基于基因表达式编程的番茄叶片CO2交换率建模与预测

针对现有作物生长建模方法存在的不足,引入基因表达式编程算法,开展番茄叶片CO_2交换速率与主要环境因子关系的建模和预测研究。采用基因表达式编程算法建立番茄叶片CO_2交换速率模型,并将该模型与经典的回归模型及神经网络模型进行预测性能比较。经过3组数据的实验和对比,结果显示,基因表达式编程模型具有最高的预测精度和最佳的预测时效性,同时该算法的复杂度与神经网络相当。研究表明,基因表达式编程算法是一种性能良好的作物建模工具,可作为现有方法的补充。

基于无人机平台和图像分析的田间作物检测

为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。

监测采样间隔对作物模型性能的影响研究

为了获得不同监测采样间隔对作物生长模型的影响规律,避免现有研究和应用中存在的主观性或随意性,以番茄叶片蒸腾速率和CO2交换率为对象,采用3种采样间隔数据及2种常用方法进行建模、预测和比较研究。研究结果显示,在15、30、60 min的监测采样间隔下,番茄叶片蒸腾速率模型和CO2交换率模型的预测误差是不同的,GA-BP神经网络模型的预测能力普遍优于纯二次回归模型,但两者的结论是一致的,即对蒸腾速率和CO2交换率而言,最合适的监测采样间隔分别为30 min和15 min。本研究结果为监测采样间隔的设定、试验数据的选取和建模方法的运用提供依据,对作物模型研究和应用具有重要意义。