一种基于CEEMDAN-CPELM的池塘溶解氧预测模型研究

针对集约化水产养殖中水体溶解氧时间序列非线性、非稳定性特征导致的溶解氧预测模型构建难度大、预测精度不高的问题,提出一种基于自适应完备集合经验模态分解-聚类重构结构的偏最小二乘优化极限学习机溶解氧预测模型(CEEMDAN-CPELM)。采用CEEMDAN方法将溶解氧数据流分解为不同频率的模态分量,并依据各分量的模糊熵值评估各分量的复杂度,利用K-medoids方法将所有分量按照模糊熵复杂度进行聚类,实现数据的分解-重构过程,降低溶解氧预测的难度;再利用偏最小二乘算法对极限学习机进行优化,提高模型的预测性能。最后,将CEEMDAN-CPELM模型应用到常熟养殖试验基地的水体溶解氧预测中。试验结果表明:基于CEEMDAN-CPELM的溶解氧预测模型的预测均方根误差值为0.959,明显低于GA-SELM、LSSVM和ELM等对比模型,验证了该预测模型的可行性和有效性。

基于LSTM和先验知识的高速公路路面温度预报

为了精准预报高速公路路面温度,为车辆安全行驶提供气象保障,采用2019—2022年南京市绕城高速公路上9个交通气象站及ERA5-land再分析数据,通过构建时间序列特征工程、引入物理机制相关数据两类方法结合先验知识,运用长短期记忆神经网络模型建立研究区域内4个交通气象站未来3 h逐10 min路面温度多步预报模型并进行验证;在此基础上,将已建立的模型应用于其他交通气象站,探究模型的适用性。结果表明:结合先验知识后,模型预报性能明显提高,准确率在85%以上,且随着预报时效的延长,性能提升更为明显,准确率最高提升36%;模型能较为准确地预报路面极端低温发生的时间和极值,且在预报时效较短时对路面极端高温的预报也具有一定参考价值;利用已建立的模型对其他交通气象站的路面温度进行预报时,准确率在62%以上,在预报时效较短时效果较好,准确率在80%以上,且交通气象站所处的下垫面背景类型对模型的选择起关键作用。

基于PC-RELM的养殖水体溶解氧数据流预测模型

养殖水体中溶解氧浓度一直是最重要的水质参数之一。为了精准地对水体溶解氧进行调控,提高养殖生产效率,降低养殖风险,该研究考虑外部天气条件对溶解氧的影响以及溶解氧自身的昼夜变化特征,提出一种基于正则化极限学习机(principal component analysis and clustering method optimized regularized extreme learning machine,PC-RELM)的养殖水体溶解氧数据流预测模型。首先,采用主成分分析法判断影响溶解氧浓度的强重要性因子,降低预测模型的数据维度;其次,利用熵权法计算各时刻点的天气环境指数,并利用快速动态时间规整算法(fast dynamic time warping,FastDTW)完成时间序列数据流在不同天气环境下的相似度度量;然后使用k-means算法对时间序列的相似度进行聚类分簇,并基于分簇结果完成正则化极限学习机预测模型的构建,实现溶解氧浓度的估算。最后将PC-RELM模型应用到无锡南泉试验基地养殖池塘的溶解氧预测调控过程中。试验结果表明:PC-RELM的预测均方根误差值(root mean square error,RMSE)为0.9619,与PLS-ELM(partial least squares optimized ELM)、最小二乘支持向量机(least square support vector machine,LSSVM)以及BP神经网络模型进行对比,其RMSE值分别降低了41.54%、54.58%和67.16%。该预测模型可以有效地捕捉不同天气条件下溶解氧的变化特点,具有较高的预测精度和效率。

基于改进SVDD算法的池塘水质数据流异常检测

无线传感器网络获取的水质数据流具有高复杂性、非平稳性、非线性等特点,为了提高传感数据流的异常检测能力,保障水质监测数据流的有效性,该研究提出一种基于改进支持向量数据描述(SupportVectorDataDescription,SVDD)水质数据流异常检测方法。首先应用马氏距离改进Parzen-Window高斯窗函数,避免数据在分类过程中产生干扰。再利用改进的Parzen-Window获取训练数据的分布密度估计,并结合模糊隶属度函数,对传统SVDD算法进行密度补偿,构建改进的SVDD异常检测模型,从而降低有噪正常样本的干扰性,提高算法的分类精度。最后,选择密度补偿支持向量数据描述(Density Weighted Support Vector Data Description,D-SVDD)、传统SVDD和FastFood算法,在不同试验池塘的多个测试数据集中进行对比试验。结果表明,改进SVDD算法具有较高的检测性能,该算法在3口池塘的最高异常检测正确率TPR(True Positive Rate)值达到99.83%,最高检测准确率Accuracy达到99.83%,明显优于D-SVDD和传统SVDD算法,且最低运行时间仅1.34 s。结果可为水质数据流异常监测提供技术支持。

基于地面高光谱遥感的稻纵卷叶螟为害下的水稻LAI估算模型研究

为了有效监测稻纵卷叶螟的为害状况及其对水稻生长发育产生的危害,本研究通过开展连续的定点大田观测实验,对稻纵卷叶螟虫情及其为害状况进行调查,通过观测水稻冠层光谱反射率和叶面积指数(LAI)等,分析水稻冠层光谱反射率、植被指数与LAI的相关性,筛选出与LAI相关系数高的光谱特征波段和植被指数,构建了多因子LAI估算模型,并利用实测数据进行验证。结果证明模型拟合效果理想,可为我国更好地开展水稻生产监测提供参考。

融合地面高光谱和高分二号卫星遥感监测数据的稻纵卷叶螟危害估算

通过对大田稻纵卷叶螟为害情况进行系统观测,测定不同生育期稻纵卷叶螟不同危害程度下的水稻叶绿素相对含量(Soil and Plant Analyzer Development,SPAD),并对水稻SPAD与冠层原始光谱反射率、冠层一阶光谱率以及植被指数进行相关性分析,利用相关性高的光谱特征波段的植被指数建立SPAD估算模型。建立水稻拔节期植被指数与SPAD的关系模型,利用高分二号遥感数据反演地面水稻生长的SPAD值,并使用地面实测点数据对反演数据进行精度验证。主要研究结果如下:(1)不同生育期不同稻纵卷叶螟危害程度下的水稻SPAD与水稻冠层一阶光谱反射率的相关性高于与原始冠层光谱反射率的相关性,光谱敏感波段主要位于红光和近红外波段,SPAD与各种植被指数之间存在显著的相关性。(2)不同生育期不同稻纵卷叶螟危害程度下的SPAD多元逐步回归估算模型的拟合效果好于单因子估算模型,且2种模型均在拔节期拟合效果最好。(3)根据高分二号遥感的波段范围计算出的7个宽波段植被指数与SPAD的相关性比较好,多元逐步线性回归模型的拟合效果优于单变量模型。(4)基于高分二号数据建立的R2最高的模型反演出的SPAD与地面实测的SPAD具有显著的线性相关关系,这表明利用高分二号数据进行地面SPAD遥感反演是可行的,为准确评估稻纵卷叶螟危害程度提供了新的思路和方法。