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。     

基于机器学习算法的ET_(0)预测研究北大核心

为了解不同机器学习算法在预测不同气候区参考作物腾发量(ET_(0))方面的表现,以中国干旱区和湿润区共计20个气象站点1960-2019年的逐日气象数据为依据,以PM和HS公式计算的ET_(0)为参考,评价了多元逐步回归(SL)、支持向量机(SVM)和高斯过程回归(GPR) 3种机器学习算法的ET_(0)预测精度及其适用性。结果表明:(1)当分别以PM和HS公式计算的ET_(0)数值为标准时,3种机器学习算法模拟ET_(0)精度大小关系均表现为:GPR>SVM>SL,且GPR算法的模拟精度最高,其相关系数(R~2)均高达0.950以上。(2)当采用同一种机器学习算法时,其在以PM公式计算的ET_(0)为参考值情况下的R~2范围为0.965~0.995、RMSE的范围为0.212~0.260 mm/d、MAE的范围为0.151~0.201 mm/d;以HS公式计算结果为参考值时,其R~2范围为0.935~0.984、RMSE范围为0.832~0.964 mm/d、MAE范围为0.596~0.745mm/d。(3)在不同气候分区,以同一参考公式计算结果为标准值时采用机器学习算法模拟干旱区的ET_(0)精度均优于湿润区,其R~2提高了0.01。(4)对比不同机器学习算法的稳健性,SL和SVM算法在分别以PM和HS公式计算结果为参考值时的稳健性最高,其训练到模拟阶段的R~2变化幅度仅为0.16%和0.11%,而GPR算法稳健性均最低。(5)对比不同机器学习算法训练时间成本,SVM和GPR算法的计算成本显著高于SL算法。综合分析3种算法的ET_(0)预测精度、稳健性和计算成本,SVM算法可推荐为中国干旱区和湿润区较为精准预测参考作物腾发量的方法。且机器学习模拟精度与气象因子的定量关系表明,日照时数(N)变化是影响各算法预测精度的主要因子。     

基于随机森林模型的林地叶面积指数遥感估算

林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R~2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R~2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

改进PSO-BP神经网络模型在海堤渗压监测中的应用

针对传统BP神经网络存在收敛速度慢、难以脱离局部极小值的不足,利用改进粒子群算法(PSO)快速的收敛特性和强大的全局搜索能力,将改进的粒子群算法与BP神经网络结合起来,根据海堤特点分类比较渗压的影响因素,采用相关系数法选取主要影响因子构建模型输入层,对应渗压作为模型输出层,建立海堤渗压改进PSO-BP监测模型。采用浦东海堤实测信息作为实例进行分析,结果显示,与BP模型相比,改进PSO-BP模型在海堤渗压监测应用中具有更高的收敛速度和更强的预测能力,能更有效地揭示海堤渗压的变化规律。     

基于MEA-BPNN的中国西北旱区参考作物蒸散量预报模型

为有效提高西北旱区参考作物蒸散量(Reference crop evapotranspiration,ET_0)预报精度,在西北旱区选择5个代表性气象站点,构建10种基于思维进化算法(Mind evolutionary algorithm,MEA)优化的误差反向传波神经网络(Back propagation neural network,BPNN)ET_0预报模型,并将其与Hargreaves-Samani模型、Irmak模型和48-PM模型等3种在西北旱区ET_0计算精度较高的模型进行比较。结果表明:在不同输入的情况下MEA-BPNN模型模拟精度具有相对较高水平,其中MEA-BPNN1(输入最高气温T_(max)、最低气温T_(min)、相对湿度R_H、日照时数n和距地面两米高处的风速u_2)、MEABPNN2(输入T_(max)、T_(min)、n和u_2)及MEA-BPNN3(输入T_(max)、T_(min)、R_H和u_2)模型的R~2、NSE均大于0.96,RMSE、MAE也分别小于0.34、0.25 mm/d,以上3种MEA-BPNN模型的整体评价指标(Global performance indicator,GPI)排名分别为1、2、3;MEA-BPNN7(输入T_(max)、T_(min)和u_2)的R~2、NSE分别为0.966 2、0.962 2,RMSE、MAE分别为0.3610、0.276 1 mm/d,模拟精度较高;MEA-BPNN模型可移植性的分析表明:MEA-BPNN模型在西北旱区具有较强的泛化能力,基于不同站点数据构建的预报模型也有较高精度;在相同输入的情况下MEA-BPNN模型模拟精度均高于Hargreaves-Samani模型、Irmak模型和48-PM模型。因此,在气象资料缺乏情景下MEA-BPNN模型可作为西北旱区ET_0计算的推荐模型,可为实时精准灌溉预报的实现提供科学依据。     

一种水稻田稻飞虱图像识别的混合算法

BP神经网络方法和粒子群(PSO)方法较常用于稻飞虱图像处理。但是,BP算法容易陷入局部极值且收敛速度缓慢;PSO方法容易实现,而其参数较难合理设置。为此,提出一种基于BP和PSO的混合型算法,应用于稻飞虱图像的识别。算法利用PSO方法来优化BP网络权值,提高训练性能。为了避免PSO方法参数难以设定的缺点,采用了基于均匀设计的算法来设定PSO参数。同时,在稻飞虱图像预处理的关键环节,采用HLS模型实现图像的灰度转换。实验结果表明:与BP算法和PSO算法相比,BP-PSO混合算法识别率明显提高,平均正确识别率达到97%,训练时间降到1s以内,满足算法的实时性要求。     

基于GA-LM-BP模型的云南省农机总动力预测

为预测云南省农机总动力的发展变化趋势,提出一种将GA算法、LM算法与BP神经网络相结合的农机总动力预测方法,克服了BP神经网络易陷于局部极小的缺点。选取1985-2015年云南省农机总动力数据作为样本,建立GA-LM-BP神经网络模型进行仿真预测,结果表明:该模型的平均相对误差为0.313 362%,明显优于BP神经网络的0.926 674%、LM-BP神经网络模型的0.654 053%和GA-BP神经网络模型的0.493 122%,具有较好的预测精度。在此基础上,对云南省2016-2020年农机总动力的发展趋势进行了预测,结果表明:2 0 1 6年农机总动力达3 4 3 9.4 9万k W,超过云南省农业厅预测的3 4 0 9万k W,2 0 2 0年云南省农机总动力达3 952.78万k W,为云南省农机化的发展规划提供了理论依据。     

西藏高原灌区参考作物蒸散量模型的适用性研究

为明确参考作物蒸散量(ET_0)计算模型在西藏高原灌区的适用性,推荐适宜于气象资料短缺条件下的ET_0计算模型,本研究基于满拉、墨达、江北3个灌区的气象站的长系列数据,以FAO推荐的Penman-Monteith(FAO 56 PM)模型计算的ET_0为标准,对ET_0的5种常用计算模型的适用性进行评价。结果表明:Makkink、Irmark-Allen、FAO 17Penman、Hargreaves-Samani和Priestley-Taylor 5种模型模拟的日尺度ET_0变化趋势与FAO 56 PM模型一致,在年际间均呈先增后减的变化规律,且峰值出现在6～7月份,但各模型适用性存在显著差异。Makkink模型的日尺度MAE、RMSE、NSE值分别为0.37 mm/d、0.45 mm/d和0.84,模拟精度及可信度最高;Irmark-Allen模型次之,MAE、RMSE、NSE分别为0.65 mm/d、0.71 mm/d、0.62;Priestley-Taylor模型最差,MAE值最大达4.91 mm/d且NSE值小于0。年尺度下,各模型较FAO 56 PM均存在高估现象,其中FAO 17Penman、Hargreaves-Samani、Priestley-Taylor模型的NSE值介于-3 571.76～-118.00之间,模拟结果不可信;Makkink模型的NSE值最接近于0,模拟结果可信,但模拟过程的误差较大。综合评定,推荐Makkink为西藏高原灌区气象资料短缺条件下的ET_0简化模型。     

基于神经网络算法的广东省典型代表站点ET_0简化计算模型研究

【目的】探讨BP、极限学习机、小波神经网络算法在广东典型气候代表站点的适用性,建立ET_0简化计算模型。【方法】以韶关、深圳、广州、揭西、湛江站为研究对象,收集各站1981—2010年逐日平均、最高、最低气温、相对湿度、日照时间、风速观测数据,以FAO-56Penman-Monteith ET_0计算值为基准,对比3种算法计算效结果,确定最优算法,并结合因子敏感性分析建立了ET_0简化计算模型。【结果】①P<0.05显著水平下,广州、韶关站各气象因子均差异显著;湛江、广州、揭西、深圳4站除日最高气温差异显著,其他气象因子差异均不显著;②ET_0因子敏感性分析中,韶关、广州、深圳3站日最低、最高气温、日照时间敏感系数较大,韶关站为0.040、0.113、0.223,广州站为0.043、0.101、0.208,深圳站为0.054、0.105、0.181;揭西和湛江站日最高气温、相对湿度、日照时间敏感系数较大,分别为:0.105、-0.040、0.216和0.098、-0.072、0.197,综合各站来看,日最高气温、日照时间最为敏感;③全因子输入条件下,ET_0计算精度表现为BP>极限学习机>小波神经网络;④ET_0简化计算精度表现为BP(全因子输入)>BP-1(日最高、最低气温,相对湿度,日照时间作输入)>BP-2(日最高气温、日照时间输入),但差值不大。【结论】因此,基于日最高气温、日照时间2因素的BP算法一定程度能简化计算ET_0。     

基于粒子群算法和广义回归神经网络的ET_0预测

为实现参考作物蒸散量(Reference Crop Evapotranspiration,ET_0)的准确计算和预测,利用广义回归神经网络(Generalized Regression Neural Network,GRNN)进行非线性映射,为减少人为因素影响采用粒子群算法(Particle Swarm Optimization,PSO)自动寻找神经网络最优参数,建立了基于粒子群算法和广义回归神经网络的参考作物蒸散量预测模型(PSO-GRNN)。研究气象数据缺失情况下模型模拟效果,在缺失风速和日照时数情况下,模型仍能取得较好效果(模型均方根误差和自相关系数分别为0.437%和91.865%)。将模型计算结果与Hargreaves、Priestly-Taylor、Makkink、Irmark-Allen等4种经验模型进行对比,得到模型的均方根误差和自相关系数为0.23%和97.709%,优于4种经验模型。以P-M模型求得的参考作物蒸散量为标准值,对2011-2015年预测得到的参考作物蒸散量进行求和,得到PSO-GRNN模型计算得到历年ET_0总和的相对误差为0.44%,优于4种经验模型(Hargreaves模型18.29%、Priestly-Taylor模型2.89%、Makkink模型3.27%、Irmark-Allen模型18.49%)。该研究建立的PSO-GRNN模型预测精度高,稳定性好,人为影响少,能够较好的进行ET_0模拟计算,为作物需水量智能决策提供参考。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

基于思维进化算法优化BP神经网络的温室甜瓜ET_0预测研究

为实现温室作物参考作物蒸散量(ET_0)的准确计算和预测,利用BP神经网络对获取的数据进行非线性回归,利用思维进化算法自动寻优,进而获取BP神经网络算法中较优的权值和阈值,最终建立了基于思维进化算法优化BP神经网络的参考作物蒸散量预测模型(MEA-BP)。结果表明,优化后的BP神经网络的最大相当误差有原来的13%下降到了7.2%,平均相对误差由原来的6.8%下降到了3.4%。研究了在气象数据缺失情况下模型的预测效果,当模型输入参数为4个时,平均绝对误差约为在0.2 mm(预测值约3～6 mm),模型的有效系数和相关系数基本在0.9以上;当模型输入参数为3个时,平均绝对误差约为0.25 mm,模型的有效系数和相关系数基本在0.8以上。因此,在输入参数保证3个及以上,同时包含有显著影响因子有效光照时长时,该模型的整体计算精度以及整体的实用性较好,能够为作物灌水量的预测提供参考。     

基于PSO-LSSVM算法的阶梯式溢洪道复氧率预测

最近,机器学习方法逐渐在水利工程中得到广泛运用。研究将采用最小二乘支持向量机(LSSVM)方法,建立阶梯式溢洪道各种流态下复氧率的预测模型。采用粒子群优化算法(PSO)优化了LSSVM算法的参数(惩罚函数γ和核函数常数σ~2),新的PSO-LSSVM模型预测精度相对于常用的BP模型明显提高。误差分析表明,在测试集上PSO-LSSVM模型的平均绝对百分比误差MAPE、均方差RMSE和平方相关系数R~2分别为1.100 0×10~(-3), 4.899 6×10~(-4)和9.998 6×10~(-1)。最后,采用平均影响值法评价了输入参数对复氧率的影响程度。     

变形监测数据分析的群集智能模型

针对标准微粒群优化算法(PSO)存在早熟收敛和搜索精度低等缺陷,对其惯性权重因子进行改进,并将非均匀变异机制引入PSO,即在算法进行搜索时以一定变异概率对选中的粒子进行变异操作,同时对飞离搜索区域的粒子用新产生的粒子取代,由此得到改进的微粒群优化算法(IPSO)。然后将IPSO用于优化BP神经网络的连接权重和阈值,分析和建立变形监测数据处理的群集智能模型(IPSO-BP),为了进行比较,同时建立了回归分析模型、标准PSO-BP模型,并将3种模型分别应用于某大坝水平位移数据的分析预测,结果表明,IPSO-BP模型收敛速度更快、预报精度更高,是一种新的且有效、可靠的变形数据处理方法。     

基于极限学习机模型的中国西北地区参考作物蒸散量预报

为有效提高西北地区参考作物蒸散量(ET_0)预报精度,在西北地区选择6个代表性气象站点,以P-M模型计算的ET_0作为标准值,利用1993-2016年逐日气象资料构建10种极限学习机(extreme learning machine,ELM)ET_0预报模型,用k-折交叉验证估计模型泛化误差,并将其与Hargreaves-Samani、Chen、EI-Sebail和Bristow等4种在西北地区计算精度较高的模型进行比较。结果表明:ELM_1(输入T_(max)、T_(min)、RH、n和u_2)、ELM_2(输入T_(max)、T_(min)、n和u_2)、ELM_4(输入T_(max)、T_(min)、RH和u_2)及ELM_7(输入T_(max)、T_(min)和u~2)模型均具有较高模拟精度,其MAE分别为0.199、0.209、0.250、0.273 mm/d,RMSE分别为0.270、0.285、0.341、0.422 mm/d,NSE分别为0.983、0.981、0.973、0.987,R~2分别为0.984、0.982、0.975、0.960,整体评价指标(global performance indicator,GPI)排名分别为1、2、3、4;模型可移植性分析表明,ELM模型具有较强的泛化能力,除了ELM_7在喀什站、敦煌站的模拟精度相对较低之外,其余ELM模型在西北地区各站点模拟结果的MAE均在0.40 mm/d以下、RMSE均在0.49以下、NSE均在0.95以上、R~2均在0.96以上;在相同输入的情况下ELM模型模拟精度均高于HargreavesSamani、Chen、EI-Sebail和Bristow。因此,在气象资料缺乏情景下ELM模型可作为西北地区ET_0计算的推荐模型。     

基于ASSA-GRNN的施肥量预测与控制实现

提出一种改进的樽海鞘算法,对GRNN神经网络进行优化。首先,在樽海鞘算法中引入动态惯性权重,避免算法陷入局部最优值,并且提高算法的收敛速度;其次,在算法中引入柯西变异,增强种群多样性,提高其全局搜索能力。将改进的樽海鞘算法应用到GRNN神经网络平滑因子参数的优化,缩短了训练时间,提高了预测精度。利用ASSA-GRNN与PSO-BP模型分别进行施肥量预测,ASSA-GRNN模型的施氮量预测结果绝对误差平均值、绝对误差方差和相对误差平均值分别为0.0342、0.0044和0.67%,比PSO-BP模型预测误差有所下降。最后,施肥量预测结果通过数据可视化技术展示给用户,且可以通过开关控制器打开电磁阀。     

基于两种人工智能模型的石羊河流域日潜在蒸散发模拟精度比较

潜在蒸散发(ET_0)是估算作物需水量的基础。根据石羊河流域5个气象站5年的气温、风速、相对湿度等日气象要素资料,采用Penman-Monteith公式计算石羊河流域的ET_0,建立六因子、四因子和三因子的支持向量机(SVM)模型与人工神经网络(ANN)模型模拟日ET_0,对模拟值与计算值进行比较,以均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)以及皮尔逊相关系数(R)作为模型的性能评价指标,对模型进行检验以获得模拟精度较高的模型。结果表明:相同因子输入下ANN模型较SVM模型在石羊河流域模拟日ET_0有着更高的模拟精度。该研究可为气象要素资料不全的站点提供模拟日ET_0的可行方法。     

基于烟花算法优化极限学习机的温室参考作物蒸散量预测研究

为提高温室环境下参考作物蒸散量(Reference Crop Evapotranspiration,ET_0)的预测精度,提出烟花算法(Fireworks Algorithm, FWA)优化极限学习机(Extreme Learning Machine, ELM)的参考作物蒸散量预测模型,有效解决了极限学习机在数据预测过程中因随机输入权值矩阵和偏置矩阵导致的数据波动问题,提高了极限学习机的预测精度。以温室环境数据作为模型的输入,以参考作物蒸散量ET_0为输出,建立FWAELM模型,并将结果与ELM模型预测结果进行对比,结果表明,FWAELM模型的均方根误差、平均绝对误差和模型可决系数分别为:0.115 6、0.143 6、0.943 8,高于ELM模型的0.403 5、0.346 7和0.819 0,FWAELM模型预测精度较高。同时进行了气象参数缺失情况下的模型预测精度研究,结果表明参数在保留3个及以上时,模型的预测精度依然较高,适用于温室ET_0的预测研究。     

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。