基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

基于遗传算法优化下棉花的产量预测模型研究

棉花是我国重要的经济作物与棉纺织业发展的主要原材料之一,是我国经济发展的支柱产业。在棉花种植过程中,农田措施、气象环境等都会对棉花生产产生影响。对棉花生长因子进行分析,建立棉花预测模型,预测我国棉花产量,对于指导棉花生产和促进我国经济发展具有重要意义。为此,针对传统BP神经网络在预测中存在测试精度低、鲁棒性差等问题,利用遗传算法(Genetic Algorithm, GA)对BP神经网络模型进行优化,构建GA-BP神经网络模型;同时,基于湖北省2011-2021年棉花播种面积、气象因子、自然灾害和棉花产量,构建BP神经网络、GA-BP神经网络模型,对湖北地区棉花产量进行预测。研究结果表明:GA-BP神经网络模型精度明显高于BP神经网络模型,R2达到0.991。因此,通过GA-BP预测能够更加科学、合理地进行棉花产量预测,对棉花生产及管理措施的调整具有重要的指导意义。

水稻作物产量预测模型的研究——基于多源数据回归模型

水稻是我国重要的粮食作物之一,在我国不同农业生产区域都有种植,实现水稻产量的精准预测对于稳定我国粮食安全具有重要意义。为了改良传统产量预测方法,实现水稻产量高效预测,基于主成分分析法提取主成分,再将主成分作为BP神经网络模型的输入,对水稻种植面积较大的黑龙江省、江苏省、湖南省和湖北省2011-2020年的数据进行预测分析。研究结果表明:水稻产量与月最高土壤温度、月最低土壤温度、月土壤平均温度、月大气最高温度、月大气平均温度、月平均大气湿度为极显著相关,与月降雨量显著相关,与月大气最低温度相关性较弱。主成分分析与BP神经网络组合模型下,水稻产量的预测精度明显高于传统BP神经网络模型,R^(2)达到0.86,MAPE仅为0.97%,RMSE为0.93,预测值与试验值之间拟合程度较高,模型验证结果表明模型预测结果准确稳定。研究结果对于更加科学、合理地预测水稻产量具有重要的指导意义。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

物理—数据协同驱动的页岩气井产量预测方法

由于页岩气渗流机理复杂,赋存方式多样,压裂后对裂缝网络的精确识别和表征存在较大困难,现有方法难以准确预测页岩气井产量。为此,提出了机理—数据融合建模的思路,结合连续拟稳态假设、物质平衡方程、产量递减分析方法和递推原理,建立了物理—数据协同驱动的产量预测方法,进而以中国某区块页岩气井现场生产数据为例,对该方法的准确性、可靠性进行了测试,并与经验产量递减分析和时间序列分析方法进行了对比分析。研究结果表明:(1)建立的产能模型采用拟压力代替压力,采用物质平衡拟时间代替时间,弱化了产量、流压和甲烷物性变化带来的影响;(2)以累计产量误差最小为目标开展历史拟合,弱化了生产制度变化带来的影响,使得建立的产能模型能够自动适应流压—产量变化;(3)应用该方法的关键在于采气指数—物质平衡拟时间双对数图中的特征直线,若图中出现特征直线,则可以开展产量预测,反之,则不能预测。结论认为:(1)建立的产量预测方法将不稳定流动问题转化为拟稳态流动问题求解,简化了对储层非均质性的描述,避开了裂缝网络精确识别和定量表征的难题,计算效率高,可解释性强;(2)生产数据测试结果表明该产量预测方法精度高,长期预测结果稳定,并优于Logistic Growth Model、Duong和StretchedExponential Production Decline经验产量递减分析方法,也优于非线性自回归神经网络、长短记忆神经网络时间序列分析方法。

咸水灌溉下设施番茄水盐生产函数构建及产量预测

以新疆南部地区设施番茄品种“秦岭蔬越”为研究对象开展咸水灌溉试验,设置4个咸水矿化度,分别为T1(2 g·L^(-1))、T2(4 g·L^(-1))、T3(6 g·L^(-1))和T4(8 g·L^(-1)),以淡水灌溉为对照(CK),采用修正后的Jensen模型构建咸水灌溉条件下设施番茄水盐生产函数,估算不同矿化度咸水灌溉番茄产量。结果表明,连续灌溉高矿化度咸水导致番茄减产,初始灌溉矿化度为2~4 g·L^(-1)咸水可确保番茄产量和IWUE。大于4g·L^(-1)咸水灌溉抑制作物生长且减产严重。土壤含水率和盐分随土层深度逐渐降低,40 cm深处达到含水率峰值,盐分主要聚集在浅层且盐分含量随咸水矿化度增高;番茄耐盐能力早期较弱而后期增强,番茄不同生育期盐分敏感指数σ为苗期>开花结果期>结果盛期>结果末期。开花结果期对水分敏感性最强,水分敏感指数λ依次为开花结果期>结果盛期>苗期>结果末期;基于Jensen模型构建设施番茄水盐生产函数对产量估算精度较高,R2>0.96,可用于指导新疆南部地区设施番茄咸水灌溉管理。综合考虑咸水灌溉对番茄产量及土壤水盐变化,建议新疆南部地区设施番茄微咸水滴灌最优方案为:在非连续咸水灌溉条件下,苗期、开花结果期采用淡水充分灌溉,结果盛期、结果末期采用亏缺灌溉和咸水矿化度为2~4g·L^(-1)的微咸水灌溉组合。通过构建咸水灌溉条件下设施番茄水盐生产函数,为作物水盐精准管理及咸水资源安全利用提供理论依据。

应用NSGA-Ⅱ-AdaBoost方法结合土壤物理性质对大豆产量预测模型的构建

为准确评估黑土区大豆产量,以大豆不同生长时期(出苗期、结荚期、成熟期)土壤物理性质(土壤坚实度、土壤容重、土壤含水率)为特征变量,使用自适应增强模型评价特征重要性,通过皮尔逊相关系数作进一步筛选,均选择与产量显著相关的特征构建数据集。采用非支配排序遗传算法Ⅱ优化模型的超参数,建立非支配排序遗传算法Ⅱ优化的自适应增强(NSGA-Ⅱ-AdaBoost)方法作为大豆产量预测模型,与11种主流机器学习算法进行对比。结果表明:成熟期土壤物理性质与大豆产量具有更高的相关性,表层和亚表层土壤物理性质对大豆产量影响较大;11种机器学习算法中AdaBoost表现最佳,四种优化算法中NSGA-Ⅱ表现最佳,经NSGA-Ⅱ对AdaBoost的超参数寻优,在五折交叉验证下决定系数为0.809 2、均方根误差为148.061 kg·hm^(-2)、平均绝对值误差为94.868 8 kg·hm^(-2)、平均绝对百分比误差为0.058 3。研究结果可为黑土区大豆产量预测提供理论和方法参考。

基于CNN-GRU-LightGBM模型的单井产量预测方法

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂,难以准确预测日产量,建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit,CNN-GRU)提取深层特征进行时序预测,基于梯度提升框架的集成模型(light gradient boosting machine,LightGBM)从回归预测角度进行预测,两者结果相互融合,进一步提高产量预测精度。同时,提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测,并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明:本文模型与超前参数递归策略配合最好,在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型,可显著提高预测精度。

多源异构数据和注意力门控机制的小麦产量预测

针对传统的单模态数据预测小麦产量存在精度不高的问题,提出一种结合多源异构数据和注意力门控机制的小麦产量预测方法。首先引入了特征级的门控策略,来捕获每个模态内部特征的信息变化;然后利用神经网络评估每个模态内的置信度分数,并构建模态间的有效信息获取模块;最后设计了基于Transformer的空间和通道注意力门控机制模块,将不同模态之间的有效信息进行充分的融合,从而获得最佳的预测特征表示。实验结果表明,所提方法与传统方法相比具有更高的预测精准度,RMSE和MAE分别仅为809kg/hm^(2)和522kg/hm^(2),R^(2)则达到了0.806,通过对河南省近10年的小麦产量进行预测,得到的三项评价指标均相对稳定,且展现出了较强的鲁棒性。消融实验也验证了该方法中的不同组件均能有效提高小麦产量的预测精度,可为相关部门制定保障粮食安全管理决策提供有力的数据支持。

煤层气产量预测分析决策支持系统在上下游一体化项目生产管理中的应用

通过海量生产数据开展煤层气产量预测是上下游一体化大型项目管理中面临的挑战之一,针对该难题,中国石化集团国际石油勘探开发有限公司海外技术团队研发了煤层气产量预测分析决策支持系统。该系统以SQL、Spotfire、OFM及Enersight等主要应用软件为底层平台,通过二次开发及整合,搭建了数据整合、数据分析、预测转化及成果应用4个主要模块,以煤层气产量预测复杂性及经常出现的问题为切入点,开展煤层气产量预测综合分析、类比分析及递减分析,实现对产量预测的高效管理。该系统具有方便快捷、固定流程、分工明确、团队协作的特点。通过应用实例,展示了该系统针对海量生产数据,自上而下、由面到点、聚焦关键领域,高效筛查出产量预测的关键问题,并提出可行的修正方案,有效提升了煤层气产量预测精准度,为项目投资决策提供有力支持和保障。

基于CNN-LSTM算法的气井产量预测研究

气井产量预测对合理评价气井产能和制定合理的排采制度具有重要意义。基于经验模型的产量预测方式,在使用条件和环境上具有较大的局限性。论文提出一种基于CNN和LSTM的融合算法,从数据角度出发,预测气井产量。通过CNN算法提取数据空间特征,用LSTM算法提取数据的时间特征,同时,基于机理模型分析气井产量与生产参数的关系,对特征参数进行预处理,提高算法的准确率。实验结果表明,与传统的CNN算法、LSTM算法相比,具有较好的预测效果,预测日产气量与实际日产气量之间误差小于5%。

顺北油气田断溶体油藏产量预测模型研究及应用

Arps递减曲线方程是油气田开发初期产量预测中应用较为普遍的方法,基本是参考类似油藏拟合参数以定压差生产为开发政策指导进行产量预测,对于顺北断溶体油藏地层压力下降明显,且储集层在地饱压差内的非线性流动特征明显,存在唯一的非线性惯性阻力,无法通过描述线性流动特征的采油指数来表征,存在误差较大、产量预测结果单一的缺点。通过分析顺北油气田产量递减特征,基于物质平衡原理,构建动态储量模型,结合顺北油气田通用产能方程和产能评价指标成果,形成了新的断溶体油藏弹性驱产量预测方法,用于指导断溶体油藏弹性驱开发阶段的生产管理,有更高的适应性和准确率,也为断溶体油藏开展产能建设方案经济评价优化、指导油井开发政策奠定了基础、提供多开发政策方案决策支撑。

基于GRU神经网络的城市建筑垃圾产量预测

针对具有时间序列特征的城市建筑垃圾产量预测精度低的问题,提出了一种基于门控循环单元(GRU)神经网络的预测模型。首先,根据《河南统计年鉴》收集了2002-2022年郑州市建筑垃圾产量和相关影响因素数据并进行相关性分析。然后,构建GRU神经网络预测模型,划分训练集与验证集,确定隐藏层神经元个数,同时采用自适应矩估计(Adam)算法更新梯度。最后,引入循环神经网络(RNN)和长短期记忆网络(LSTM)模型进行比较,选择绝对误差(MAE)、百分比误差(MAPE)以及相关系数(R^(2))验证模型性能。结果表明,GRU模型的预测结果更接近真实值,且具有更强的线性相关性。此外,利用该模型对2023-2027年郑州市建筑垃圾产量进行预测,结果显示到2027年建筑垃圾将达到8675.84万t。

致密凝析气井多相流不稳定产量预测方法

考虑凝析气藏相态变化、储集层中油气两相线性渗流和边界控制流,提出了致密凝析气井全路径油相饱和度与压力关系的预测方法,建立了致密凝析气井多相流不稳定产量预测模型。研究表明:凝析油饱和度和压力关系曲线是计算拟压力的关键,在生产初期或离井底较远地层压力较高区域,可利用实际生产井前期的生产动态数据,采用物质平衡模型进行计算;生产后期或离井底较近地层压力较低区域,可采用等组分膨胀实验数据进行计算;生产中期或地层压力位于中间水平时,则可根据前两段计算所得数据插值求得,形成完整的全路径油相饱和度和压力关系曲线。经模拟对比与矿场实例的验证,新方法具有较好的可靠性和实用性,可用于致密凝析气井生产中、晚期产量预测和单井可采储量的评估。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

深度学习在油气产量预测中的研究进展与技术展望

随着大数据和人工智能的不断进步,数字和智能化的油气产量预测技术已经成为石油天然气行业发展的新趋势。深度学习与油气产量预测的有效结合为解决非常规油气和复杂场景下的产量预测等问题提供了新的方案与策略。为此,在系统回顾油气产量预测技术发展历程的基础上,重点阐述了基于深度学习方法的油气产量预测技术的应用现状及关键流程,归纳了油气产量预测领域的特征工程以及不同场景下的神经网络构建方法,最后深入探讨了智能油气产量预测技术的未来发展方向。研究结果表明:(1)油气产量预测技术发展历程主要划分为传统油气产量预测方法、机器学习方法和深度学习方法 3个阶段;(2)深度学习方法已大量应用于油气产量预测研究中,尤其在复杂地质条件下的非常规油气领域,该技术表现出了良好的应用前景;(3)多样化的神经网络构建方法能够解决不同场景下的精细化油气产量预测需求;(4)需进一步加强人工智能领域与油气领域跨学科理论技术研究,促进两者在理论技术和生产实践等方面的深入融合;(5)智能油气产量预测技术未来可在实时预测与优化、数据融合与增强、物理约束与解释和模型更新与适应等方面开展深度攻关研究。结论认为,深度学习模型可显著提高油气产量预测技术的准确性和可靠性,为复杂气藏及非常规油气开发提供参考和指导,建议继续深化人工智能与油气行业应用等方面的有机结合,以推动油气行业的技术创新和高质量发展。

基于多源卫星遥感影像的广西中南部地区甘蔗识别及产量预测

针对广西地区作物种类多、蔗区调查复杂度高,以及因天气多变导致的卫星遥感图像获取困难等问题,该文提出了一种基于Sentienl-2影像的语义分割改进算法用于自动识别甘蔗种植区域,并在多时相的Sentinel-2和Landsat8影像数据基础上,提出了一种代表性光谱特征提取方法构建甘蔗产量预测模型。首先在轻量级网络BiseNetV2中加入了高效通道注意力模块(efficient channel attention,ECA),构建了ECA-BiseNetV2模型识别蔗田的种植区域;然后从识别到的甘蔗种植区域中提取不同时期的多种植被指数,利用线性回归模型将Landsat8植被指数转化为Sentinel-2植被指数,以减小Sentinel-2和Landsat8的数据差异;接着对各蔗区、各生长周期内的植被指数时间序列数据进行三次曲线拟合,提取最大值作为代表性光谱特征;最后使用了多种机器学习算法构建产量预测模型。结果表明,所提出模型总体精度达91.54%,甘蔗查准率达95.57%;基于植被指数拟合最大值构建的决策树模型的测试集R 2为0.792,比采用实际最大值构建的相应模型(R 2=0.759)提升了4.3%。该方法可有效解决因天气问题导致的甘蔗关键生长期遥感图像缺失而难以准确构建产量预测模型的问题,展示出较强的应用性。

基于融合多模态特征的深层煤岩气产量预测

深层煤岩气生产在井型、压裂工艺、排采方式等方面显著区别于浅层煤层气,针对浅层煤层气建立的产量预测模型无法处理多元异构的深层煤岩气数据,且难以适应深层煤岩气的生产方式。为此,基于卷积自编码结合空间金字塔池化提取深层煤岩气二维地质特征,采用PointNet++提取深层煤岩气缝网三维特征,拼接得到的完整数据矩阵再经近邻传播法(Affinity Propagation,AP)聚类后划分训练集和测试集,最后将注意力机制融入长短时记忆网络(Long Short-Term Memory,LSTM)建模,建立了预测深层煤岩气产量的深度学习新模型并通过不同算法和消融实验对比分析了新模型的泛化能力。研究结果表明:①提出的特征提取方法能够有效解决深层煤岩气数据多元异构、多尺度等问题。②对比深度神经网络(Deep Neural Networks,DNN)、门控循环单元(Gated Recurrent Unit,GRU)、LSTM、数值模拟、BP神经网络,融入三维特征提取及注意力机制的AP-LSTM预测产量的准确率最高。③融入三维特征提取,AP-LSTM预测产量的数据波动得到有效抑制;融入注意力机制,AP-LSTM预测产量的趋势得到改善。④基于研究区块建立的模型迁移到新的区块预测产量,仍具备较高的准确率。结论认为,缝网特征是影响深层煤岩气产量的重要因素,注意力机制有助于AP-LSTM区分自喷和抽吸,融入三维特征提取及注意力机制的AP-LSTM适应了深层煤岩气的生产方式,具有良好的普适性,能够为深层煤岩气规模化开发提供技术支撑。

基于连续小波变换和机器学习的小麦产量预测

及时、准确的作物估产,对作物管理决策和粮食安全评估具有重要意义。该研究在建立一种耦合连续小波变换(CWT)与机器学习准确预测小麦产量的方法。基于2020年—2021年两年小麦田间试验获取的开花期和灌浆期冠层高光谱数据及产量数据,首先采用CWT提取三种小波特征(WFs),分别为:基于Bortua方法筛选的特征波段(Bortua-WFs)、提取WFs与小麦产量确定系数的前1%(1%R^(2)-WFs)和单一分解尺度下的所有WFs(SS-WFs)。然后采用随机森林(RF)、 K最邻近(KNN)和极端梯度提升(XGBoost)三种机器学习算法构建产量预测模型。最后选取最优的光谱特征,采用相同的方法进行建模并比较。结果表明:(1)三种WFs结合机器学习方法的模型均表现良好,基于Bortua-WFs构建的模型具有更高的精度和稳定性。(2)相比光谱特征模型,Bortua-WFs模型在各生育期的精度均有所提高,开花期的R^(2)精度分别提高了17.5%、 4%和39.6%,灌浆期分别提高了8.4%、 5.6%和16.9%。(3)灌浆期的产量估算模型优于开花期,结合Bortua-WFs和XGBoost的模型表现最佳,R^(2)为0.83, RMSE为0.78 t·ha^(-1)。该研究比较了不同特征和方法相结合的性能,确定了不同方案下的最佳模型精度,为光谱准确预测小麦产量提供技术参考。

基于GA-BP神经网络的鲜食玉米产量预测

鲜食玉米因其营养丰富、用途广泛、市场潜力大等优势而备受关注,目前,我国鲜食玉米种植面积逐渐扩大,鲜食玉米产量的高效预测对制定其生长期间的精准管理决策具有重要意义。针对传统BP神经网络在预测中存在测试精度低、鲁棒性差等问题,利用遗传算法(Genetic Algorithm,GA)对BP神经网络模型进行优化,构建GA-BP神经网络模型。基于2010—2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及鲜食玉米实际产量,分别采用BP神经网络、GA-BP神经网络模型及粒子群优化算法(Particle Swarm Optimization,PSO)优化BP神经网络(PSO-BP)对所选地区鲜食玉米产量进行预测与相关性分析。结果表明,鲜食玉米产量与月最低土壤温度、月平均土壤温度、月大气最高温度和月平均大气湿度相关性极显著,相关系数高于0.8,与月最高温度、月土壤平均含水率、月大气平均温度、月降雨量相关性显著,与月大气最低温度相关性较弱。GA-BP神经网络模型精度明显高于PSO-BP及BP神经网络模型,R^(2)达到0.9564。因此,通过GA-BP神经网络模型可以更科学、合理地对鲜食玉米的产量进行预测,从而对鲜食玉米生产及管理措施的调整具有重要的指导意义。