基于粒子群算法优化BP神经网络的土壤含水量短期预测模型

为提高土壤含水量预测精度,基于物联网监测数据,提出了粒子群算法(PSO)优化BP神经网络的土壤含水量预测方法。首先应用主成分分析法筛选出影响土壤含水量的关键影响因子,然后构建8-5-1的BP神经网络拓扑结构,应用粒子群算法优化BP神经网络的初始权值和阈值。结果表明:与传统BP神经网络相比,新模型优化了网络结构,避免了陷入局部最优解,具有良好的预测效果;模型的评价指标平均绝对误差、平均绝对百分误差、误差均方根分别为0.259 2、0.010 5和0.135 6,与单一BP神经网络相比,预测精度更高,可满足实际的土壤含水量预测的需要。     

Performance and uncertainty analysis of a short-term climate reconstruction based on multi-source data in the Tianshan Mountains region,China

Short-term climate reconstruction, i.e., the reproduction of short-term(several decades) historical climatic time series based on the relationship between observed data and available longer-term reference data in a certain area, can extend the length of climatic time series and offset the shortage of observations. This can be used to assess regional climate change over a much longer time scale. Based on monthly grid climate data from a Coupled Model Inter-comparison Project phase 5(CMIP5) dataset for the period of 1850–2000, the Climatic Research Unit(CRU) dataset for the period of 1901–2000 and the observed data from 53 meteorological stations located in the Tianshan Mountains region(TMR) of China during the period of 1961–2011, we calibrated and validated monthly average temperature(MAT) and monthly accumulated precipitation(MAP) in the TMR using the delta, physical scaling(SP) and artificial neural network(ANN) methods. Performance and uncertainty during the calibration(1971–1999) and verification(1961–1970) periods were assessed and compared using traditional performance indices and a revised set pair analysis(RSPA) method. The calibration and verification processes were subjected to various sources of uncertainty due to the influence of different reconstructed variables, different data sources, and/or different methods used. According to traditional performance indices, both the CRU and CMIP5 datasets resulted in satisfactory calibrated and verified MAT time series at 53 meteorological stations and MAP time series at 20 meteorological stations using the delta and SP methods for the period of 1961–1999. However, the results differed from those obtained by the RSPA method. This showed that the CRU dataset produced a low degree of uncertainty(positive connection degree) during the calibration and verification of MAT using the delta and SP methods compared to the CMIP5 dataset. Overall, the calibrated and verified MAP had a high degree of uncertainty(negative connection degree) regardless of the dataset or reconstruction method used. Therefore, the reconstructed time series of MAT for the period of 1850(or 1901)–1960 based on the CRU and CMIP5 datasets using the delta and SP methods could be used for further study. The results of this study will be useful for short-term(several decades) regional climate reconstruction and longer-term(100 a or more) assessments of regional climate change.     

信息化、社会网络与农户农资购买渠道选择——基于公司直销与农资零售店的比较

农户购买农资时面临多样化的购买渠道,而信息化与社会网络是影响农户农资购买渠道选择的重要因素。本文利用陕西、甘肃、山东和云南四省农户调研数据,比较了公司直销与农资零售店两种购买渠道的差异,运用二元 Logit 模型和中介效应模型,分析信息化与社会网络对农户农资购买渠道选择的影响。结果表明,农户选择公司直销与农资零售店的比例分别为10.1%和89.9%,即大多数农户选择农资零售店购买农资。信息利用对农户选择公司直销渠道具有显著正向影响;从亲戚和朋友两个维度测量社会网络,发现宗族型社会网络对农户选择公司直销渠道产生了正向影响,朋友圈型社会网络影响不显著;农户农资市场信息认知在信息利用促进农户选择公司直销渠道中发挥部分中介效应。因此,政府应加强农村信息基础设施建设,培养农户信息利用能力。公共信息供给过程中扩大宣传对象群体,促使信息在农户社会网络中有效扩散传播。建设农资企业与农户间有效的信息交流平台,打破信息壁垒,从而帮助农户改进农资购买决策。     

基于网络安全等级保护2.0的农业科研单位网络安全体系研究——以中国农业科学院为例

[目的/意义]大数据时代,中国农业科研单位持续加强信息化建设,给科学研究和科研管理带来极大的便利,但相应的信息安全问题也开始逐渐显现。依托信息等级保护工作,深入分析农业科研单位信息系统建设中各个薄弱环节,提高信息系统安全,避免发生网络安全事件已被摆在农业科研单位工作的突出地位。[方法/过程]按照等级保护制度要求,论文主要围绕加强农业科研单位信息安全管理的内容进行探讨,介绍了信息等级保护的重要性,对比分析了等级保护2.0标准与等级保护1.0标准的不同;详细分析中国农业科学院的网络安全管理制度体系和网络安全管理技术等内容,最后对加强农业科研单位信息安全建设的有效策略提出了相关建议。[结果/结论]论文以中国农业科学院为例详细论述其相关做法,希望为各农业科研机构开展网络安全等级保护安全建设提供借鉴。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

一种改进的双能量源电动汽车功率分配策略

以并联式双能量源(锂电池组&超级电容)纯电动汽车为研究对象,提出一种改进的功率分配策略。这种功率分配策略在模糊控制的基础上增加深度神经网络训练过程,以获得更精确的功率分配因子。通过整车模型构建、功率分配模型构建、功率分配策略制定、仿真验证结果分析后得出结论:与电量消耗功率分配策略相比,这种改进的功率分配策略能优化锂电池组和超级电容二者之间的功率分流,限制锂电池组充放电的峰值电流,延长复合储能系统的工作寿命,提升动力系统的工作效率。     

基于分子生态学网络分析松嫩退化草地土壤微生物群落对施氮的响应

【目的】 氮素输入影响着全球草地生态系统的可持续性,关注施氮对土壤微生物群落的影响及其分子生态网络,为草地退化修复提供理论依据。【方法】 以松嫩退化羊草草地为研究对象,通过施氮和未施氮处理,利用高通量测序和随机矩阵网络构建理论构建土壤微生物群落分子生态网络。探讨氮素管理对退化羊草草地土壤微生物群落结构及网络的影响,氮添加条件下微生物网络结构中的关键微生物变化规律,以及该过程中微生物之间的互作关系,解析外源氮素添加条件下土壤细菌动态变化的关键结点和规律。【结果】 在门分类水平上施氮处理草地有细菌门22个,未施氮处理23个。7个菌门是施氮和未施氮处理草地的优势菌门,其中变形菌门（Proteobacteria）是含有OTU数量最多的门类,约占总序列的30.46%,酸杆菌门（Acidobacteria）是含有OTU数量次之的门类,约占总序列的30.15%,芽单胞菌门（Gemmatimonadetes）是含有OTU数量第3的门类,约占总序列的8.14%,放线菌（Actinomycete）约占总序列的6.15%,绿弯菌门（Chloroflexi）、拟杆菌门（Bacteroidetes）和硝化螺旋菌门（Nitrospirae）三者约占总序列的17.16%。施氮处理草地土壤微生物中的变形菌门、放线菌门、拟杆菌门的相对丰度均显著高于未施氮处理草地土壤（P<0.01）;未施氮草地土壤中绿弯菌门、酸杆菌门、芽单胞菌门相对丰度显著高于施氮草地土壤（P<0.01）,其他各门细菌施氮与未施氮处理间未呈现出显著差异。表征网络的正向连接比、平均路径长度、平均聚类系数和模块性均为施氮处理显著低于未施氮处理（P<0.001）。在土壤的分子生态网络中,未施氮处理有16个模块枢纽（Zi>2.5,Pi≤0.62）,施氮处理有6个模块枢纽,均属于酸杆菌门、芽单胞菌门和放线菌门。施氮导致土壤微生物种间关系改变,进而改变土壤整体生态网络。【结论】 施氮降低了退化草地土壤网络结构的复杂程度和紧密性;降低了退化草地土壤中的酸杆菌门和绿弯菌门相对丰度,提高了变形菌门、放线菌门和芽单胞菌门相对丰度。土壤中微生物关键物种（OTU）由16个（未施氮）减少为6个,且二者土壤中均没有重叠OTU,这表明施氮调控微生物群落网络的关键物种,进而改变其分子生态网络结构。     

基于BP神经网络模型的桂西资源富集区土地生态安全评价

【目的】科学客观地进行土地生态安全评价,提出可行有效的土地生态系统优化对策,为桂西资源富集区土地生态安全的维护及未来发展提供参考。【方法】基于BP神经网络方法构建土地生态安全评价模型,通过分析影响土地生态系统的自然、经济、社会3个主导因素,建立桂西资源富集区土地生态安全评价指标系统,对2008—2017年桂西资源富集区土地生态安全程度进行评价。【结果】桂西资源富集区2008—2017年土地生态安全程度均属于一般安全状态,且由一般安全状态逐步接近较安全状态;其中百色市、河池市、崇左市分别在不同因素下的土地生态安全程度存在较大差异,且差异在逐年增大。【结论】为了避免桂西资源富集区土地生态安全系统存在发展失衡的倾向,建议桂西资源富集区政府优化营商环境,坚持"绿水青山就是金山银山";制定合理的耕地保护政策,缓解人地矛盾关系。     

基于灰色-BP神经网络模型的多情景交通用地需求预测——以长江中游城市群为例

为探索科学预测区域交通用地需求的合理途径,指导国土空间规划编制中交通用地规模的划定,拟通过灰色-BP神经网络模型识别主要社会经济影响因素,以长江中游城市群为例,在预测其远景交通用地需求规模的同时,基于城市群发展的阶段特征选取典型城市群样本设置3类情景,对不同情景下的交通用地需求分别进行预测。结果表明:1)城镇化水平、产业结构高度化程度和劳动力资源禀赋是当前影响长江中游城市群交通用地需求的主要社会经济因素。2)通过系统仿真试验对比不同方法的交通用地需求预测结果,可以发现基于灰色-BP神经网络模型的预测方法精度较高,误差较小,该预测方法对于区域交通用地规模的预测具有一定的适用性。预测得到的长江中游城市群2020和2030年交通用地需求分别为31.22万和49.07万hm2。3)不同情景下长江中游城市群交通用地需求预测结果存在明显差异,底线情景可作为划定交通用地规模的底限,一般情景可作为基准,极限情景可作为红线,长江中游城市群交通用地合理规模应以基准为参考,介于底线和红线之间。