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
2
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
融合Transformer和LSTM的蓝莓根区土壤含水量预测模型
1
作者
王亿
曹姗姗
+3 位作者
孙伟
胡博
古丽米拉·克孜尔别克
孔繁涛
《湖北农业科学》
2024年第8期78-84,共7页
针对土壤含水量预测模型存在难以解决非线性复杂特征、易陷入局部极小值等问题,构建融合Transformer和LSTM的土壤含水量深度学习预测模型(Transformer-LSTM)。采集山东省青岛市黄岛区丁家寨村蓝莓(Vaccinium spp.)生产区冷棚与露天2个...
针对土壤含水量预测模型存在难以解决非线性复杂特征、易陷入局部极小值等问题,构建融合Transformer和LSTM的土壤含水量深度学习预测模型(Transformer-LSTM)。采集山东省青岛市黄岛区丁家寨村蓝莓(Vaccinium spp.)生产区冷棚与露天2个站点的蓝莓根区土壤和气象数据作为建模数据,根据皮尔逊相关性和偏自相关性分析选择模型的数据输入特征与输入长度,与单一的Transformer模型和LSTM模型进行对比分析,评估模型对土壤含水量的预测性能。结果表明,Transformer-LSTM模型在预测精度上均优于单一的Transformer模型和LSTM模型,Transformer-LSTM模型的平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数(R^(2))分别为0.245 9、0.572 0、0.012 1、0.960 6。Transformer-LSTM模型可以更全面地提取蓝莓种植环境因子输入序列中的特征信息,有效提升土壤含水量因子预测精度和水平。
展开更多
关键词
蓝莓(Vaccinium
spp.)
根区土壤
含水量
TRANSFORMER
LSTM
预测模型
下载PDF
职称材料
基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型
2
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
题名
融合Transformer和LSTM的蓝莓根区土壤含水量预测模型
1
作者
王亿
曹姗姗
孙伟
胡博
古丽米拉·克孜尔别克
孔繁涛
机构
新疆
农业
大学计算机与信息工程
学院
/智能
农业
教育部工程研究
中心
/新疆
农业
信息化工程技术研究
中心
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
青岛沃林蓝莓果业有限公司
出处
《湖北农业科学》
2024年第8期78-84,共7页
基金
新疆维吾尔自治区重点研发任务专项(2022B02049-1-3)
中国农业科学院创新工程任务项目(HT20220570)。
文摘
针对土壤含水量预测模型存在难以解决非线性复杂特征、易陷入局部极小值等问题,构建融合Transformer和LSTM的土壤含水量深度学习预测模型(Transformer-LSTM)。采集山东省青岛市黄岛区丁家寨村蓝莓(Vaccinium spp.)生产区冷棚与露天2个站点的蓝莓根区土壤和气象数据作为建模数据,根据皮尔逊相关性和偏自相关性分析选择模型的数据输入特征与输入长度,与单一的Transformer模型和LSTM模型进行对比分析,评估模型对土壤含水量的预测性能。结果表明,Transformer-LSTM模型在预测精度上均优于单一的Transformer模型和LSTM模型,Transformer-LSTM模型的平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数(R^(2))分别为0.245 9、0.572 0、0.012 1、0.960 6。Transformer-LSTM模型可以更全面地提取蓝莓种植环境因子输入序列中的特征信息,有效提升土壤含水量因子预测精度和水平。
关键词
蓝莓(Vaccinium
spp.)
根区土壤
含水量
TRANSFORMER
LSTM
预测模型
Keywords
blueberry(Vaccinium spp.)
root zone soil
moisture content
transformer
LSTM
prediction model
分类号
TP391 [自动化与计算机技术—计算机应用技术]
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
2
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
作者
出处
发文年
被引量
操作
1
融合Transformer和LSTM的蓝莓根区土壤含水量预测模型
王亿
曹姗姗
孙伟
胡博
古丽米拉·克孜尔别克
孔繁涛
《湖北农业科学》
2024
0
下载PDF
职称材料
2
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
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