基于地基激光雷达的叶倾角分布升尺度方法研究

地基激光雷达因其具有穿透力强,能够提取植被冠层三维结构信息的优势,是提取植被叶倾角分布(Leaf angle distribution,LAD)的理想数据源,因此将地基激光雷达数据与遥感影像结合获取大尺度叶倾角分布结果颇具潜力。以河北省保定市北部4个县为研究区,利用10个玉米样地的地基激光雷达数据提取叶倾角分布结果,使用主成分正变换提取玉米实测叶倾角分布数据中信息量最大的前3个主成分,再利用神经网络模型对所提取的主成分与Landsat8反射率数据结合建立关系模型,然后将训练好的模型应用于整个研究区进行升尺度转换,最后通过主成分逆变换,得到升尺度后平均叶倾角(Mean tilt angle,MTA)结果。对升尺度后LAD与实测LAD及升尺度后MTA与实测MTA进行交叉验证,结果表明,升尺度MTA与实测MTA的验证精度(R2)为0.786 2,均方根误差(RMSE)为3.04°。该结果表明,使用提取主成分方法建立光谱数据与叶倾角分布的关系模型从而达到升尺度转换的目的具有可行性,模拟精度较高,且误差较小。     

基于温湿度的ET_0估算模型应用研究

针对大面积灌区作物蒸发蒸腾量(ET0)分布式监测所需参数较多的问题,开展利用易获取的少量气象参数估算ET0的研究对我国灌区的作物需水量监测和灌区水资源的管理有重要意义。利用人工神经网络技术建立基于温、湿度的ET0月份估算模型,对作物蒸发蒸腾量进行了估算;在此基础上,针对ET0的季节性特征,将估算模型由月份尺度拓展到季节尺度;最后运用陕西省6个基本站点的气象数据对该优化模型进行普适性分析。结果表明,优化后的季节估算模型,在春夏二季的平均相对误差在10%以内,在秋冬二季的平均绝对误差在0.20mm以下,且每对基准站点和邻近站点得到的估算结果具有很好的一致性和稳定性,表明该模型在作物需水估算方向上较强的实用推广价值。     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

论人工神经网络在农业工程中的应用

介绍了应用人工神经网络解决问题的基本原理，论述了人工神经网络在农业工程中的应用，及可能的应用范围，最后给出了在农业工程中应用人工神经网络要注意的问题。     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

基于Hopfeild神经网络的油菜籽脱皮冷榨压榨系数识别

在油菜籽脱皮侧限排油一维冷榨试验基础上，采用半固态饱和物料和滤饼物料物理模型分别建立两个理论压榨比模型，运用Hopfeild神经网络方法识别压榨系数。识别结果表明：脱皮油菜籽在压力低于10 MPa段为半固态状饱和物理模型，在压力高于20 MPa段则为滤饼状物理模型，对整个压榨过程，采用分段计算物理模型可有效提高整体压榨模型精度。脱皮冷榨的压榨系数远小于未脱皮冷榨的压榨系数。     

基于遗传算法的人工神经网络模型在冬小麦根系吸水模型中的应用

基于土壤水分与冠部数据,应用遗传算法优化人工神经网络模型的权值,将获得的冬小麦根长密度分布应用于根系吸水模型中,并进行了水分数值模拟,水分模拟效果整体较好,表明应用该方法可以为根系吸水模型提供准确的根系参数,并且较为方便,这对于根系吸水模型的建立及应用有着重要的意义。     

基于多层感知器神经网络对遥感融合图像和TM影像进行土地覆盖分类的研究

８０年代以来，人工神经元网络（ＡＮＮ）技术的应用不断向广度和深度发展．用不同空间分辨率的ＴＭ和ＩＲＳ遥感图像进行融合，综合了不同传感器数据所提供的信息，增强了图像的清晰度，改善了解译效果。用多层感知器神经网络对遥感融合图像进行分类，分类精度达９５％，比用多层感知器神经网络对ＴＭ图像进行分类（分类精度达７３％）效果要好．     

硅灰石纤维填充超高分子量聚乙烯基复合材料干滑动摩擦磨损的BP神经网络分析

超高分子量聚乙烯及其复合材料由于其优良的自润滑和防黏性能可用于农业工程装备中的滑动接触部件和触土部件。基于人工神经网络在复杂系统建模问题上的优越性,考察了几种因素对硅灰石纤维增强复合材料的摩擦和磨损性能影响的模型。考虑到输入、输出数据个数,调试设计了一个3×10×2的BP神经网络,其输入层由3个神经元构成,分别为硅灰石纤维的处理方法、硅灰石纤维的加入量和试验过程中的法向载荷。隐含层有10个神经元。输出层2个神经元分别为材料的摩擦系数和磨损量。基于上述BP神经网络对硅灰石纤维增强超高分子量聚乙烯基复合材料的干滑动摩擦磨损性能进行了模拟和预测。对神经网络的训练和检验表明该BP神经网络能够较好地预测影响因素对复合材料的干滑动摩擦和磨损的作用,大部分数据的预测值与试验值的误差在10%以内,其仿真精度能够满足实际的摩擦磨损预测要求。     

基于ANN的复垦土壤水分特征曲线的预测研究

为能较容易且更准确地获取复垦土壤水分特征曲线,将易测定的土壤特性如土壤质地、容重和饱和含水量作为输入变量,采用基于bagging算法的神经网络法建立了用于预测土壤水分特征曲线的土壤转换函数法(PTFs)模型,并对徐州矿区复垦土壤的水分特征曲线进行了预测,同时与普通BP算法预测精度进行了比较.研究结果表明所建立的PTFs参数模型具有较高的估计精度,bagging算法均方根预测误差比普通BP算法减少了7.5%～27.0%,说明该模型的建立与求解为复垦土壤水分特征曲线的预测研究提供了一条新途径.