基于GWO-GRNN的双变量施肥系统排肥量预测模型构建

双变量施肥系统排肥量预测模型的构建主要以数学统计和机器学习方法为主。针对机器学习建模方法中普遍存在的运算过程耗时较长问题,基于灰狼算法(gray wolf optimizer,GWO)和广义回归神经网络(general regression neural network,GRNN),提出一种排肥量预测模型构建方法(GWO-GRNN),并对其有效性进行了验证。首先,基于双变量施肥试验平台进行3种不同固体颗粒肥的定时排肥试验,获得试验数据集;其次,提出GWO-GRNN算法对GRNN的平滑因子进行优化,并将寻优过程与现有算法(DE-GRNN)进行对比,结果表明GWO-GRNN算法整体上具有较快的收敛速度和较短的运行时间;最后,基于获得的最佳平滑因子构建3种颗粒肥的排肥量预测模型,并分别选取3种颗粒肥未参加训练的18个样本作为测试集,对模型精度进行验证。结果表明,构建的3种颗粒肥排肥量预测模型决定系数均在0.99以上,平均相对误差均在2%左右。该方法能够在保证排肥量预测模型精度的同时提升运算效率,具有较好的适应性。

固体颗粒肥变量撒施控制技术研究现状与展望

变量施肥技术能够按需精准投入肥料,在降低肥料使用量的同时提高作物产量,是实现现代绿色农业发展的重要手段。固体颗粒肥变量撒施控制技术作为变量施肥技术的重要组成部分,能够为实现化肥“减量增效”提供技术支撑。系统分析固体颗粒肥变量撒施控制技术,重点阐述国内外变量撒施、条施控制、工况监测和颗粒肥排肥流量检测技术的研究现状。目前,国内外变量撒施控制技术已基本成熟,近年来的研究主要集中在撒肥盘结构参数优化方面;对于变量条施控制技术的研究主要集中在排肥轴转速控制算法方面,近年来对于排肥轴转速、排肥口开度双变量控制系统的研究已成为热点;工况信息的监测技术已经相对较成熟,但颗粒肥流量的在线检测仍是难点。我国固体颗粒肥变量撒施控制技术研究主要存在控制技术发展不均衡、系统通用性、智能化水平有待提高、市场化程度低等问题。最后为我国变量撒施控制技术的研究与发展提出建议。