结合统计和数字地形数据的可视化方法预测土壤深度

Information about the spatial distribution of soil attributes is indispensable for many land resource management applications; however, the ability of soil maps to supply such information for modern modeling tools is questionable. The objectives of this study were to investigate the possibility of predicting soil depth using some terrain attributes derived from digital elevation models (DEMs) with geographic information systems (GIS) and to suggest an approach to predict other soil attributes. Soil depth was determined at 652 field observations over the Al-Muwaqqar Watershed (70 km²) in Jordan. Terrain attributes derived from 30-m resolution DEMs were utilized to predict soil depth. The results indicated that the use of multiple linear regression models within small watershed subdivisions enabled the prediction of soil depth with a difference of 50 cm for 77% of the field observations. The spatial distribution of the predicted soil depth was visually coincided and had good correlations with the spatial distribution of the classes amalgamating three terrain attributes, slope steepness, slope shape, and compound topographic index. These suggested that the modeling of soil-landscape relationships within small watershed subdivisions using the three terrain attributes was a promising approach to predict other soil attributes.     

基于两点机器学习方法的土壤有机质空间分布预测

准确预测土壤有机质（Soil Organic Matter,SOM）空间分布对精细农业、耕地质量建设、生态环境保护以及固碳减排等均具有重要的意义。该研究探讨了基于两点机器学习方法（Two-point Machine Learning,TPML）提高SOM空间分布预测的可行性。以黑龙江省海伦市为研究区,以气候、地形地貌、社会经济和空间位置信息等因素作为辅助变量,充分利用空间位置信息和属性相似关系,有效处理SOM空间分布异质性及其与辅助变量间关系异质性,以提高TPML方法进行SOM空间分布预测的精度。采用随机森林、基于随机森林的回归克里格、反距离权重法和普通克里格（Ordinary Kriging,OK）方法作为对比,以平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）、预测值与真实值相关系数（r）和决定系数（R2）作为评价指标,进行不同样本量下的多组对比试验,评价不同方法的预测精度。结果表明：1）研究区SOM含量在1.775～7.188 g/kg之间,平均值为3.179 g/kg,空间分布不均匀,呈东高西低的分布趋势。2）在不同样本量条件下,与其他模型相比,TPML的预测精度均最高,其MAE（0.088～0.097 g/kg）和RMSE（0.116～0.139 g/kg）均为最小,r（0.992～0.996）和R2（0.971～0.985）均为最高。3）预测值的误差标准差（理论误差）与实际误差具有相似的空间模式,说明TPML可以为预测结果提供合理的不确定性估计。综上,TPML模型可以通过同时利用空间自相关性和属性相似性来提高预测精度,该模型适用于预测具有一定空间自相关性且具有可用辅助数据的资源环境变量。     

生猪肉产量预测的非接触实时在线机器视觉系统

为了准确估测生猪肉产量,该文提出了一种自动提取生猪活体特征的方法,建立了生猪肉产量预测算法。首先,基于自主研发的生猪肉产量预测的机器视觉系统装置实时采集54头活体大白猪的俯视图和侧视图,然后根据图像处理技术对所得的图像进行分析,提取生猪的体长、胸宽、臀宽、体高等体尺参数值;同时通过称量装置获得每头猪的活体质量。其次,将54头生猪样品按2∶1的比例分为校正集和验证集,基于体长、胸宽、臀宽、体高和体质量5个特征参数分别利用多元线性回归法(multiple linear regression,MLR)和偏最小二乘回归法(partial least-squares regression,PLSR)建立不同的肉产量预测模型,通过比较各预测模型的估测精度、相关系数等,确定最佳预测模型。分析结果表明,5个参数中体质量对肉产量预测的权重最大;偏最小二乘回归方法的预测结果较好,最佳预测模型的预测相关系数为0.95,预测误差为3.09 kg。试验结果证实,在检测系统中使用基于生猪的体尺参数和体质量建立的偏最小二乘回归预测模型可快速准确预测生猪肉产量,适于实际生产应用。     

基于小麦群体图像的田间麦穗计数及产量预测方法

在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物,开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发,结合卷积神经网络（Convolutional Neural Networks,CNN）和反向传播神经网络（Back Propagation Neural Networks,BP）技术提出了冬小麦县级产量预测方法,使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取,将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合,利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error,RMSE）、平均绝对误差（Mean Absolute Error,MAE）和样本决定系数（Coefficient of Determination,R2）作为精度指标对试验结果进行分析和评价。结果表明,基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上,MAE低于269.48 kg/hm2,RMSE低于346.56 kg/hm2,93%的县单产相对误差小于9%,试验结果平均值与中位数的偏差小于1.2%;在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上,MAE低于304.84 kg/hm2,RMSE低于418.14 kg/hm2,91%的县单产相对误差小于9%,试验结果平均值与中位数的偏差小于1.6%,方法所构建模型具有良好的预测准确率、鲁棒性和泛化性,可以实现县级尺度下的冬小麦产量预测。     

城市用水灰色动态预测模型的研究与应用

科学地预测城市用水量对拟定城市发展规模具有十分重要的意义。城市用水量受很多因素的影响,是一个充满灰色现象的“灰系统”。利用灰色系统理论建立动态GM（1,1）模型预测城市用水量。实例证明,模型能较好地拟合实测数据并具有较高的预测精度。     

基于BP神经网络的济南市建设用地规模预测

随着经济的发展,城市建设用地面积呈迅速扩张的趋势。城市建设用地面积的增长受社会、经济、人口等多种因素的影响。运用主成分分析法对济南市建设用地变化的驱动力进行分析,人口和GDP是影响建设用地面积的主要的驱动因素,通过建设用地驱动因子的人工神经网络模型,预测出2010年和2020年济南市建设用地的面积需求状况。     

基于时间序列GA-SVR的水产品价格预测模型及验证

水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。     

中尺度土壤预测制图中地形变量提取的适宜分辨率探讨

地形变量是土壤预测制图中重要的预测变量之一,为了满足中尺度土壤预测制图的精度要求,又能够减少数据的冗余,需要选择合适分辨率范围的地形变量。基于ASTER GDEM数据,对不同地形起伏状况的3个样区,通过重采样得到30 m、60 m、90 m、120 m、150 m共5组不同分辨率的DEM数据,分别选取土壤预测制图中常用的高程、坡度、平面曲率和剖面曲率4组地形变量,通过地形信息熵、局部方差均值以及比例尺和空间分辨率的关系,选取巢湖流域用于土壤预测制图的地形变量提取的适宜分辨率范围。研究表明:对于特定比例尺的土壤预测制图,地形变量的提取需要综合考虑两个因素:一是土壤预测制图的比例尺,二是地形变量提取的分辨率。中尺度土壤预测制图地形变量提取的适宜分辨率为30m,既能保留有实际意义的地形信息,又能满足土壤预测制图的精度要求。     

基于马尔科夫模型的大凌河流域土地利用/覆被变化趋势研究

本文通过对大凌河流域2010年、2013年和2016年三期遥感影像进行分类,得到流域土地利用分布现状。对分类结果进行叠加分析可以获得大凌河流域2010~2013年的地类转移概率矩阵,再运用马尔科夫原理预测出2016年流域土地利用分布情况,将其与实际情况对比分析,证明马尔科夫模型适用于大凌河流域未来土地利用/覆被变化趋势的预测。进而本文分别对大凌河流域2019年、2022年和2025年的土地利用情况进行预测,发现未来近10年流域建设用地面积持续增长,变化率为38.96%;农林用地面积从2016年开始减少,总体下降了0.77%;水域面积稳定增长,到2022年之后趋于稳定值,变化率为17.21%;旱地及其他未利用地面积继续缩减,到2019年开始趋于稳定,整体下降了1.71%。研究结果明晰了大凌河流域农林用地和建设用地之间的矛盾,可以为流域水土资源管理有关部门提供科学依据。