烟台地区水面蒸发BP神经网络模型研究

运用BP神经网络模型对水面蒸发进行研究,并与多元线性回归和主成分回归2种方法的拟合结果进行比较。结果显示,多元线性回归各参数均通过t检验,拟合较好;主成分回归中,参数b2未通过t检验,拟合效果不如多元线性回归好。BP神经网络模型、多元线性回归、主成分回归建立的水面蒸发量观测值与拟合值的回归方程中决定系数分别为0.8986、0.7993、0.7984。应用BP神经网络进行分析,相对误差小于10%的样本个数超过总样本个数的40%,相对误差不超过30%的样本个数接近80%;而其它2种方法相对误差大于10%的样本个数超过总样本数的80%,相对误差大于50%的接近总样本个数的30%。可见,应用BP神经网络模型进行水面蒸发量计算,远优于其它2种方法,应用此方法进行水面蒸发量的预测是非常理想的。     

夏季连续雷暴天气过程分析

利用南京地区数值预报资料、常规观测资料、风廓线仪资料以及多普勒雷达及其衍生产品,对2006年7月19~21日连续3 d前后共13个时次的雷暴天气进行分析,发现了该次中α尺度对流系统持续不断生成MCC天气的内在机理和外部原因。     

绥化市北林区气候变化与对策

根据北林区1953～2006年历年地面气象观测数据,采用一元回归方法,定量分析了绥化市北林区的气候变化,结果表明,研究期内该区气温升高,和热量相关的其他要素均有较明显的与增暖相对应的变化;降水年总量变化不大但各月略有不同变化,暴雨日数明显增加;日照时数有所减少;空气相对湿度稍有降低。并针对这些变化,提出了相应的应对措施。     

青海省乌兰县青稞测土配方施肥田间试验

根据鸟兰青稞生产特点,青稞的目标产量为250 kg/666.7 m'2时所需要的肥料用量减去土壤中养分的供肥量确定出最佳施肥量的近似值,采用"3414"完全实施方案进行青稞测土配方施肥田间试验,结果表明:在鸟兰地区氮、磷、钾配合施用量与青稞产量的回归模拟模型为:y1=91.0203 15.6409N 6.0123P 6.2516K-1.0504N'2-0.25P'2-0.075K'2.对青稞产量贡献氮肥最大,磷肥和钾肥次之.单独施用氮肥、磷肥、钾肥,都表现出:随着施肥量的增加,青稞的产量逐渐增加,当施肥量增加到一定程度时,青稞的产量随氮肥的增加不断降低.在乌兰现有的土壤肥力下,青稞最高产量的氮、磷、钾最佳配合的施用量、青稞最高产量分别为纯氮5.095 kg/666.7 m'2,纯磷8.121 kg/666.7 m'2,纯钾16.711 kg/666.7 m'2,207.511 kg/666.7 m'2;最佳经济效益时的氮、磷、钾最佳配合施用量、青稞产量分别为纯氮2.688 kg/666.7 m'2,纯磷1.524 kg/666.7m'2,纯钾 11.645 kg/666.7 m'2,190.632 kg/666.7 m'2.     

影响分析与聚类分析在五强溪水库流量预报中的应用

运用影响分析的统计方法对大量的观测数据进行筛选,在去除异常点并找出主要影响因子之后作聚类分析。根据分类后的数据,分别采用自回归分析对五强溪水库的流量进行预报,获得较好的预报效果。     

多因素试验设计方法在农药微乳剂配方研制中的应用研究

以2%阿维菌素微乳剂为研究对象,对正交设计与均匀设计两种多因素试验设计方法在农药微乳剂配方研制中的应用可行性进行了研究。采用固定表面活性剂总用量,保留一种表面活性剂不作为自变量,其余表面活性剂均作为自变量,同时将助表面活性剂、防冻剂作为自变量的方法设计试验方案;因变量选择微乳剂透明温度区域(TTS)的下端温度(TL)、上端温度(TH)及整个区域范围(TR＝TH-TL)。以TH作为因变量,对正交设计测试数据进行方差分析与极差分析,所获得优化配方的TTS为-15.0℃~66.5℃;对均匀设计测试数据采用偏最小二乘法,同时对TH及TR进行回归,模型决定系数R2分别为0.994 5和0.985 1,TH、TR预测结果分别为71.5℃和 87.1℃,实测结果分别为71.6℃和87.3℃;Turbiscan 扫描结果表明,应用正交设计与均匀设计优化得到的制剂在54℃下热贮14 d,体系均相当稳定。研究结果表明:(1)正交设计与均匀设计均可成功应用于农药微乳剂配方研制,可大幅度减轻工作量,快速获得性能优异的制剂配方;(2)将微乳剂TTS作为正交设计与均匀设计试验时的考察指标是合适的,TTS可拆分成TL、TH及TR 3个因变量。     

Cardinal temperatures and required biological days from sowing to emergence of three millet species （common,foxtail, pearl millet）

The modeling of germination and seedling emergence is required for the construction of a simulation model of three species of millet （panicum miliaceum, pennisetum galucum and setaria italica）. This study provides the necessary temperature parameters to model these processes. For this purpose, different non-linear regression models including fiat, logistic, quadratic, sigmoidal, dent-like, segmented, beta and curvilinear were used. Root Mean Square of Errors, coefficient of determination and regression coefficients of predicted values versus observed were used to find the appropriate model. Investigating regression coefficients indicated that dent-like model has the least RMSE and a coefficient （RMSE=0.000009, a=0.0006） and the biggest R2 and b coefficient （R2=0.96, b=0.98） in common millet. These coefficients were （RMSE=0.01, a=0.005） and （R2=0.94, b=0.97）, and （RMSE=0.004, a=0.05） and （R2=0.99, b=0.99）, for beta in foxtail and pearl millet, respectively. According to these coefficients, dent-like, was chosen as the best model to describe the response of common millet germination to temperature （Tb=7~C and Tc=49.50℃）. Also beta, was chosen for foxtail millet （Tb=7℃, Tc=49.50℃）. Beta, was chosen as the best model for pearl millet （Tb=6.5 ℃ and To=4 ℃ ）. These parameters can be used in millet simulation models to predict sowing to emergence duration based on a thermal time concept. Also, required biological days from sowing to emergence using these models varied from 3.57, 4.29 and 5.54, for common millet, foxtail millet and pearl millet, respectively.     

典范性状对的决策分析

【目的】对典范性状对进行决策分析,为多数量性状的选择提供一种简便的方法。【方法】运用通径分析的决策分析方法对典范组合性状对进行决策分析。【结果】建立了典范性状对的通径分析模型;分析得到典范性状对可以用以供选择的各性状xi(i=1,2,…,m)为因,典范目标性状Hig为果的中心线性回归模型表述;定义了各选择性状对典范目标性状的决策系数,各决策系数代表了各选择性状对典范目标性状的综合效用。【结论】通过各性状决策系数的确定,选择组合性状中的主载性状、限制性状和辅助性状,育种者就可根据个体的性状表现来选择,以达到对典范目标性状所期望的遗传进展。     

灰色关联分析在吉林省粮食产量预测中的应用

用灰色关联分析方法分析2000-2007年影响吉林省粮食生产的因素,通过计算各因素关联度大小,结果表明：化肥施用量、耕地播种面积和有效灌溉面积为影响粮食生产的主要因素。通过多元回归分析,结合Eviews软件建立多元线性回归模型,预测出吉林省未来3年粮食总产量。     

线性模型逆回归统计方法

逆回归是统计学中的重要内容,在实际中有非常广泛的应用。利用极大似然估计(MLE)探讨了线性模型逆回归问题。