基于深度学习的内蒙古大兴安岭林区火灾预测建模研究

[目的 ]对内蒙古大兴安岭地区的森林火灾进行预测,为森林防火工作的开展提供重要支持。[方法 ]以内蒙古大兴安岭林区为研究对象,结合MCD64 A1月度火点产品、地形、气候等数据,构建森林火灾潜在影响因子数据集,分别利用卷积神经网络、随机森林、支持向量机模型对研究区森林火灾的发生概率进行预测与可视化,在此基础上对模型效果进行评价并分析森林火灾空间分布特征。[结果 ]大兴安岭的主要林火驱动因子按重要性值由高到低排序为海拔、平均气温、总降水量、与水域的距离等;CNN、RF、SVM预测森林火灾发生概率的AUC值分别为0.838、0.794、0.788,CNN的精度最高;CNN能够有效划分出森林火灾易感性极高、极低的区域,有利于划分森林火灾的警示区。[结论 ]CNN模型比RF、SVM模型更适用于大兴安岭林火发生概率的预测;大兴安岭林火风险的空间分布有明显的区域性,主要发生在东南地区。     

区域土壤水盐空间分布信息的BP神经网络模型研究

针对黄河下游三角洲盐渍区土壤水盐动态的复杂性和空间的变异性,将人工神经网络引入土壤水盐信息的模拟和预测中,探讨了3层网络结构下隐含层神经元数对网络训练和预测的影响,建立了0～20cm表土层水盐含量及其空间分布的BP神经网络模型。结果表明:研究区域表土层水盐与土壤容重和地下水性质间均具极显著的关联性,表土层盐分BP网络的输入因子以经、纬度坐标、土壤容重、地下水埋深和矿化度5个变量为宜,含水量则为经、纬度坐标、土壤容重和地下水埋深4个变量;隐含层神经元数过多会导致"过拟合",当表层土壤盐分和含水量BP网络的拓扑结构分别为5:8:1和4:6:1时,其预测精度最高;表土层水盐BP神经网络模拟值与观测值得到的分布图表现出相似的空间格局,BP神经网络模型有效地模拟了表土层水盐含量及其空间分布特征。该研究为黄河三角洲地区土壤盐渍化的发生、发展及演变规律分析提供理论基础,并为盐渍土地的水盐调控与科学管理提供决策依据。     

基于神经网络的温室土壤水分动态预测模型研究北大核心

针对智能温室变量施水的土壤水分预测问题,建立基于神经网络的土壤水分动态预测模型。以Delaunay三角剖分布点方法为基础,并将种植区域离散成若干单元。对各离散单元,模糊其土壤喷灌量,将单位时间土壤含水量的变化映射成土壤水势变化。考虑到土壤的时空特性,使用MATLAB建立以预测单元表层测量点土壤含水量、土壤温度和单位时间土壤含水量变化量作为输入,未来时刻该单元中心土壤深层含水量作为输出的BP神经网络和RBF神经网络预测模型。利用温室实际数据验证模型的准确性,通过比较两种神经网络模型结果,得出RBF神经网络模型具有较好实用性,为温室精细化变量施水的实现奠定基础。     

地震地质综合解释技术在红台地区储层预测中的应用

地震地质综合解释技术在储层评价中具有重要的作用,其核心是将地质模式与地震解释技术相互结合,以地质模式为指导,应用先进的地球物理技术对储层进行评价预测。红台地区的主力储层三间房组辫状河三角洲储集砂体厚度薄及横向变化快,给储层分布预测带来了较大困难,在地质研究基础上,采用地震属性分析、地震反演和神经网络3项地震解释技术对研究区储层进行了地震地质综合解释。通过分析,精细刻画了红台地区三间房组辫状河三角洲储集砂体的分布特征。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

基于颜色矩的典型草原牧草特征提取与图像识别

针对内蒙古乌兰察布市荒漠化草原牧草监测与数字化程度较低的问题,该文实现了2种典型牧草的特征提取与图像识别,为多牧草种类识别与草业管理提供依据。利用智能导航车采集草原原始图像,对羊草和灰绿藜2种牧草图像提取RGB与HSV颜色矩特征并建立相应的规则库,数据表明二者的颜色矩特征具有明显区别。采用2G-B-R色差特征的模糊C-均值聚类算法对图像进行背景分割后,构建了一种3层BP神经网络模型,通过主成分分析法(principal component analysis,PCA)将15维输入特征参数降为10维以提高识别速度,且最终的整体识别率达到89.5%,实现了羊草与灰绿藜图像的有效分类识别,同时得到灰绿藜与羊草在测试图像中的植被覆盖度分别约为9.78%、34.21%。试验结果表明,利用颜色矩特征为基础,模糊C-均值聚类算法与BP(back propagation,BP)神经网络模型为分割、识别手段能够有效地实现典型牧草的图像分类研究。自动识别牧草是草业数字化的重要组成部分,可为监测植被物种多样性、草种退化及病虫草害的控制提供科学依据,是实现现代草原生态环境保护,发展草原经济的重要途径。     

商品猪养殖解耦控制系统

针对商品猪的养殖现状,构建了一种适合中国国情的肉用猪高效安全的智能养殖系统。该系统可对工厂化商品猪的养殖过程进行信息跟踪,解决了商品猪高效养殖、小气候控制等关键问题。江苏省镇江某养殖基地的长期运行实践表明,该系统操作简便、安全高效。     

基于可见/近红外漫反射光谱的土壤有机质含量估算方法研究

为研究不同土壤颗粒粒径对可见/近红外光谱分析技术在土壤有机质含量快速检测应用中的影响,获取粒径为0.169～2 mm和＜0.169 mm的2种土壤样本(各53个)的可见/近红外光谱(325～1075 nm),分别建立各自的主成分-反向传播神经网络(PCA-BPNN)、最小二乘-支持向量机(LS-SVM)和偏最小二乘法(PLS)土壤有机质含量检测模型.结果表明:当土壤粒径为0.169～2 mm时,所建立模型的土壤有机质含量预测相关系数r均在0.84以上,且预测均方根误差(RMSEP)都在0.20以下;而当土壤粒径＜0.169 mm时,所建立模型的预测相关系数r均不超过0.71.而RMSEP都在0.23以上;对于相同粒径的土壤,PLS模型对土壤有机质含量的预测效果优于LS-SVM和PCA-BPNN模型.说明不同土壤颗粒粒径会显著影响可见/近红外光谱对于土壤有机质含量的预测结果.     

基于遗传算法和BP神经网络的组培苗生长模型辨识

采用遗传算法优化神经网络的方法,以MATLAB的遗传算法及神经网络工具箱函数为平台,选取培养装置内空气温度、相对湿度、光照强度、CO2浓度以及基叶面积作为组培苗生长过程的主要影响因素,以装置内无糖菊花组培苗的实测数据为训练和检验样本,对组培苗生长主要参数-植株干质量进行建模与仿真.结果表明,该方法适合组培苗生长建模.     

灌溉水中悬浮固体对土壤水分入渗性能的影响

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。