1 中国科学院东北地理与农业生态研究所, 吉林 长春 130102中国科学院大学, 北京 100049
2 中国科学院东北地理与农业生态研究所, 吉林 长春 130102
针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM（多元线性回归模型）, GPR（高斯过程回归模型）, LSTM（长短期记忆人工神经网络模型）, 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN（NDVI与GNDVI组合）这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。
产量预测 玉米生育期 植被指数 长短期记忆人工神经网络模型 Yield forcasting Maize growth-satges Vegetation Index Sentinel-2 Sentinel-2 LSTM 光谱学与光谱分析
2023, 43(8): 2627
1 江苏大学农业工程学院, 江苏 镇江 212013
3 石河子大学机械电气工程学院, 新疆 石河子 832003
农业生物质能已逐步成为我国现代工业主要清洁能源之一。 利用激光诱导击穿光谱(LIBS)技术实现秸秆炭热值(CV)精准预测。 针对传统X自变量特征提取方法在LIBS定量分析秸秆炭CV过程中缺陷问题, 提出了一种XY双变量特征提取法。 研究首先分析了秸秆炭CV与各元素含量之间相关性, 选取与CV相关性极显著(p<0.01)的Y型特征变量, 其主要获取了以炭单质、 芳香环和羧基等形式存在的C, O, H和Na元素的分析线展宽波段; 同时通过筛选偏最小二乘回归(PLSR)模型回归系数阈值获取与CV相关的X型特征变量, 当阈值为4×10-5时模型交互验证均方根误差(RMSECV)降至最低值, 其所对应的变量主要为参与农作物生理生长的Ca, Cr, Mg和K元素的分析线光谱线。 基于所提取XY双特征变量构建遗传算法优化及自适应增强的人工神经网络(GA-BP-Adaboost)模型, 当变异概率、 交叉概率和相对误差率(RE)分别设为0.1, 0.95和0.01时, 最优模型预测平均相对误差(AREP)和预测相对标准误差(RSDP)分别为2.39%和2.97%, 相比于XY-PLSR模型效果分别较低了0.82%和0.91%。 结果表明: XY双变量特征提取法结合GA-BP-Adaboost模型可以为生物质炭在工业使用过程中CV精确定量预测分析提供方法依据。
秸秆炭 热值 激光诱导击穿光谱 XY双变量特征提取法 自适应增强的人工神经网络模型 Straw charcoal Calorific value LIBS XY bivariate feature extraction GA-BP-AdaBoost 光谱学与光谱分析
2022, 42(11): 3435
1 浙江工业大学 机械制造及自动化教育部重点实验室,杭州 310014
2 浙江工业大学 激光加工技术工程研究中心,杭州 310014
为了探索脉冲激光强化镀层的规律,采用误差反向传播神经网络对脉冲激光参量与镀层形貌(强化层深度、宽度及熔化状态)之间的关系进行建模,并选取带动量的自适应学习率算法对网络进行改进,以增加网络稳定性,提高训练速度与精度。结果表明,该网络模型对激光处理后镀层形貌的预测值与实际值接近,其相对误差在±8.33%以内,可以有效地对激光强化镀层形貌进行预测。该方法为探索脉冲激光强化镀层的规律提供了一条新的途径。
激光技术 人工神经网络模型 脉冲激光强化 化学复合镀 laser technique artificial neural network model pulse laser hardening electroless deposit
华中理工大学材料科学与工程学院,武汉 430074
介绍了利用人工神经网络建立深熔激光焊焊缝形状模型和基于人工神经网络的混合专家系统模型。以Nd:YAG激光焊接Monel 400的实例介绍了应用ANN模型研究激光焊接规范参数和焊缝形状的关系,并提出了基于ANN的焊接规范参数优化方法。结果显示,模型具有很好性能。
深熔激光焊接 人工神经网络模型 专家系统
