期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
5
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型
1
作者
梁泽
曹姗姗
+1 位作者
孔繁涛
孙伟
《湖北农业科学》
2024年第8期109-115,共7页
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...
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。
展开更多
关键词
水稻产量预测
卷积神经网络
双向长短期记忆网络
残差注意力
下载PDF
职称材料
基于LSTM水稻产量预测
2
作者
邓小康
《电脑编程技巧与维护》
2023年第4期40-42,共3页
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...
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。
展开更多
关键词
长短期记忆网络
深度学习
水稻产量预测
下载PDF
职称材料
基于深度学习技术的水稻环境因素产量预测
3
作者
张春磊
李颜娥
+1 位作者
丁煜
罗煦钦
《电子技术应用》
2024年第4期81-86,共6页
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...
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。
展开更多
关键词
水稻产量预测
Copula熵
深度学习
CE-CGRU
下载PDF
职称材料
基于多元线性回归的水稻产量与各生理参数关系研究
被引量:
8
4
作者
卢文喜
司昌亮
+2 位作者
程卫国
王喜华
张宇
《节水灌溉》
北大核心
2012年第12期37-39,42,共4页
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...
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。
展开更多
关键词
多元线性回归
水稻
生理参数
水稻产量预测
模型
下载PDF
职称材料
基于深度学习的水稻表型特征提取和穗质量预测研究
被引量:
16
5
作者
杨万里
段凌凤
杨万能
《华中农业大学学报》
CAS
CSCD
北大核心
2021年第1期227-235,共9页
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。
展开更多
关键词
水稻产量预测
植物表型组学
深度学习
图像处理
水稻
穗质量
预测
SegNet
Faster
R-CNN
下载PDF
职称材料
题名
基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型
1
作者
梁泽
曹姗姗
孔繁涛
孙伟
机构
新疆农业大学计算机与信息工程学院
中国农业科学院农业信息研究所
中国农业科学院国家农业科学数据中心
中国农业科学院农业经济与发展研究所
中国农业科学院国家南繁研究院
出处
《湖北农业科学》
2024年第8期109-115,共7页
基金
国家自然科学基金面上项目(32271880)。
文摘
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。
关键词
水稻产量预测
卷积神经网络
双向长短期记忆网络
残差注意力
Keywords
rice yield prediction
convolutional neural network
bidirectional long short term memory network
residual attention
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于LSTM水稻产量预测
2
作者
邓小康
机构
武汉轻工大学电气与电子工程学院
出处
《电脑编程技巧与维护》
2023年第4期40-42,共3页
文摘
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。
关键词
长短期记忆网络
深度学习
水稻产量预测
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
S511 [农业科学—作物学]
下载PDF
职称材料
题名
基于深度学习技术的水稻环境因素产量预测
3
作者
张春磊
李颜娥
丁煜
罗煦钦
机构
浙江农林大学数学与计算机学院
浙江省林业智能监测与信息技术实验室
林业感知技术与智能装备国家林业局重点实验室
杭州市临安区农业农村信息服务中心
出处
《电子技术应用》
2024年第4期81-86,共6页
基金
浙江省自然科学基金(Q21H180001)
浙江农林大学科研发展基金(2019RF065)
浙江农林大学创新训练计划项目(2023KX122)。
文摘
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。
关键词
水稻产量预测
Copula熵
深度学习
CE-CGRU
Keywords
rice yield prediction
Copula Entropy
deep learning
CE-CGRU
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于多元线性回归的水稻产量与各生理参数关系研究
被引量:
8
4
作者
卢文喜
司昌亮
程卫国
王喜华
张宇
机构
吉林大学环境与资源学院
出处
《节水灌溉》
北大核心
2012年第12期37-39,42,共4页
基金
国家自然科学基金项目(41072171)
文摘
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。
关键词
多元线性回归
水稻
生理参数
水稻产量预测
模型
Keywords
multiple linear regression
rice physiological parameters
rice yield forecast model
分类号
S511 [农业科学—作物学]
下载PDF
职称材料
题名
基于深度学习的水稻表型特征提取和穗质量预测研究
被引量:
16
5
作者
杨万里
段凌凤
杨万能
机构
华中农业大学工学院
华中农业大学作物遗传改良国家重点实验室
出处
《华中农业大学学报》
CAS
CSCD
北大核心
2021年第1期227-235,共9页
基金
国家自然科学基金面上项目(31770397)
国家自然科学基金青年项目(31701317)。
文摘
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。
关键词
水稻产量预测
植物表型组学
深度学习
图像处理
水稻
穗质量
预测
SegNet
Faster
R-CNN
Keywords
prediction of rice yield
plant phenomics
deep learning
image processing
rice panicle weight prediction
SegNet
Faster R-CNN
分类号
S51 [农业科学—作物学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型
梁泽
曹姗姗
孔繁涛
孙伟
《湖北农业科学》
2024
0
下载PDF
职称材料
2
基于LSTM水稻产量预测
邓小康
《电脑编程技巧与维护》
2023
0
下载PDF
职称材料
3
基于深度学习技术的水稻环境因素产量预测
张春磊
李颜娥
丁煜
罗煦钦
《电子技术应用》
2024
0
下载PDF
职称材料
4
基于多元线性回归的水稻产量与各生理参数关系研究
卢文喜
司昌亮
程卫国
王喜华
张宇
《节水灌溉》
北大核心
2012
8
下载PDF
职称材料
5
基于深度学习的水稻表型特征提取和穗质量预测研究
杨万里
段凌凤
杨万能
《华中农业大学学报》
CAS
CSCD
北大核心
2021
16
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部