基于优化的长短时记忆神经网络牧群采食量估测模型

为了能够较为精准的估测牧群的采食量信息,提出一种基于遗传算法(genetic algorithm, GA)和长短时记忆神经网络（long short-term memory,LSTM）的牧群采食量估测模型。首先通过皮尔森系数法分析得出影响牧群的采食量的主要影响因子,以减少输入维度并解决信息冗余问题。在此基础上,构建基于 LSTM 神经网络算法的牧群采食量估测模型,并引入遗传算法来优化LSTM 神经网络模型参数来增加模型的可靠性。最后,利用该模型对牧群采食量进行估测。试验结果表明：该采食量估测模型各评价指标平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、以及均方根误差（root mean square error,RMSE）分别为2.982、9.85%和6.108。与单一的LSTM神经网络以及GRU神经网络模型相比,均优于其他模型;且该模型具有较好的估测性能和较强的泛化能力,能够为合理轮牧提供科学指导,对草地保护有一定的应用价值。     

基于注意力机制神经网络的荒漠区蒸散量模拟

该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。     

基于深度强化学习的柑橘采摘机械臂路径规划方法

【目的】为解决非结构化环境下采用深度强化学习进行采摘机械臂路径规划时存在的效率低、采摘路径规划成功率不佳的问题,提出了一种非结构化环境下基于深度强化学习(Deep reinforcement learning, DRL)和人工势场的柑橘采摘机械臂的路径规划方法。【方法】首先,通过强化学习方法进行采摘路径规划问题求解,设计了结合人工势场的强化学习方法;其次,引入长短期记忆(Longshort term memory,LSTM)结构对2种DRL算法的Actor网络和Critic网络进行改进;最后,在3种不同的非结构化柑橘果树环境训练DRL算法对采摘机械臂进行路径规划。【结果】仿真对比试验表明：结合人工势场的强化学习方法有效提高了采摘机械臂路径规划的成功率;引入LSTM结构的方法可使深度确定性策略梯度(Deep deterministic policy gradient,DDPG)算法的收敛速度提升57.25%,路径规划成功率提升23.00%;使软行为评判(Soft actor critic,SAC)算法的收敛速度提升53.73%,路径规划成功率提升9.00%;与传统算法RRT-connec...     

基于LSTM神经网络模拟的陇中黄土高原沟壑区保护性耕作下土壤贮水量变化

为分析陇中黄土高原沟壑区不同保护性耕作措施的贮水效果,本研究利用春小麦/豌豆（W/P）、豌豆/春小麦（P/W）轮作的长期定位试验,分别设置传统耕作（T）、免耕（NT）、传统耕作秸秆覆盖（TS）和免耕覆盖（NTS）4种耕作措施,以当地月平均气温、月降水量、月平均辐射量、月平均蒸发量、月作物耗水量为输入因子,以月土壤贮水量为输出,建立基于长短期记忆（Long Short-Term Memory,LSTM）神经网络的土壤贮水量预测模型,并对该模型的有效性进行评估。研究结果表明：1）基于LSTM神经网络建立的土壤贮水量模型对陇中黄土高原沟壑区保护性耕作下土壤贮水量预测具有较好的适用性,模型模拟结果的平均均方根误差为7.76 mm,平均绝对误差为6.95 mm,相对误差控制在-5%~+5%的范围内。2） P/W轮作序列中各处理的土壤贮水量均比W/P轮作序列增加1.09%~1.43%。3）不同轮作序列,NTS处理的贮水效果均优于其他3种耕作措施,在W/P轮作序列中,NTS处理的年均土壤贮水量比T、NT和TS分别增加2.89%、1.70%和2.46%;在P/W轮作序列中,NTS处理的年均土壤贮水量比T、NT和TS分别增加3.03%、1.91%和2.57%。4）不同降水年型,NTS处理的土壤贮水量最高,且干旱年效果更加显著,其中丰水年NTS处理的土壤贮水量比T、NT和TS平均增加2.71%、1.48%和2.19%,而干旱年平均增加3.97%、2.54%和3.64%。5）保护性耕作措施的贮水效果随季节发生变化,作物生长前期（3-5月）保护性耕作措施的贮水优势较为明显,进入作物生长旺盛期（5-6月）保护性耕作措施与传统耕作的贮水效果差异不显著,而作物生长后期（7月）保护性耕作措施较传统耕作土壤贮水量明显增加。基于LSTM神经网络模拟环境下免耕覆盖的贮水保墒效果最好,为陇中黄土高原沟壑区最适宜的保护性耕作措施。     

基于堆叠式LSTM与熵值法的苹果价格组合预测模型研究

为提高苹果价格的预测精度,提出一种将长短期记忆模型(LSTM)与熵值法相结合的新方法。发挥LSTM的自身学习特性,以及熵值法的客观拟合特征信息特点,研究构建堆叠式LSTM与熵值法结合的组合模型。对比分析多个组合模型的预测性能,试验结果显示,苹果价格存在较为明显的空间传导效应,空间传导效应对价格波动产生显著影响。加入价格空间传导效应的堆叠式多层LSTM与熵值法相结合的组合模型预测精度对比LSTM提高18.81%,在苹果价格预测方面的效果表现良好。最后,基于优化后的组合模型对苹果价格进行预测,验证组合模型的有效性。     

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

基于时间序列的山区风向预测方法研究

为更好的预测山区风向,分别使用自回归滑动平均模型(Auto-Regressive Moving Average Model,ARMA)、极端梯度提升算法(eXtreme Gradient Boosting,XGBoost)和长短期记忆网络(Long Short Memory Network,LSTM)对山区4个气象站的风向时间观测序列进行预测,比较三种算法的优劣。针对风向独特的性质,结合传统气象学知识,探索了一种风向的预测方法：引入风速序列,将风速、风向拆分为U、V风,对其分别进行预测,进而将结果合成,使用设定的风向评分检验结果。对比结果表明：1)XGBoost获得了最高的评分;2)使用双时间序列预测风向相比单序列效果更好。     

保护性耕作下土壤水分变化特征模拟研究

为了对陇中黄土高原沟壑区不同保护性耕作措施下的土壤含水率进行差异性分析,利用长期定位试验,设置春小麦/豌豆、豌豆/春小麦轮作序列下传统耕作、免耕、传统耕作秸秆覆盖和免耕覆盖4种耕作措施,以当地月平均气温、月降水量、月平均辐射量、月平均蒸发量、月作物耗水量作为输入,以0～200 cm 土层土壤含水率作为输出,建立基于长短...     

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LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。