基于遥感多参数和CNN-Transformer的冬小麦单产估测

为了提高冬小麦单产估测精度,改善估产模型存在的高产低估和低产高估等现象,以陕西省关中平原为研究区域,选取旬尺度条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)为遥感特征参数,结合卷积神经网络(CNN)局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力,构建CNN-Transformer深度学习模型,用于估测关中平原冬小麦产量。与Transformer模型(R^(2)为0.64,RMSE为465.40 kg/hm^(2),MAPE为8.04%)相比,CNN-Transformer模型具有更高的冬小麦单产估测精度(R^(2)为0.70,RMSE为420.39 kg/hm^(2),MAPE为7.65%),能够从遥感多参数中提取更多与产量相关的信息,且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外,基于CNN-Transformer模型捕获冬小麦生长过程的累积效应,分析逐步累积旬尺度输入参数对产量估测的影响,评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明,模型能有效捕捉冬小麦生长的关键时期,3月下旬至5月上旬是冬小麦生长的关键时期。

理化复合参数和神经网络结合的冬小麦长势遥感监测

准确、及时地监测区域作物长势状况对农业规划和政策的制定与调整具有重要的意义。遥感技术作为一种收集大面积作物长势信息的有效手段,正日益受到关注。为提高冬小麦长势遥感监测的准确性和全面性,该研究基于田间实测的冬小麦拔节期地上鲜生物量(aboveground fresh biomass,AFB)、叶面积指数(leaf area index,LAI)、叶片叶绿素相对含量(soil and plant analyzer development,SPAD)和叶片氮含量(leaf nitrogen content,LNC)4种生长相关理化参数,利用熵值法获取各参数权重构建冬小麦理化复合参数(physico-chemical composite parameter,PCCP)。利用显著性检验和籽粒产量数据分析复合参数在量化冬小麦长势方面的性能。然后,以Sentinel-2A作为数据源,分析不同遥感指数与LAI、SPAD、AFB、LNC和PCCP的相关性。选取相关性较高的遥感指数作为反向传播(back propagation,BP)人工神经网络(artificial neural networks,ANN)的输入,建立冬小麦长势遥感监测模型,对PCCP进行估计。评价模型精度并用于监测研究区冬小麦长势分布特征。赋权结果表明,作物物理参数的权重大于生化参数,其中LAI的权重最大,为0.387,AFB和SPAD次之,LNC的权重最小,为0.105;PCCP性能评估结果表明,与单一理化参数相比,PCCP值能更好地揭示作物长势状况的差异,其与最终籽粒产量的相关性更好,决定系数提高0.035~0.468,均方根误差减少46.2~520.0 kg/hm^(2);在遥感监测过程中,PCCP比单一理化参数有更好的应用潜力,BP-ANN长势遥感监测模型模拟PCCP精度较高,在测试集中决定系数为0.830,均方根误差为0.080;研究区冬小麦总体长势稳定且分布集中,呈现"中部差,南北好"的空间分布特征。因此,构建作物理化复合参数用于量化作物长势是提高长势监测可靠性和准确性的一种有效方式,可为冬小麦田间管理提供科学依据,服务于发展智慧农业和建设农业强国的战略需求。

人工神经网络方法在赤霉病预报中的应用研究

通过统计分析 ,选取与江苏省太湖地区小麦赤霉病发生程度显著相关的前期海温作为预报因子 ,并结合对小麦赤霉病病穗率序列进行拓展 ,采用人工神经网络的 BP网络模型进行预报赤霉病的初步试验 。

模型参数对赤霉病人工神经网络预报模型精度的影响

运用最优化相关普查方法 ,选取确定了对江苏省太湖地区小麦赤霉病发生程度有着显著指示意义的预报因子 ,将其作为输入变量经多层前馈型神经网络的 BP算法进行学习训练 ,建立了赤霉病病穗率的人工神经网络预报模型。分析了结构参数对模型效果的影响情况 ,发现训练的总体误差平方和对模型的效果影响最为显著 ,历史样本的拟合率随着总体误差平方和的减小而稳定上升 ,但总体误差平方和取值偏小时模型对独立样本的预报精度下降 ;当总体误差平方和取适当值使模型稳定时 ,隐含层节点数。

冬小麦水肥生产函数的Jensen模型和人工神经网络模型及其应用

作物水肥生产函数研究是非充分灌溉理论的重要内容,也是提高农田水、肥利用效率的基础。在作物水分生产函数Jensen模型的基础上,引入肥料因子构造了水肥生产函数的Jensen模型;同时构造了作物水肥生产函数的人工神经网络模型。利用北京地区冬小麦田间试验资料对以上2个模型进行了分析,表明以上模型均可用于描述水分、肥料等因素对作物产量的影响,进而可对作物产量进行预测,且模型都具备一定的精度。