基于时间序列的土壤墒情预测影响因素研究

【目的】分析预测土壤墒情变化趋势,总结影响土壤墒情的因素,为土壤改良提供参考。【方法】通过对不同深度土壤墒情随时间呈现的动态变化进行研究,针对研究区的具体气象条件和土壤情况,应用时间序列模型和深度学习方法,探究BAG土壤墒情预测模型的预测性能。通过对土壤深度、数据和环境因子与预测模型的相关关系的分析,证明该模型的预测精度。【结果】1)深度与预测性能的关联:研究区内不同深度的土壤含水量预测误差的平均绝对值都较为平稳,均在1%以下,不同深度的土壤含水量不会直接影响BAG的预测性能。2)墒情数据对预测模型的影响:研究区内1095条、729条和364条数据作为输入数据进行预测,序列长度为364时,各个深度预测精度较好。3)环境因子对预测模型的影响:预测精度并不随着相关性的强弱而相应变化,阈值为0.3以上的环境因子预测精度最好。【结论】在一定的序列长度和环境因子数量下,BAG的预测性能较高。

土壤墒情预测自适应遗传神经网络算法研究

针对传统遗传神经网络算法易出现的早熟收敛及锯齿等现象,提出一种新型算法应用于土壤墒情预测。该算法提出了衡量种群基因多样性的遗传多样性函数的概念,自适应调节交叉和变异策略,在全局范围内寻找最优初始网络权值和阈值,从而降低算法迭代次数,提高神经网络预测的精度和效率。仿真结果表明,与其他遗传神经网络算法相比较,该算法平均绝对误差从2%降低到1%,平均相对误差从5%降低到3%,最大相对误差从15%降低到8%,即新型算法可有效提高墒情的预测质量。

基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。

基于气象因子的金华市土壤墒情预测模型

利用金华2007-2008年土壤墒情资料和相关气象资料,分析了土壤湿度的基本变化规律,对土壤湿度与相关气象因子进行了灰色关联度分析,找出关键气象影响因子,建立了基于关键气象影响因子的土壤墒情预测模型并进行了试报和验证。结果表明:金华市冬季、春季土壤较为湿润、变化较为平稳,夏季、秋季土壤相对较干、变幅较大;5mm降水与蒸发的差为影响土壤相对湿度变化的首要因子;基于关键因子的土壤墒情预测模型试报2008年夏季的10cm、10-20cm、20-30cm土层相对湿度的平均误差分别为15.75%、6.89%、8.21%,该模型预测的土壤湿度状况基本能反映旱情发展的动态趋势。模型可为准确预测土壤墒情的变化状况,为农业生产合理用水和防灾减灾提供参考。

基于邢台地区的旱情风险分析及土壤墒情预测

基于现有观测资料，从邢台市现状出发，系统分析了旱情识别方法，从体积含水率和重量含水率两个方面分析了含水率对作物生长情况的影响及作物正常生长所需土壤含水率，并根据实测资料分析介绍了干旱指数分析及消退系数土壤墒情预测方法，并分析其优缺点，为科学抗旱提供依据。

改进灰狼算法在土壤墒情监测预测系统中的应用

针对现有的固定端传感器土壤墒情监测预测系统架设成本高、传感器易损坏、预测精度较低等问题,设计并实现了基于非固定无线传感器组网与改进灰狼算法优化神经网络的土壤墒情监测预测系统。系统使用非固定即插即用式传感器蓝牙组网收集墒情数据,使用高精度多源定位接入融合方法进行广域室外高精度定位。在算法方面,针对灰狼算法在迭代中后期易陷入局部最优等问题,提出一种基于末尾探索者策略的改进灰狼算法。首先,根据种群个体适应度值排名,在原有算法个体类型中增加探索者类型。然后,将种群搜索分为三个时期:活跃探索期、周期探索期和种群回归期。最后,在每个时期使用特有的位置更新策略进行探索者位置调整,使得算法在探索初期更具随机性,在探索中后期依然保持一定的解空间搜索能力,从而增强算法的局部最优回避能力。使用标准函数进行算法性能测试,并将该算法应用于优化土壤墒情神经网络预测模型问题,使用某市2号试验田的数据进行实验。实验结果表明,所提算法与直接神经网络预测模型相比,相对误差下降约4个百分点;与传统灰狼算法、粒子群优化(PSO)算法优化模型比较,相对误差下降约1至2个百分点。所提算法拥有更小的误差,更好的局部最优回避能力,能有效提高墒情的预测质量。

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

为提高土壤墒情预测精度,提出了一种基于遗传算法(GA)、改进粒子群算法(IPSO)、误差反向传播(BP)神经网络和支持向量机(SVM)的土壤墒情组合预测模型(GAIPSOBP-SVM)。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GAIPSOBP模型,然后对GAIPSOBP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GAIPSOBP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GAIPSOBP和SVM模型,验证和比较提出的GAIPSOBP-SVM模型的土壤墒情预测精度。结果表明,GAIPSOBP-SVM模型的土壤含水量预测相对误差平均值最小。GAIPSOBP与SVM模型组合的GAIPSOBP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。

基于季节特征的土壤退墒模型建立与率定

利用河南省南阳市2011—2015年12个墒情站的土壤水分监测资料,分析研究了无增墒情况下土壤含水量消退规律,构建出基于不同季节(夏季、春秋季与冬季)的土壤含水量与衰减系数的数学模型,运用规划求解法率定模型参数,并利用2016—2017年资料对模型进行检验。结果表明,不同季节土壤水分衰竭系数模型分别为α=1.023(1-ω^2/4353)^1/2(夏季)、α=1.013(1-ω^2/7005)^1/2(春秋季)与α=1.008(1-ω^2/9303)^1/2(冬季),所建立的数学模型适用于南阳市相应季节壤土与粘壤土小麦、水稻与休闲地土壤旱情预测,但不适用于夏季与春秋季砂土特别是休闲地砂土土壤墒情预测。