融合物联网多环境参数的茎干水分SSA-BP预测模型

作为一种典型的生理水分参数，茎干水分与活立木内部水分平衡的维持、光合固碳及细胞代谢等的正常运转有紧密联系，对不同环境参数协同作用下的茎干水分较准确预测是必不可少的。为实现对生长季茎干水分变化特征及其影响因素进行解析，并构建茎干水分预测模型，该研究以常见绿化树种五角枫（Acer pictum subsp. Mono）为研究对象，搭建五角枫物联网生态信息监测系统，实现五角枫茎干水分和各环境参数的实时采集与在线显示，其中茎干水分变化情况由自主设计的基于驻波率原理的茎干水分传感器实时且无损获取。在此基础上，提出麻雀搜索算法（sparrow search algorithm，SSA）优化反向传播（back propagation，BP）神经网络即SSA-BP茎干水分预测模型，计算模型的决定系数（coefficient of determination，R²）、均方根误差（root mean square error，RMSE）和平均绝对误差（mean absolute Error，MAE）以评估其预测性能，与传统的BP模型及遗传算法（genetic algorithm，GA）优化BP即GA-BP模型的预测性能进行对比。结果表明：1）搭建的物联网生态信息监测系统可有效获取茎干水分及各环境参数；萌芽期和落叶期，茎干水分呈“昼升夜降”的变化趋势，生长期，茎干水分呈“昼降夜升”的变化趋势；2）SSA-BP模型的预测性能要优于GA-BP模型和BP模型，萌芽期，SSA-BP模型的R²为0.896～0.987，RMSE为0.314～12.971 mV，MAE为0.232～5.030 mV。该研究提出一种可行的茎干水分采集和预测方法，可为揭示植物茎干内部水分运移规律及其环境适应机制提供借鉴。     

基于机器学习的东非植被变化因子重要性分析

[目的]基于机器学习算法对东非植被变化进行因子重要性分析,测度不同算法在各情况下的精度差异及适用性,为保护、恢复和促进可持续森林管理、水土流失综合防治提供科学依据。[方法]以东非9个国家2001—2020年的归一化植被指数(normalized difference vegetation index, NDVI)变化为研究对象,选取影响东非植被变化的2个气候因子及5个人类活动因子作为自变量,利用随机森林(random forest, RF)、BP神经网络(BP neural networks, BP)、支持向量机(support vector machines, SVM)、遗传算法(genetic algorithm, GA)、径向基神经网络(radial basis function, RBF)、卷积神经网络(convolutional neural networks, CNN)6种机器学习算法建立NDVI预测模型,以决定系数(R²)、平均绝对误差(MAE, mean absolute error)、平均相对误差(MRE, mean relative error...     

基于改进深度置信网络的大棚冬枣病虫害预测模型

导致冬枣病虫害发生的原因很多而且很复杂,利用传统的数学方法和神经网络(neural network,NN)很难建立正确的病虫害预测模型.由于典型的深度置信网络(deep belief network,DBN)的各层之间缺乏有监督训练,使得网络误差逐层向上传递,降低了预测模型的预测率.针对这些问题,引入冬枣病虫害的先验信息,提出一种基于环境信息和改进DBN的冬枣病虫害预测模型.在该模型中,通过无监督训练和有监督微调从冬枣生长的环境信息序列中获取可表征冬枣病虫害发生的深层特征的隐层参数,并形成新的特征集,然后在预测模型的顶层通过一个后向传播神经网络(back propagation neural network,BPNN)进行病虫害预测.从2014—2017年的4 a时间内,利用农业物联网传感器采集30个大棚冬枣常见的2种虫害和3种病害发生的环境信息序列6000多条,由此验证所提出的预测模型,平均预测正确率高达84.05%.与基于强模糊支持向量机、改进型NN和BPNN的3种病虫害预测模型进行了试验比较,预测正确率提高了20多个百分点.试验结果表明,该模型极大提高了大棚冬枣病虫害的预测正确率.该研究可为大棚冬枣病虫害预测提供技术参考.     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。     

基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型

为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法（genetic algorithm, GA）对标准反向传播（back propagation, BP）神经网络的初始权值和阈值进行优化,再利用克隆选择算法（clonal genetic algorithm, CGA）优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明：克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.003 4、0.038 9和0.350 6,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准...     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。     

基于LSTM模型预测不同水保工程措施条件下土壤侵蚀量——以辽西北地区为例

[目的] 准确模拟和预测不同水保工程措施下土壤侵蚀量,为辽西北地区精准预测土壤侵蚀量提供技术和理论依据。[方法] 基于野外径流小区2011—2021年的监测数据,包括：最大30 min和60 min降雨强度(I₃₀和I₆₀)、降雨历时(T)、降雨量(P)和土壤侵蚀量,建立了长短期记忆神经网络(LSTM)分别对3种工程措施(水平槽、果树台田和梯田)下的土壤侵蚀量进行预测。并将LSTM预测结果与3个经典机器学习模型〔反向传播神经网络(BP)、随机森林(RF)和支持向量机(SVM)〕预测的结果进行对比。[结果] ①在3种工程措施中,I₃₀,I₆₀,T和P对土壤侵蚀量的影响程度不同,但I₃₀,I₆₀和T对土壤侵蚀量的影响大于P。②利用BP模型预测土壤侵蚀量的相对均方根误差(NRMSE)均大于0.2。③相比于RF和SVM模型,LSTM模型在3种工程措施下(水平槽、果树台和梯田)预测土壤侵蚀量的NRMSE分别降低了约0.04～0.08,0.02～0.08,0.05～0.08。④利用I₃₀和T作为LSTM模型的输入特征预测土壤侵蚀量的精度与使用I₃₀,I₆₀,T和P为输入特征时的预测精度相近。[结论] 在辽西北地区3种水保工程措施中,利用LSTM模型基于最大30 min雨强和降雨历时对土壤侵蚀量进行预测,取得了较其他传统模型高的预测精度。这说明LSTM模型可在同类地区土壤侵蚀量的精准模拟和确定水土保持措施中推广和应用。     

优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度

针对调理鸡肉菌落总数在贮藏期间易受到外界因素影响,提出了一种优化反向传播(back propagation,BP)神经网络的调理鸡肉菌落总数预测方法。以贮藏在4℃条件下的调理鸡肉为研究对象,采集其表面400~1 000 nm高光谱信息共计419个波段作为全波段,并利用竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)算法筛选出34个特征波段,分别以全波段和特征波段对应的光谱值作为BP神经网络输入,采用鸟群算法(bird swarm algorithm,BSA)和免疫算法(immune algorithm,IA)优化BP神经网络的初始权重和阈值,建立调理鸡肉菌落总数的BP、BSA-BP、IA-BP、BSA-IA-BP预测模型。试验结果表明:经过CARS筛选特征波长的BSA-IA-BP模型预测效果最佳,预测集相关系数RP、均方根误差、剩余预测偏差分别为0.93、0.31lg(CFU/g)、2.68,且模型稳定性最好。该研究为基于BP神经网络实现调理鸡肉菌落总数快速无损检测提供了算法支撑和理论基础。     

基于模糊神经算法的区域地下水盐分动态预测

为探讨前馈型人工神经网络BP-ANN(back propagation artificial neural network)和模糊神经NF(neuro-fuzzy)2种神经网络算法在区域地下水盐分动态预测中的应用过程与效果,首先通过经典统计分析确定区域地下水盐分动态的主要驱动因子以及可用的模型输入因子组合,采用"试错法"确定神经网络模型的最优结构,进而开展地下水盐分中长期动态的有效模拟预测。结果表明,在长江河口寅阳和大兴地区以降水动态为单输入的NF(5-gbellmf-160)和以降水与内河水盐分动态为双输入的NF(4-gaussmf-100)为最优预测模型。研究表明神经网络模型对地下水盐分动态的预测精度优于常规线性模型,其中,NF、BP-ANN、线性模型在寅阳测点的预测相关系数分别为0.565、0.445、0.261,在大兴测点的预测相关系数分别为0.886、0.784、0.543。与BP-ANN、线性模型相比,基于模糊神经算法的NF模型具有更好的误差纠错和仿真能力,在寅阳和大兴测点的预测误差分别降低了30%以上和50%以上。相关研究结果在区域水盐动态科学预警研究领域有较好地应用前景。     

基于光谱指数与机器学习算法的土壤电导率估算研究

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例,基于土壤电导率 (Electrical conductivity,EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据,通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数,采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算,并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明：在基于R与6种光谱预处理数据构建的21个最优光谱指数之中,R_FD_RSI (R₁₉₁₃,R₂₁₄₂) 表现最佳 (r = 0.649) ;与PLSR相比,机器学习算法能够显著提高模型的估算精度,R²提高了34.55%。三种机器学习算法模型中,ELM表现最优 (R² = 0.884, RMSE = 3.071 mS?cm^-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息,并且基于机器学习算法的土壤EC估算模型精度显著提高,为干旱区土壤盐分定量估算提供了科学参考。     

设施农业用槽式太阳能聚光电热联供系统性能分析与试验

该文针对在设施农业中棚顶安装的光伏组件挡光导致棚间距离增加,提出一种可以用在设施农业中的槽式太阳能聚光电热联供系统,通过减少输出额定电功率所需光伏组件的数量以提高设施农业经济性,同时还可以在寒冷季节为作物生长提供热能。该文介绍了该聚光电热联供系统的工作原理,利用光学仿真软件对聚光器的聚光性能进行了仿真计算,搭建了聚光电热联供系统性能测试台,将电热联供系统组件与平板光伏组件工作温度进行了对比,通过改变换热介质流量,分析了系统综合性能效率随换热介质流量变化的规律。结果表明,在约2倍聚光条件下,换热介质质量流量为2.41 g/s,室外平均气温为2℃时,槽式聚光电热联供系统的输出电功率约是平板光伏组件的2倍,系统综合性能效率为69.88%,系统输出水温约为20℃左右。该研究可以为设施农业与太阳能光伏利用技术的高效耦合提供了参考。     

聚光太阳能光伏/温差热复合发电系统设计与性能测试

针对现代温室用电成本高、太阳能利用效率低及余热能量浪费的问题。论文探究了光伏温差混合发电的机理,设计了一种聚光太阳能光伏/温差复合发电系统,该系统利用抛物型聚光器进行聚光,采用三角形热管对光伏电池热量进行传递,完成了以下目标:光伏电池的一部分热量通过温差电池实现二次发电;另一部分通过热管内水对流将多余热量传递到储热箱进行热利用。为测试该复合发电系统电/热性能,建立了电/热数学的模型对系统的能量转换进行分析,并进行试验,得出全年四季不同光辐射强度、冷却水流量对系统的影响。冬季测试期间电效率最高达到20.98%,热效率达到39.81%,?效率达到32.5%。结果表明,该系统与无聚光光伏温差混合发电系统相比效率较高且稳定。所获电能可为温室内环境监控、照明系统供电,并能为作物生长提供部分热能。     

光伏-环路热管/热泵热水系统在不同气候区性能对比与优化

为改善传统太阳能光伏/光热热水系统运行性能,拓展空气源热泵热水系统应用范围,该文针对一种太阳能光伏-环路热管/热泵热水系统开展了其在3种不同气候区运行性能对比及优化研究。分别选择北京、上海和广州作为寒冷、夏热冬冷和夏热冬暖地区典型气候代表城市,依据所建数学模型,模拟比对系统在3个地区的全年运行性能,分析了集热/蒸发器的朝向与安装倾角对系统运行性能的影响,并对其进行了优化;以传统空气源热泵热水系统为基准,采用全寿命周期成本计算方法分析了系统的经济可行性。结果表明,相同安装倾角正南朝向时,系统在广州的太阳能综合利用效率最高、节能性最佳;各地区理想安装倾角下,北京和上海正南朝向时系统节能效益最优,广州则南偏东30°时节能率最高;与传统空气源热泵热水系统相比,系统在北京、上海、广州的全寿命周期成本分别降低了58.75%、49.83%及53.09%,经济效益显著。     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

基于核函数极限学习机的分布式光伏短期功率预测

伴随中国农村电网的较快发展,分布式光伏的集成应用是实现新能源就地消纳的重要途径。国家相关政策已对分布式光伏的快速发展进行了相关规划,国家电网公司也出台政策为分布式光伏接入提供便利条件与技术支持,相关的分布式光伏发电功率预测技术需要进行深入研究。针对用户侧分布式光伏发电系统,考虑预测系统的成本约束和运行需求,以及农村电网应用特点,提出一种基于核函数极限学习机的分布式光伏功率预测方法。对于不同容量的分布式光伏发电系统,使用核函数极限学习机构建分布式光伏短期功率预测模型,使用基于权重的训练样本筛选方法提高预测模型计算效率,并通过粒子群算法优化模型参数。预测模型使用低成本的非数值天气预报采样信息,对几十千瓦级的分布式光伏,预测相对误差仅16%～18%,能在低功耗处理器上实现10ms内完成单次发电功率预测,在简化低权重属性后能基本保持原有精度,同时在分布式光伏随机覆尘或逆变器故障条件下预测误差基本不变,具有较高的适应能力。     

菲涅尔高倍聚光PV/T系统热电输出性能模拟与试验

该文基于直通式微通道冷却的菲涅尔高倍聚光PV/T系统热电输出性能的仿真和试验进行研究,结果表明,太阳辐照度、聚光元件间的装配距离、入射角及热对流等对系统热电性能的影响较大;太阳直接辐照度为226 W/m2时,菲涅尔透镜与聚光元件间距离增大2 mm后,功率和电效率分别下降0.98 W和7.4%,对于确定的菲涅尔高倍聚光PV/T系统,存在最佳聚光元件装配参数范围;当太阳直接辐照度一定时,冷却工质流量越大,电池表面温度下降越快,但在较高流量时,随着流量持续增大,电池表面温度下降趋势减小;当入射角由0°增大至1°后,系统得热量下降0.25 MJ,在太阳辐照度达到500 W/m2时,输出功率下降6.35 W;试验系统输出性能稳定,且适用于大型系统,该文研究为系统实际运行参数调控提供理论和试验依据。     

基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。     

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术（nutrient film technique,NFT）在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法（dung beetle optimizer, DBO）优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。     

热开关控制光伏/温差联合发电装置设计提高发电效率

为解决光伏电池板接收太阳辐射发电时板面温度上升导致光电转换效率下降的问题,该文通过温差发电技术对光伏电池板进行主动冷却;同时为解决温差发电技术因温差较小时热电转换效率低下的问题,引入热开关对装置进行控制,并采用扁平热管作为传热单元,利用水对流为系统进行冷却。为测试基于热开关的光伏/温差联合发电装置的性能,分析了不同光辐射强度、不同板面温度、以及不同冷端温度对系统的影响,并搭建试验平台,对联合发电装置进行试验研究。结果表明,装置联合发电效率高于单独一种发电方式的效率,实现了能量的梯级利用。在对装置进行瞬时性能测试期间,发电效率最高达到19.45%,发电功率最大达到32.15 W。在6 d全天性能测试期间,联合发电装置的平均发电效率为17.72%,最高可达18.37%。所获电能基本可以满足农业温室大棚检测系统、远程传感器的供电要求。