冬小麦需水量的预测模型对比分析

【目的】构建冬小麦需水量预测模型,提高需水量预测的精准度,为基于气象信息的需水量预测提供更为可靠的方法。【方法】选取新疆奇台县近5年的气象数据,采用公式Penman-Monteith计算冬小麦需水量(近似为真实需水量),基于CNN-BiLSTM模型,将平均温度、风速、湿度和降水量4个变量作为输入参数,预测冬小麦需水量,对比评估预测CNN-BiLSTM与LSTM、BiLSTM等6种模型的精准性。【结果】采用少量参数分别输入BP、RNN、LSTM、改进的BiLSTM和CNN-BiLSTM等模型中预测需水量,BP神经网络的预测效果较差。在模型评估中,CNN-BiLSTM比LSTM的R 2提高约8%,MSE降低约0.56。【结论】CNN-BiLSTM模型对小麦需水量预测更加精准。

基于集成学习算法和WOFOST模型的小麦生长模拟分析与产量预测

针对传统单一作物生长模型和机器学习模型在预测上的限制,将WOFOST模型与灌溉模型结合,利用集成学习算法建立多模型耦合系统(WOFOST耦合模型),选用美国航空航天局(NASA)1990—2020年数据进行模拟试验,选取2006年、2018年展示试验成果。结果表明,WOFOST耦合模型的小麦叶面积指数、总生物量均高于WOFOST模型,WOFOST耦合模型更贴近实际生产活动。耦合算法的MAE、MSE均低于Bagging、Boosting、Stacking算法,分别为2.836、7.581,R~2均高于Bagging、Boosting、Stacking算法,高达0.942。WOFOST耦合模型更全面和准确地模拟作物生长状态,提高产量预测的准确性与可信度。

实验室中的智能火源监控与预警系统设计

阐述基于YOLOv6深度神经网络模型,采集实验室的火源、易危品以及实验人员图像数据,实现火源、人员、危险源的多目标识别与检测,依据实验过程的安全监控规则,展开三者与火灾隐患的关联分析。结果表明,基于机器视觉的火源监控设计能够为潜在火灾隐患提供预警。

VR/AR/MR数字化装备在电力系统中的应用研究

首先对AR/VR/MR可穿戴数字化装备、光学技术实现原理进行分析,探索适用于电力系统的可穿戴数字化装备应用,提出了一个电力系统数字化装备管理系统通用架构,能够与现有数字化装备灵活对接,广泛应用到电力企业数字运维检、上岗实训以及应急演练工作中,帮助企业员工在各种高度逼真的场景中提高解决问题的能力、掌握维修技巧和故障应急处理方法,对促进电力企业数字化、智能化管理具有很大现实意义。