基于长短期记忆网络的载荷谱外推方法研究

提出了一种基于长短期记忆网络方法的载荷谱外推方法。介绍了该外推方法的基本原理,并将该方法运用到试验场采集到的载荷谱上,通过对载荷谱外推前后的频域信息对比发现,外推后的载荷谱频域特性与原始载荷谱基本保持一致。将不同的外推方法运用到采集载荷谱上,通过外推后载荷谱的雨流图的对比发现,基于长短期记忆网络方法的载荷谱外推方法能较好地复现原始雨流图分布特征。

不同方法对冬小麦地块级估产的适用性研究

为了探究不同估产模型对冬小麦估产的精度和适用性,提高像元级和地块级冬小麦估产精度。利用机器学习方法支持向量机(SVM)模型、随机森林(RF)模型和深度学习方法长短期记忆(LSTM)模型,对冬小麦进行产量预估。结果表明:在像元级上,LSTM模型、RF模型估产精度高于SVM模型,LSTM模型不仅能够表征作物在生育期的生长变化,还能降低人为因素干扰,估产结果更加客观真实,而SVM模型、RF模型易受到特征共线性和过拟合的影响,因此SVM模型、RF模型更适用于区域性小范围估产。在地块级上,SVM模型、RF模型和LSTM模型地块级估产精度比像元级估产精度均有提高,且LSTM模型估产精度明显高于SVM模型和RF模型,因此LSTM模型更适用于地块级估产,且LSTM模型泛化能力强、普适性高,适用于大范围农作物估产。