基于时间序列与横截面数据的吉林省水稻产量预测对比分析

【目的】对比不同模型预测效果,分析各模型预测水稻产量的特点、不足及适用条件,为粮食产量预测问题模型选择提供依据。【方法】从时间序列预测和横截面数据预测两种角度,利用ARIMA、LSTM、SVR、MLP这4种模型,通过吉林省水稻产量、病虫害及其他特征历史数据对吉林省水稻产量进行预测,并对不同模型的预测结果进行了对比分析。【结果】基于ARIMA模型和LSTM模型的时间序列预测结果较好,横截面数据预测中,原始数据经主成分分析PCA降维处理后,可提高模型预测性能。【结论】对于水稻产量预测,应根据掌握的影响产量因素的数据以及趋势延续性情况合理选择预测模型,以达到较理想的预测效果。     

基于深度学习的多种农产品供需预测模型

为进一步提高农产品供需过程模拟与估算精度,本研究以自1980年以来国家级和省级的大量农业数据作为样本,充分考虑农产品品种、时间、收入、经济发展等因素影响,构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network,LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下,利用深度学习算法在非线性模型分析预测中的优势,对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证,三年平均预测准确率96.98%,表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据,为多区域、跨期的农业展望工作提供智能化技术支持。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于LSTM-Kalman模型的蛋鸡产蛋率预测方法

产蛋率是评价蛋鸡产蛋性能的重要指标之一,因其具有时序性和非线性等特点,且其影响变量众多、存在复杂的耦合关系,难以实现精准预测。由于传统神经网络预测过程的非记忆性难以处理时序性问题,该文章提出蛋鸡产蛋率的LSTM-Kalman预测方法,使用主成分分析提取影响蛋鸡产蛋率的关键变量,通过LSTM神经网络预测蛋鸡产蛋率,采用Kalman滤波对LSTM预测的结果进行动态调整,作为最终预测结果。数据分析结果表明:LSTM-Kalman模型预测产蛋率的平均绝对误差、均方误差和皮尔逊相关系数分别为0.312 8、0.435 3和0.975 2,明显优于传统的BP神经网络、极限学习机等预测方法;通过2栋鸡舍生产数据的交叉测试验证,模型的预测准确率达到97.14%和98.71%,表明模型具有较强的泛化能力,能够满足蛋鸡产蛋率预测的实际需要,可以为蛋鸡养殖环境数据的精准调控提供参考。     

Prophet时序模型在短期水质溶氧预测中的应用

为了准确预测水质参数中的溶氧量,采用长短时记忆网络 (Long Short-Term Memory, LSTM) 模型,提出一种增强型麻雀搜索算法 (Enhance Sparrow Search Algorithm, ESSA) 以改进预测率的精确性。该算法引入了Circle混沌映射进行种群初始化,并结合正弦余弦算法和Levy飞行策略分别对侦察者、跟踪者的位置进行更新,以促使麻雀个体能够快速跳出局部最优解。首先将ESSA与多种其他算法进行多形态基准函数对比测试,结果表明该算法在多个基准函数上展现出出色的性能和鲁棒性;随后将其应用于LSTM模型参数寻优,并与其他优化算法进行比较,结果显示基于ESSA-LSTM模型的预测率达到99.071%,相较于基本麻雀搜索算法 (Sparrow Search Algorithm, SSA)、灰狼优化算法 (Grey Wolf Optimizer, GWO)、海洋捕食算法 (Marine Predators Algorithm, MPA)、鲸鱼算法 (Whale Optimization Algorithm, WOA) 分别提升了2.142%、6.653%、6.682%、7.714%。研究表明,使用ESSA显著提高了溶解氧预测率,并有效减少了参数设置的盲目性和时间成本。

     

基于多种算法的果树果实生长模型研究—以云南昭通苹果为例

【目的】针对果树果实与生长过程中的气象因子关联密切,且生长过程多为非线性、非平稳序列,直接对其连续测定难度较大的问题,对比多种模型对果实直径的模拟能力,为果树及其果实的生长发育监测和预测、适时灌溉施肥、生长环境调控等提供科学参考。【方法】以云南昭通苹果为例,分析2019和2020年果实生长期间直径变化特征及其与环境气候因子的关系。引入深度学习中的长短期记忆模型（LSTM）,使用LSTM模型对苹果果实直径进行模拟及预测,与多元线性回归模型（MLR）和机器学习模型中的决策树（DT）及随机森林（RF）模型的模拟结果进行对比分析,并使用3种采样方法对不同模型模拟的结果进行评估。【结果】苹果果实直径有明显日变化特征,呈夜间直径增长而白天缩小为主的规律,一般早晨直径达到最大,然后逐渐微缩,在日落前后直径到达当日最小。苹果果实直径的增长速率在果实膨大初期较高,在果实生长后期降低。苹果果实小时和日平均直径与土壤温度和土壤湿度呈中度或高度正相关,与紫外线指数（UVI）呈高度负相关。苹果果实直径的日平均增长量（FMDG）、日增长量（FDG）、日最大变化量（MDFS）与60 cm土壤温度和20 cm、40 cm土壤湿度呈低负相关（-0.5≤R<-0.3）。4个模型的模拟结果相比,LSTM模型的模拟精度高于MLR、DT和RF模型。LSTM模型比MLR模型在相关系数R增加3%—20%的情况下,RMSE和MAE下降约50%—75%,而机器学习模型DT和RF对苹果果实直径的预测相对较差,可能存在过度拟合。【结论】对比统计学、机器学习和深度学习等方法,LSTM模型在苹果果实直径的模拟中表现出更高的精度和可靠性,能更好地解决果实生长过程中的复杂非线性问题。     

基于物联网和Deep-LSTM的茶树净光合速率动态预测模型

茶树的光合作用是其基本生理过程之一,快速评估其光合作用速率能够为茶树的水分控制提供重要依据。该研究构建了茶树物联网环境信息监测系统,通过设置100%、85%、70%、55%土壤持水量的4组水分胁迫梯度,实现对茶树生长环境和生理参数的采集,建立了茶树水分胁迫指数（Crop Water Stress Index,CWSI）模型以量化茶树的水分胁迫程度,并研究茶树净光合作用速率（Net Photosynthetic Rate,Pn）的变化特点。在此基础上,构建了基于物联网和深度长短期记忆（Deep Long Short-term Memory,Deep-LSTM）的茶树净光合作用速率动态预测模型,将不同水分处理下的茶树生长环境参数、冠层温度和CSWI作为输入特征,构建多层LSTM单元形成深度LSTM网络,实现特征提取,并引入全连接层实现降维,对茶树在不同水分胁迫程度下的Pn进行预测,计算模型的均方根误差（RMSE）和决定系数（R2）以评估其性能表现,并与经典的反向传播神经网络（Back Propagation Neural Network,BPNN）模型进行了性能对比。结果表明,茶树物联网环境信息监测系统能够有效获取其环境参数。茶树冠气温差下限与饱和水汽压差的线性方程拟合度为0.866。Deep-LSTM模型对100%、85%、70%、55%土壤持水量的水分处理下的光合作用速率的预测的RMSE分别为0.304、0.280、0.157和0.160 μmol/m2·s;其R2分别为0.846、0.875、0.893和0.954,而BPNN模型的RMSE分别为0.980、0.897、0.633、0.417 μmol/m2·s,R2分别为0.516、0.355、0.315、0.432,表明Deep-LSTM模型能够有效预测茶树的Pn,同时其性能好于BPNN模型。该研究可为快速评估茶树光合作用速率提供可行的方法,并为利用水分胁迫和光合作用指定茶树亏缺灌溉策略提供数据支持。     

农田平整度测量装置研究与预测分析

为准确测量农田平整度,测量装置采用超声波传感器间接测量与磁致伸缩位移传感器直接测量相结合,并通过姿态传感器与陀螺仪获取测量装置姿态辅助修正测量值,通过LSTM神经网络的不同数量训练集对其测量值进行趋势变化预测。试验结果表明,测量装置磁致伸缩位移传感器测量过程中稳定性优于超声波传感器,通过卡尔曼分布式融合数据能有效滤除噪声,再分别通过前10 s、前20 s与前30 s数据做训练集,来进行预测分析,其均方根误差平均值为2.42,平均绝对误差平均值为2.67。试验结果表明,Kalman滤波融合数据与预测数据的均方根误差与平均绝对误差较小,能准确反映与预测平整度变化趋势,使测量装置准确的测量农田平整度及预测变化趋势。     

结合知识图谱与双向长短时记忆网络的小麦条锈病预测

针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱（Knowledge Graph, KG）和双向长短时记忆网络（Bi-directional Long Short-Term Memory, Bi-LSTM）处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。     

基于深度学习的玉米和大豆期货价格智能预测

玉米和大豆为同季旱粮作物,“争地”矛盾十分突出,同时掌握玉米和大豆两者的价格是必要的。相较于现货,农产品期货价格具有价格发现功能。因此,玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性,通过相关性计算和格兰杰因果检验,发现玉米和大豆期货具有较强的正向相关性,且大豆期货价格是玉米期货价格的格兰杰原因;其次,基于长短时记忆（Long Short-Term Memory,LSTM）模型对玉米和大豆期货价格进行预测,并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明,与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model,ARIMA）和支持向量回归模型（Support Vector Regression,SVR）相比,LSTM模型在各项指标中均为更优,而与单一的LSTM模型相比,加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中,玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error,MAE）分别提升3.8%和3.3%,均方根误差（Root Mean Square Error,RMSE）分别提升0.6%和1.8%,平均绝对百分误差（Mean Absolute Percentage Error,MAPE）分别提升4.8%和2.9%,证明了Attention机制的加入可以帮助模型提取有效信息,提升性能。最后,使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格,MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明,本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测,相较于通用预测模型,Attention-LSTM模型能够提高大豆和玉米期货价格预测精度,且结合相关农产品期货价格数据,可以提升单个农产品期货模型的预测性能。