基于Credal网络的农作物单产预测模型研究

现存农作物单产预测方法往往是在历史数据完备的前提下进行精确数值预测,未能真实体现农作物单产系统的不确作定性,而且无法对既成现实进行诊断分析.在决策需求仅仅要求产量等级水平的假设下,本文把不确定性信息处理方法Credal网络模型引入到农作物单产预测系统,通过分析农作物单产系统各影响因素之间的关系,提出类要素和影响因子的概念,构建了进行农作物单产预测的通用Credal网络模型.把农作物单产量的等级水平状态作为概率事件,通过Credal网络前向推理功能预测其状态发生的概率,把高概率事件发生的等级状态作为其单产预测等级,实现了在已知部分事实发生情况下的知识推理.此外,利用Credal网络的后向推理功能,实现对农作物低产事实下的诊断分析,找出影响低产的关键类要素和影响因子.最后结合算例,采用基于扩展关系模型的近似推理算法阐述了利用该模型对农作物单产进行预测和诊断的应用过程,推理结果合理,表明该方法是可行的,且具有可释性,为农业生产科学决策提供了方法指导.     

基于BP神经网络的农田大气氨浓度预测

农业源氨排放是大气氨最主要的来源,其中氮肥施用是最主要的农业氨排放源之一。预测大气氨浓度的变化,确定影响大气氨排放的因素,可为科学管理农田,减轻环境污染提供参考。本文利用BP神经网络分析农田大气氨浓度及与各气象因素的关系,以便清晰地了解农田大气氨浓度的变化规律,为研究农田大气氨提供一种新的思路与方法。首先选取2015年5—10月的农田大气氨浓度数据及气象监测数据,建立以气象因素（气压、气温、相对湿度、降水量、风速和日照时数）为输入变量,农田大气氨浓度作为输出变量的预测模型。其次采用主成分分析法筛选出对农田大气氨浓度影响较大的气象因素,分别为气温、相对湿度、降水量和风速,然后把筛选出的4个主要因素和原来的6个因素分别作为BP神经网络预测模型的输入变量,利用神经网络模型对农田大气氨浓度进行预测。结果显示,农田大气氨浓度的实际值为0.148 5 mg·m^-3,4个因素的预测值为0.159 4 mg·m^-3,6个因素的预测值为0.173 2 mg·m^-3,预测误差分别为7.35%、16.65%,并且4个因素的预测相对误差为1.4%~27.0%,而6个因素的预测相对误差为1.1%~45.0%。预测的农田大气氨浓度在前5 d内变化较大,但随着时间的推移,农田大气氨浓度逐渐变小趋于平缓,且预测值与实际值的变化趋势基本相符。利用4个因素作为输入变量建立预测模型,预测得到的农田大气氨浓度值比6个因素作为输入变量得到的农田大气氨浓度值与实际值更吻合,相对误差值较小。可见,通过主成分分析法去除冗余因素后建立的神经网络模型更加有效,预测结果比筛选之前的预测效果更好,所建立的模型对甄选关键因素具有较好的适用性,并且神经网络预测模型对农田大气氨浓度的预测精度较高。本文构建的农田大气氨浓度预测模型可为农田大气氨浓度分析及相关研究提供方法和思路上的指导。