基于天气预报的参考作物蒸发蒸腾量预测模型

参考作物蒸发蒸腾量(ET_0)是计算作物需水量和进行灌溉预报的基本要素。本文利用天气预报可测因子和Penman Monteith(PM)公式ET_0计算值作为基础数据,分别建立BP神经网络模型和ANFIS自适应模糊神经推理系统模型,两种模型的估算值与PM公式的计算值没有明显差异,均表现出显著的相关性以及整体吻合度。本文对两种模型取相同的数据样本进行比较,BP-ET_0预测结果的MRE值为32.13%,RMSE为0.134 mm,而R2达到了0.971,说明模型预测精度高,稳定性良好。相较于ANFIS-ET_0的检验结果,BP-ET_0模型的均方根误差更小(0.134mm/d0.188 mm/d),表明其预测精度更高;而ANFIS-ET_0模型估算值的平均相对误差明显小于BP-ET_0模型估算值(16.92%32.13%),显示出ANFIS-ET_0模型更高的稳定性。两种预测模型的输入项完全可以从当前短期天气预报因子中取得而不需要专用测量设备,程序操作简单,具有实用价值,为实时灌溉预报提供了理论基础。     

基于智能手机方位传感器的叶面积测量校正

针对使用智能手机野外测量叶面积时很难保证主光轴与叶平面垂直导致测量精度下降的问题,采用针孔相机模型和数字图像处理技术相结合的方法,对叶片平面和手机平面存在夹角时的叶面积测量建立误差校正模型并进行研究。1)以10片不同大小的椭圆形模拟叶片对开发的android App进行仿真测试,结果显示,叶面积测量值与理论值之间的决策系数高于97%,并且随着叶片与手机平面夹角的增大而减小,校正后的相对误差为-6%~8%,未校正的高达41.4%。2)以向日葵、番茄、辣椒和茄子等植物叶片对误差校正公式进行验证,结果显示,当夹角15°,拍照高度为30~65cm时,叶面积测量的相对误差为-6%~6%,未校正的为-27.5%~25%。