量的影响。结果表明:灌溉提高了同一品种的LAI、株高、地上部生物产量、叶绿素含量,但却降低了根冠比值。同一处理,各时期地上部生物量表现为:R6R4R2,根冠比值表现为:R2R4R6。灌溉与品种均显著影响大豆产量的形成,且灌溉效应大于品种效应。灌溉提高了同一大豆品种的产量,但辽豆21产量提高的更多。同一灌溉条件下,辽豆14产量优于辽豆21。灌溉提高了大豆植株的株高、主茎节数、节间长度。同一灌溉条件下,辽豆14的株高、主茎节数高于辽豆21,但节间长度却低于辽豆21。 相似文献