基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

不同滴灌形式对棉田土壤理化性状的影响

为研究长期滴灌对土壤性质的影响,采用田间抽样调查的方法,对新疆棉田膜下滴灌和地下滴灌进行了对比分析,研究了滴灌形式对棉田土壤理化性状的影响.结果表明,采用滴灌8年后,膜下滴灌在10 cm处土壤体积质量相对较高,而地下滴灌的高体积质量土壤下移至60 cm上下.土壤盐分的分布规律与之相反,地下滴灌表层(0～20 cm)土壤的含盐量略高于膜下滴灌,而在20～100 cm土层,膜下滴灌的土壤含盐量明显高于地下滴灌:0～ 100 cm土体土壤平均电导率(EC值)膜下滴灌比地下滴灌高出19.2％.与膜下滴灌相比,地下滴灌条件下20 cm以上土层土壤PH值较低,0～100 cm土体土壤碱解氮的残留量也较少,而不同滴灌方式间土壤有效磷和有效钾的质量分数差异不明显.     

滴灌施肥对棉田土壤速效养分的影响研究

采用田间抽样调查分析的方法,研究了滴灌施肥对西北内陆地区棉田土壤速效养分的影响。结果表明,地下滴灌条件下,土壤碱解氮和有效钾的含量随距离毛管位置增加而增加,而有效磷的趋势则相反;膜下滴灌施肥条件下,有效钾和有效磷的趋势与地下滴灌一致,而碱解氮的趋势则是毛管处最高;滴灌施肥条件下,0～100 cm土体中土壤养分残留量膜下滴灌一般高于地下滴灌,尤其是氮的残留量较高。     

中径中骨料井的研究与应用

<正> 我国黄淮海平原,浅层地下水的附存条件多以粉细砂层为主。在这类地区所打浅机井,常因多孔混凝士滤水管的骨料粒级不匀和围填滤料不规格而使机井涌砂、滤水管淤堵和出水量逐渐衰减。针对此情况,我们从研制透水性好和不易机械淤堵的多孔混凝土滤水管入手,并强调围填合格滤料,以解决出水效率低、易淤堵和井寿命短的问题。     

农田浅井工程优化配套技术研究

对已有的浅井工程进行抽水试验、灌溉试验,经过理论分析,推导出了单井低压管道输水灌溉系统的最优出水量、最佳降深、最佳扬程和经济管径,确定了浅井灌溉净效益最大的浅井优化配套技术。     

井泵优化配套技术的探讨

机井的合理抽水降深(又称经济抽降)究竟如何定?现在还没有一个统一标准。抽水降深定得过小,则出水量小,不能充分发挥机井潜力:定得过大,不仅出水量增加不明显,反而会增大能耗,甚至会导致机井出水含砂量超标而造成涌砂淤井。为科学地确定机井的安全、经济降深,达到低耗能、高效率、小成本、大收益之目的,本文将井、泵、抽水成本和所得效益统一考虑,求出经济效益最大的出水量和抽降(即最优出水量和最佳降深),并以此选配水泵,为井泵优化配套提供了一种模式。     

基于灰色关联分析的辽宁省粮食产量预测模型

利用辽宁省1985-2008年粮食生产相关影响因子指标统计数据,采用灰色关联分析与人工神经网络相结合的方法进行粮食产量预测.通过灰色关联度分析对8个指标进行定量分析,依据关联度的大小确定了机耕面积、有效灌溉面积、农业机械总动力、化肥施用量、粮食作物占总播种面积比重和农林牧渔业从业人员为影响辽宁省粮食生产的主要影响因素....     

基于人工神经网络理论的土壤水分预测研究

土壤水分含量是影响作物生长的重要因素,精确的预测技术对水资源的合理利用与管理具有重要的指导意义。利用人工神经网络理论,建立了以降水量、蒸发量、相对湿度和地下水埋深为输入因子,土壤水分含量为输出因子的预测模型,并对其预测精度进行了评价。结果表明,BP神经网络模型预测土壤含水率的最大误差为8.66%,平均误差为4.27%,预测精度达到0.989。模型具有较高的预测精度,其结果可为制定合理的水资源调配方案和调度计划提供科学依据。