检索结果-南通市图书馆

综合历史气象数据的合肥区域型水稻产量预测模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

综合历史气象数据的合肥区域型水稻产量预测模型研究

作者：刘瑞冬安徽农业大学

学位级别：硕士

安徽省作为全国重要的产粮基地之一,保障全省粮食作物产量对粮食安全有着重要作用。近年来由于复杂天气多发,尤其是极端低温和高温等特殊天气的出现,为水稻生产造成不利影响。基于此,研究气象因素与合肥及周边地区水稻生长发育的关系,... 详细信息

安徽省作为全国重要的产粮基地之一,保障全省粮食作物产量对粮食安全有着重要作用。近年来由于复杂天气多发,尤其是极端低温和高温等特殊天气的出现,为水稻生产造成不利影响。基于此,研究气象因素与合肥及周边地区水稻生长发育的关系,充分利用气象因素的优势,针对气象因素变化进行适宜性种植,并在水稻收获之前基于气象因子对当年的产量进行预测,对提高水稻亩产量具有现实价值,对后续水稻价格的制定、跨区调配和储备等有着积极意义。本文主要做了如下工作:(1)确定本次研究的主要区域及对比区域,并对所选地区的气象因素结合生育期特性进行选择。庐江县气候因素丰富,稻作品种多样,是安徽省水稻种植大县,基于研究生阶段在安徽省气象局气象科学研究所实习研究取得的数据,选定合肥市庐江县作为主要研究区域,肥西县、寿县作为测试和对比区域;选定温度、降水量和相对湿度作为主要影响因子,研究本地区气象因素对水稻生育期的影响。(2)对所选气象数据进行处理,研究了水稻产量预测模型。本文研究的是气象因素对水稻产量的影响,依据三县具体气象数据,基于水稻生育期和所选的三个气象因子进行组合,得到15个不同生育期气象因子;由于所获得的水稻产量数据为多因素综合统计产量数据,为了排除其他因素造成的影响,利用时间回归方程对水稻总产进行分离,分别得到基于气象因素影响的气象产量和受时间等因素影响的时间趋势产量;将分离出的气象产量数据应用到三个模型中,利用气象数据和气象产量进行建模,分别得到基于三个模型的水稻预测产值。(3)对所选的3个模型进行对比分析,选出最优模型。以肥西县数据作为测试集,分别建立Cat Boost产量预测模型、BP神经网络产量预测模型以及LSTM产量预测模型,研究发现3种模型的精度分别为64.2%、79.8%和83.6%,3个模型在测试集上的精度LSTM效果最好,BP神经网络预测精度次之。基于此,选择LSTM产量预测模型作为本次研究所使用的模型,用于预测庐江县水稻产量。(4)检验了基于LSTM水稻产量预测模型的准确率。将LSTM模型应用于庐江县水稻预测,以2018年为预报年,预测得出当年的水稻单位面积产量为8722.7吨,与实际值相差1003.5吨,精度为87%,具有良好的预测效果。为了验证该模型的准确率,选取经度差异小但纬度差异大的寿县作对比分析,结果表明该模型在安徽淮河地区仍有较好的预测结果。本文以温度、降水量和相对湿度为主要研究气象数据,结合水稻生育期,通过构建基于LSTM的水稻产量预测模型,对合肥市及周边地区水稻产量进行预测,为合肥区域型水稻产量预测提供了一种方法,对本地区水稻定价、跨区调配等政策的制定提供了参考依据。

关键词：气象因子水稻产量预测产量分离 LSTM 时间回归方程

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的湖南省水稻产量预测研究

基于机器学习的湖南省水稻产量预测研究

作者：周军安湖南农业大学

学位级别：硕士

水稻历来是我国最主要粮食作物之一。水稻产量关系着我国的粮食安全,水稻产量的预测也是智慧农业领域一项重要的研究内容。对水稻产量的准确预测可为政府部门进行宏观调控决策提供参考。为了提高水稻产量预测的准确性和实用性,本文将机... 详细信息

水稻历来是我国最主要粮食作物之一。水稻产量关系着我国的粮食安全,水稻产量的预测也是智慧农业领域一项重要的研究内容。对水稻产量的准确预测可为政府部门进行宏观调控决策提供参考。为了提高水稻产量预测的准确性和实用性,本文将机器学习算法应用于水稻产量预测领域,主要结果如下:(1)基于单一时间序列的湖南省水稻产量预测。利用ARIMA差分整和自回归移动平均模型及ARIMA与支持向量机回归SVR组合模型对湖南省水稻产量单一时间序列数据进行预测。结果显示,ARIMA-SVR组合模型的预测结果优于单一的ARIMA模型。(2)基于多影响因子和多省份样本的湖南省水稻产量预测。考虑到生产力和气象等影响因素对水稻产量预测的影响,加入了水稻产量影响因子进行研究;针对湖南省水稻产量预测研究中历史样本较少的问题,在训练样本中加入与湖南省气候、地理环境、生产条件相似的长江中下游地区其他省份的历史数据。在此基础上,使用MLR多元线性回归模型和SVR支持向量回归模型对湖南省水稻产量进行了预测。结果表明,考虑了生产力因素和气象因素、加入了多省份样本后的MLR和SVR模型,对湖南省水稻产量预测的准确率、可靠性及稳定性都得到了提高。(3)构建了ARIMA-X-SVR组合预测模型。通过结合时间序列预测模型ARIMA和回归预测模型SVR两种模型的优点,构建了新的组合模型ARIMA-X-SVR模型。其原理是首先使用ARIMA对影响因子X进行时间序列预测,然后通过ARIMA预测出来的影响因子X做回归预测,预测水稻产量。结果显示,使用此组合模型对湖南省水稻产量进行预测的MSE、RMSE和MAPE分别达到了1259.90、35.50和0.92%。结果表明,相较于单一模型以及常用的ARIMA-SVR组合模型,使用ARIMA-X-SVR的组合模型进行预测具有较高的预测精度。

关键词：时间序列机器学习 ARIMA-X-SVR 湖南省水稻产量预测

基于ODESSA-BiGRU模型的水稻产量预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于ODESSA-BiGRU模型的水稻产量预测研究

作者：李昀轩广西大学

学位级别：硕士

水稻是我国最主要的粮食作物之一。准确预测水稻产量对于制定粮食储运、调拨计划、保障我国各地粮食供给平衡有着重要意义。而水稻产量与其生长期的各种气象要素之间有着较为复杂的非线性关系,用传统的预测方法难以准确地对其进行预测... 详细信息

水稻是我国最主要的粮食作物之一。准确预测水稻产量对于制定粮食储运、调拨计划、保障我国各地粮食供给平衡有着重要意义。而水稻产量与其生长期的各种气象要素之间有着较为复杂的非线性关系,用传统的预测方法难以准确地对其进行预测。为此,对基于改进飞鼠搜索算法（SSA）与双向门控循环单元（BiGRU）模型相结合的水稻产量预测方法进行了研究。完成的主要研究工作有:（1）针对SSA求解精度不高、容易早熟等缺点,提出了一种采用反向学习策略和差分进化改进的SSA（ODESSA）。该算法首先对最初种群使用反向学习生成其反向种群,增加初始种群的多样性。之后在飞鼠搜索的过程中,利用差分进化算法中的变异、交叉、选择机制来扩大飞鼠搜索范围,以此来增强算法的全局勘探能力。最后再次利用反向学习生成所有搜索个体的反向解,进一步增强算法的全局勘探能力和算法的求解精度。将ODESSA与其他3种智能算法（SSA、PSOSSA、和ISSA）在12个基准函数上进行了性能比较,实验结果表明ODESSA在12个基准函数中获得10个最优（其中2个并列最优）的结果。为了验证改进效果,将ODESSA与只使用反向学习改进的SSA（OSSA）、只使用差分进化改进的SSA（DESSA）在12个基准函数上进行了性能比较,实验结果表明ODESSA均优于OSSA和DESSA,有着最佳的寻优结果,收敛速度也快于SSA。（2）采用ODESSA优化BiGRU模型的训练过程,提出了一种将ODESSA与BiGRU相结合的一种新的预测模型（ODESSA-BiGRU）。该模型通过用ODESSA代替传统BiGRU中训练参数时使用的梯度下降法来训练模型参数,利用ODESSA具有更大的搜索范围和更强的寻优能力改善了梯度下降法容易陷入局部最优解的不足,使得BiGRU模型能够训练出更好的参数从而获得更好的性能。最后将该模型应用到水稻产量预测这一复杂的问题当中,使用南宁市历年早稻产量和同期气象数据作为实验数据对ODESSA-BiGRU模型进行训练,得到最终的预测模型。将该模型与其他四种人工神经网络预测模型进行了性能比较。实验结果表明ODESSA-BiGRU模型比其它模型具有更高的预测准确性,为水稻产量预测提供了一种新的方法。

关键词：飞鼠搜索算法水稻产量预测差分进化反向学习双向门控循环单元

基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

湖北农业科学 2024年第8期63卷 109-115页

作者：梁泽曹姗姗孔繁涛孙伟新疆农业大学计算机与信息工程学院乌鲁木齐830052 中国农业科学院农业信息研究所北京100081 中国农业科学院国家农业科学数据中心北京100081 中国农业科学院农业经济与发展研究所北京100081 中国农业科学院国家南繁研究院海南三亚572024

提出一种融合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和残差注意力(RA)机制的县域水稻产量预测模型(CNN-BiLSTM-RA),通过CNN层有效提取县域水稻气象数据中的关键空间特征,利用BiLSTM层深入分析时间序列数据的动态变化,引入RA机... 详细信息

提出一种融合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和残差注意力(RA)机制的县域水稻产量预测模型(CNN-BiLSTM-RA),通过CNN层有效提取县域水稻气象数据中的关键空间特征,利用BiLSTM层深入分析时间序列数据的动态变化,引入RA机制强化对气象数据中关键特征的识别与捕捉,以2015—2017年广西81个县早稻历史产量和气象数据为样本,与CNN、TRANSFORMER、BiLSTM、CNN-BiLSTM、BiLSTM-RA模型进行对比,评价CNN-BiLSTM-RA模型的预测精度和有效性。结果表明,CNN-BiLSTM-RA模型的R~2、MAE、RMSE和MAPE分别为0.9861、0.1219、0.2248、0.8648,模型的预测值与实际值拟合程度较高。CNN-BiLSTM-RA模型充分发挥了CNN的空间特征提取能力、BiLSTM的时间序列数据分析优势和RA机制在增强关键特征捕捉方面的特性,是一种适用于县域水稻产量高精度预测的新方法。

关键词：水稻产量预测卷积神经网络双向长短期记忆网络残差注意力

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于LSTM水稻产量预测

电脑编程技巧与维护 2023年第4期 40-42页

作者：邓小康武汉轻工大学电气与电子工程学院武汉430023

随着人工智能技术的不断发展,传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来,基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题,基于长短期记忆网络(LSTM)建立一个水稻产量预测模型。该模型将天气... 详细信息

随着人工智能技术的不断发展,传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来,基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题,基于长短期记忆网络(LSTM)建立一个水稻产量预测模型。该模型将天气特征、地理位置、风向作为输入特征并利用LSTM模型进行组合预测,以提高农作物产量预测的准确性。通过实验结果分析,验证了该模型的有效性。

关键词：长短期记忆网络深度学习水稻产量预测

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度学习技术的水稻环境因素产量预测

电子技术应用 2024年第4期50卷 81-86页

作者：张春磊李颜娥丁煜罗煦钦浙江农林大学数学与计算机学院浙江杭州311300 浙江省林业智能监测与信息技术实验室浙江杭州311300 林业感知技术与智能装备国家林业局重点实验室浙江杭州311300 杭州市临安区农业农村信息服务中心浙江杭州310000

水稻作为全球重要的粮食作物,准确预测水稻产量在农业发展中起着重要作用。由于水稻在环境因子与其生长机理的作用下往往呈现出非线性的特点,难以对其做出较为准确的预测,因此,提出CE-CGRU水稻产量预测模型,对非线性环境因子Copula熵(CE... 详细信息

水稻作为全球重要的粮食作物,准确预测水稻产量在农业发展中起着重要作用。由于水稻在环境因子与其生长机理的作用下往往呈现出非线性的特点,难以对其做出较为准确的预测,因此,提出CE-CGRU水稻产量预测模型,对非线性环境因子Copula熵(CE)方法进行提取特征并与CNN和GRU技术结合在一起。其目的是在水稻品种确定的条件下,识别产量预测的重要特征。根据使用浙江省临安区真实数据分析和比较所提出的模型的性能,构建了其他5个产量预测模型进行对比,分别是MLR、RF、LSTM、GRU和CNN-LSTM。结果显示,CE-CGRU模型的MAE、MSE和MAPE分别为0.677、0.87和5.029%,表明CE-CGRU模型具有更好的能力来捕捉水稻产量与环境因素之间的复杂非线性关系。此外,还对不同的特征选择方法以及不同时间步长进行了比较和分析。

关键词：水稻产量预测 Copula熵深度学习 CE-CGRU

维普期刊数据库

基于深度学习的水稻表型特征提取和穗质量预测研究

在线全文

学校读者我要写书评

暂无评论

华中农业大学学报 2021年第1期40卷 227-235页

作者：杨万里段凌凤杨万能华中农业大学工学院武汉430070 华中农业大学作物遗传改良国家重点实验室武汉430070

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对... 详细信息

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R 2、平均相对误差(MAPE)和相对误差绝对值的标准差(SAPE)挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R 2分别达到0.787±0.051和0.840±0.054。

关键词：水稻产量预测植物表型组学深度学习图像处理水稻穗质量预测 SegNet Faster R-CNN

维普期刊数据库