基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型

提出一种融合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和残差注意力(RA)机制的县域水稻产量预测模型(CNN-BiLSTM-RA),通过CNN层有效提取县域水稻气象数据中的关键空间特征,利用BiLSTM层深入分析时间序列数据的动态变化,引入RA机制强化对气象数据中关键特征的识别与捕捉,以2015—2017年广西81个县早稻历史产量和气象数据为样本,与CNN、TRANSFORMER、BiLSTM、CNN-BiLSTM、BiLSTM-RA模型进行对比,评价CNN-BiLSTM-RA模型的预测精度和有效性。结果表明,CNN-BiLSTM-RA模型的R~2、MAE、RMSE和MAPE分别为0.9861、0.1219、0.2248、0.8648,模型的预测值与实际值拟合程度较高。CNN-BiLSTM-RA模型充分发挥了CNN的空间特征提取能力、BiLSTM的时间序列数据分析优势和RA机制在增强关键特征捕捉方面的特性,是一种适用于县域水稻产量高精度预测的新方法。

基于LSTM水稻产量预测

随着人工智能技术的不断发展,传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来,基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题,基于长短期记忆网络(LSTM)建立一个水稻产量预测模型。该模型将天气特征、地理位置、风向作为输入特征并利用LSTM模型进行组合预测,以提高农作物产量预测的准确性。通过实验结果分析,验证了该模型的有效性。

基于深度学习技术的水稻环境因素产量预测

水稻作为全球重要的粮食作物,准确预测水稻产量在农业发展中起着重要作用。由于水稻在环境因子与其生长机理的作用下往往呈现出非线性的特点,难以对其做出较为准确的预测,因此,提出CE-CGRU水稻产量预测模型,对非线性环境因子Copula熵(CE)方法进行提取特征并与CNN和GRU技术结合在一起。其目的是在水稻品种确定的条件下,识别产量预测的重要特征。根据使用浙江省临安区真实数据分析和比较所提出的模型的性能,构建了其他5个产量预测模型进行对比,分别是MLR、RF、LSTM、GRU和CNN-LSTM。结果显示,CE-CGRU模型的MAE、MSE和MAPE分别为0.677、0.87和5.029%,表明CE-CGRU模型具有更好的能力来捕捉水稻产量与环境因素之间的复杂非线性关系。此外,还对不同的特征选择方法以及不同时间步长进行了比较和分析。

基于多元线性回归的水稻产量与各生理参数关系研究

多元线性回归是处理变量与变量之间统计相关关系的一种数理统计方法,影响因子越多,越能体现它的优势,方法简单,精度较高。水稻的产量受到多种因素的影响,利用多元线性回归方法研究了水稻产量与其成熟期的株高、株径、叶长和叶宽之间的关系。结果表明,4个生理参数与水稻产量之间的回归关系明显,由此建立了水稻产量预测模型,为以后在水稻收割之前预测其产量提供了方便。

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R 2、平均相对误差(MAPE)和相对误差绝对值的标准差(SAPE)挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R 2分别达到0.787±0.051和0.840±0.054。