西北春麦区 Apsim-Wheat模型参数全局敏感性分析

为了提高西北春麦区Apsim-Wheat模型的模拟精度及适应性,以甘肃省定西市安定区2015-2018年田间试验数据为基础,采用基于参数筛选法(Morris)和基于方差分解法(Sobol)分析了Apsim-Wheat模型中作物品种参数、土壤参数及田间管理参数对小麦产量的敏感性,并分析比较了两种方法对模型的适应性。结果表明,用Morris法得到的对小麦产量敏感的参数分别为始花期积温(TFI)、出苗到拔节期积温(TEOJ)、春化敏感指数(VS)、田间持水量(DUL)、萎焉系数(LL15)、小麦萎焉系数(WheatLL)、播种日期(sowingdate)、播种密度(sowingdensity)、播种深度(sowingdepth);用Sobol法得到的对小麦产量敏感的土壤参数及田间管理参数与Morris法相同,而得到的敏感作物品种参数不同,分别为春化敏感系数(VS)、开花期积温(TF)、出苗到拔节期积温(TEOJ)、潜在灌浆速率(PGFR)、光周期敏感指数(PS)、灌浆期积温(TSGF);在Morris法和Sobol法下Apsim-Wheat模型中对小麦产量最敏感的参数均是作物品种参数,且多与品种积温、春化及光周期等参数有关,分别占总敏感性的73.85%和62.9%,土壤参数及田间管理参数对小麦产量的总敏感性分别为26.15%和37.1%,占比较小。综合来看,Morris法和Sobol法均可筛选出对小麦产量敏感的参数,且在调整土壤参数和田间管理参数时,两者具有可替代性;在调整作物品种参数时,可以依据地区实际情况,结合两种方法各自优势,快速筛选出模型敏感参数。

深度预训练模型的农业问句分类技术研究

问句分类作为农业智能问答系统的核心模块之一,对问答系统的检索效率有决定性影响。针对农业问句特征稀疏、描述不规范等问题,基于深度预训练方法BERT或ERNIE构建农业问句分类模型。在农作物、园艺、养殖技术、水产渔业、农业工程5个类别下设计3组实验,使用12.5万条农业数据集进行实验验证,并与典型深度学习方法TextRNN-Attention、Transformer进行比较,同时考察增加数据集对分类结果的影响。实验结果表明,基于深度预训练语言模型的农业问句分类效果最好,其中ERNIE模型在测试集上的F1值最高可达94.76%,比其他模型的精确率、召回率和F1值提升1%~3%。此外,在增加数据集的情况下各模型的F1值均有所提升。深度预训练模型ERNIE可对农户的提问进行自动分类,具有更优的农业问句文本分类效果。