基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

基于深度学习的玉米和大豆期货价格智能预测

玉米和大豆为同季旱粮作物,“争地”矛盾十分突出,同时掌握玉米和大豆两者的价格是必要的。相较于现货,农产品期货价格具有价格发现功能。因此,玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性,通过相关性计算和格兰杰因果检验,发现玉米和大豆期货具有较强的正向相关性,且大豆期货价格是玉米期货价格的格兰杰原因;其次,基于长短时记忆（Long Short-Term Memory,LSTM）模型对玉米和大豆期货价格进行预测,并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明,与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model,ARIMA）和支持向量回归模型（Support Vector Regression,SVR）相比,LSTM模型在各项指标中均为更优,而与单一的LSTM模型相比,加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中,玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error,MAE）分别提升3.8%和3.3%,均方根误差（Root Mean Square Error,RMSE）分别提升0.6%和1.8%,平均绝对百分误差（Mean Absolute Percentage Error,MAPE）分别提升4.8%和2.9%,证明了Attention机制的加入可以帮助模型提取有效信息,提升性能。最后,使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格,MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明,本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测,相较于通用预测模型,Attention-LSTM模型能够提高大豆和玉米期货价格预测精度,且结合相关农产品期货价格数据,可以提升单个农产品期货模型的预测性能。     

融合田间水热因子的甘蔗产量GA-BP预测模型

甘蔗产量预测对于制定甘蔗生长期间的精准管理决策具有重要意义。遗传算法(Genetic algorithm,GA)优化神经网络可以提高预测效率及预测精度,通过高速计算快速找到最优解。基于湛江观测实验站2011—2020年间田间物联网获取的气象因子（大气相对湿度、大气温度、降雨量）、田间水热因子及甘蔗产量,采用BP神经网络及GA-BP神经网络模型对所选地区甘蔗产量进行预测与相关性分析。结果表明,通过Pearson及Spearman相关系数可知,甘蔗产量与月土壤最高温度、月土壤最低温度、月土壤平均温度、月大气最高温度、月大气平均温度、月大气平均相对湿度为极显著相关,相关系数高于0.7,与月土壤平均含水率、月降雨量显著相关,与月大气最低温度相关性较弱。GA-BP神经网络模型对甘蔗产量的预测精度明显高于BP神经网络模型,R2达到0.8428,MAPE仅为0.90%,RMSE为1.10t/hm2,预测值与试验值之间拟合程度较高,V型交叉验证结果表明模型预测结果准确稳定。因此,GA-BP模型能够更加科学、合理地预测甘蔗产量,对甘蔗田间管理措施及统筹分配具有重要的指导意义。     

加气灌溉下土壤呼吸与环境因子相关性研究

为探明加气灌溉技术对土壤呼吸速率的影响及调控机制,完善加气灌溉技术下土壤呼吸排放机理,以国家土壤质量湛江观测实验站为平台开展为期3年（2019—2021年）的定位试验,每年开展2次试验观测,研究加气灌溉（Aerated irrigation,AI）和不加气灌溉（CK）两种处理对土壤呼吸速率、土壤温度、含水率、含氧量、土壤细菌生物量及根系生物量的影响,采用偏最小二乘回归分析（Partial least square regression analysis,PLSR）方法建立两种处理下土壤呼吸速率与土壤温度、含水率、含氧量、土壤细菌生物量及根系生物量的回归方程,筛选出加气灌溉技术下影响土壤呼吸速率变化的主要土壤环境因子。研究结果表明,AI处理后土壤呼吸速率和土壤含氧量分别提高12.30%~20.54%和19.90%~25.70%,同时植株根系生物量和土壤细菌生物量分别提高15.30%~22.67%和35.10%~69.17%,土壤含水率降低3.36%~14.30%,不同处理对土壤温度影响不显著。回归拟合结果表明,两种处理下土壤呼吸速率与土壤温度、土壤含水率均呈二次多项式负相关关系,与土壤含氧量呈线性正相关,与根系生物量呈幂函数正相关,与土壤细菌生物量呈指数正相关。PLSR模型的变量重要性投影（Variable importance for projection,VIP）值表明土壤温度（VIP值为1.48）、土壤含氧量（VIP值为1.40）、根系生物量（VIP值为1.25）和细菌生物量（VIP值为1.09）是影响土壤呼吸速率变化的主要影响因子,加气灌溉技术可以通过改变土壤含氧量、根系生物量及细菌生物量对土壤呼吸速率产生驱动作用。研究结果可为完善加气灌溉下土壤呼吸速率变化响应机理、合理制定有效的土壤碳排放调控管理措施提供理论依据。     

基于SSA-PSO-LSTM模型的羊舍相对湿度预测技术

羊舍湿度过高或过低都会直接威胁肉羊健康生长,及时掌握湿度变化趋势并提前调控是确保规模化肉羊无应激环境下健康养殖的关键。为提高湿度预测精度,提出了基于奇异谱分析（SSA）、粒子群优化算法（PSO）、长短时记忆网络（LSTM）的羊舍湿度非线性组合预测模型。利用SSA分离出正常序列和噪声序列,将原始序列转换为平滑序列;其次通过PSO不断迭代优化确定LSTM的最优参数组合,降低LSTM的训练成本;最终依据优化参数建立组合预测模型分别对两序列进行预测,模型结果之和为最终预测结果。利用该模型对新疆维吾尔自治区2021年3月17—27日期间的羊舍空气相对湿度进行预测,结果表明,该组合预测模型具有良好的泛化性、稳定性和收敛性。与标准的ELM、SVR、LSTM、PSO-LSTM、EMD-PSO-LSTM等模型相比,本文提出的SSA-PSO-LSTM组合模型具有更高的预测精度,其均方误差、平均绝对误差和决定系数分别为1.127%2、0.803%和0.988。     

基于长短时记忆网络（LSTM）的蟹塘溶解氧估算优化方法

水中溶解氧含量低会影响螃蟹的成活率,保证低溶解氧时刻溶解氧的预测精度非常重要。目前,溶解氧传感器价格昂贵且易遭受腐蚀,因此通过相关变量来间接估计溶解氧浓度有重要的意义。本研究在长短时记忆网络（LSTM）模型的基础上,优化LSTM反向传播时的损失函数,提出了提高低溶解氧含量估算精度的溶解氧预测模型（LDO-LSTM）。LDO-LSTM的损失函数是在平均绝对百分比误差（MAPE）基础上,根据溶解氧值的变化趋势和溶解氧浓度大小,分别赋予不同权值的权重函数,并通过均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估LDO-LSTM和LSTM在不同范围的溶解氧估算能力。对模型的测试试验结果表明：在溶解氧高于6mg/L时,LDO-LSTM和LSTM的RMSE、MAPE差值稳定在0.1左右;在溶解氧低于6mg/L时,LDO-LSTM的RMSE值和MAPE值分别比LSTM低0.25和0.139,说明了LDO-LSTM网络不但可以保证整体溶氧预测精度,而且能够提高较低溶解氧值的估算精度。本研究对于降低水产养殖成本、提高溶解氧估算精度有着重要的作用。     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧（DO）浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM）的对虾养殖溶解氧浓度组合预测模型。首先采用经验模态分解（EMD）对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量（IMF）;然后分别采用长短时记忆神经网络（LSTM）和随机森林（RF）对高、低频不同尺度IMF进行建模;最后结合各分量预测结果构建叠加模型,实现对溶解氧浓度时序数据的综合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用,在基于真实数据集的性能测试中,经验模态分解后EMD-ELM模型与极限学习机（ELM）模型对比,平均绝对误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和,EMD-RF-LSTM模型预测的精度指标MAPE、RMSE和MAE分别为0.0129、0.1156和0.0844,其中关键指标MAPE较EMD-ELM、EMD-RF和EMD-LSTM分别降低了84.07%、57.57%和49.81%,预测精度显著提高。结果表明,本研究针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能,表明本研究模型具有较高的预测精度,能够较准确地实现对虾养殖水体中溶解氧浓度预测。     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一，具有时序性、不稳定性和非线性等特点，且其影响因子过多、存在复杂的耦合关系，难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据，且在训练过长序列时会出现梯度消失现象，从而不能捕捉因子间长期的依赖性问题，提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先，使用WT降低数据噪声；然后，使用CNN深度挖掘各变量之间的潜在关系；最后，利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明，本文提出的WT-CNN-LSTM模型预测效果良好，其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954，比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解（CEEMDAN）对原始数据进行分解,再利用变分模态分解（VMD）对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法（SSA）对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差（RMSE）是0.105 3,平均绝对误差（MAE）是0.081 5,决定系数（R2）是0.947 1,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕...     

土壤耕作层含氧量对黄瓜叶片生长特性的影响

为探究土壤耕作层不同深度含氧量对黄瓜各生育期叶片生长特性的影响,在大棚里进行盆栽试验,采用不同增氧灌溉方式(A2处理:每2 h加氧灌溉,A4处理:每4 h加氧灌溉,A8处理:每8 h加氧灌溉,CK:不加氧处理)对黄瓜各生育期进行增氧处理。测定土壤耕作层不同深度的含氧量和黄瓜不同生育期叶片叶绿素量、叶片中可溶性糖和可溶性蛋白质以及光合指标(净光合速率,气孔导度,胞间二氧化碳通量,蒸腾速率)。在黄瓜幼苗期,叶片叶绿素量、可溶性糖和可溶性蛋白质以及光合指标表现为A4处理A2处理A8处理CK,而初花期和结瓜期,表现为A2处理A4处理A8处理CK。在幼苗期时,土壤耕作层含氧量并不是越高越好,适量的氧气可以有效地促进叶片生长;在初花期与结瓜期,土壤耕作层含氧量越高越利于促进叶片生长。土壤耕作层含氧量与叶绿素量、叶片可溶性糖和可溶性蛋白质量以及光合速率呈明显正相关关系。     

保护性耕作下土壤水分变化特征模拟研究

为了对陇中黄土高原沟壑区不同保护性耕作措施下的土壤含水率进行差异性分析,利用长期定位试验,设置春小麦/豌豆、豌豆/春小麦轮作序列下传统耕作、免耕、传统耕作秸秆覆盖和免耕覆盖4种耕作措施,以当地月平均气温、月降水量、月平均辐射量、月平均蒸发量、月作物耗水量作为输入,以0~200 cm土层土壤含水率作为输出,建立基于长短期记忆(Long short-term memory,LSTM)神经网络的土壤含水率预测模型,并对模型的有效性进行评估,然后利用该模型模拟4种耕作措施下0~200 cm土层土壤含水率的动态变化过程。结果表明,基于LSTM神经网络建立的土壤含水率模型对陇中黄土高原沟壑区保护性耕作下土壤含水率预测具有较好的适用性,其模拟值与实测值的平均均方根误差为2.29%、平均相对误差为6.79%、平均决定系数为0.82。豌豆/春小麦轮作序列中4种耕作措施下的土壤含水率比春小麦/豌豆轮作序列的土壤含水率增加1.49%、1.61%、1.69%和1.76%,4种耕作措施下0~200 cm土层的土壤含水率由大到小依次为:免耕覆盖、免耕、传统耕作秸秆覆盖、传统耕作,免耕覆盖下的土壤含水率分别比免耕、传统耕作秸秆覆盖和传统耕作增加1.27%、1.75%和2.81%。免耕覆盖对0~30 cm土层土壤含水率的影响最为显著,其土壤含水率分别比免耕、传统耕作秸秆覆盖和传统耕作平均增加1.60%、2.63%和4.18%。4种耕作措施下的土壤含水率随季节发生变化,免耕覆盖下的土壤含水率整体高于其他3种耕作措施,且在作物生长前期的蓄水保墒效果更加显著。研究区豌豆/春小麦轮作序列中4种耕作措施的土壤含水率相对较高,而不同耕作措施下免耕覆盖更有利于提高该地区农田土壤水分,为陇中黄土高原沟壑区最适宜的耕作方式。     

基于GWO-LSTM的设施蔬菜温室温度预测

温度是设施生产中作物生长的主要制约因素之一,提前预测温室温度对精准调控温室环境具有重要的指导意义。因此提出一种基于灰狼优化算法的长短期记忆网络模型预测温室温度,该模型利用灰狼优化算法(Grey Wolf Optimizer,GWO)对长短期记忆网络(Long Short Term Memory,LSTM)模型参数进行调整优化。以江苏省农业科学院阳光板温室2020年9月23日—12月21日期间的试验数据对该方法进行验证。结果显示：在预测时间步长30 min时,GWO-LSTM 的预测均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.677 6、0.411 4、0.168 7和0.960 4。在预测时间步长60 min内,GWO-LSTM模型预测精度均高于标准LSTM和反向传播人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)。说明所提出的GWO-LSTM模型能够准确地预测未来温室内温度变化,可为制定温室环境智能调控策略提供有效的数据支撑。     

基于LSTM算法的智能节水灌溉预测模型研究

针对当前农田灌溉缺乏科学技术指导、水资源浪费严重的现状,为提高灌溉用水的利用效率,在智慧农业灌溉系统体系结构的基础上,提出了一种基于LSTM算法的智慧农业灌溉预测模型,可根据作物生长需求、生长环境和种植土壤等数据实现精准灌溉,能够最大程度地节约水资源.通过实验对LSTM灌溉预测模型与传统灌溉预测模型的预测值进行对比分析...     

水肥气耦合滴灌提高温室番茄土壤通气性和水氮利用

【目的】探索温室作物水肥气耦合滴灌下掺气量、灌水量和施氮量适宜组合方案,为提高水氮利用效率提供理论依据。【方法】设置施氮量(低氮和常氮)、掺气量(常规滴灌和曝气滴灌)和灌水量(低水量和高水量)3因素2水平随机区组试验,以地下滴灌为供水方式,通过系统监测土壤水分饱和度、氧气扩散速率(ODR)、氧化还原电位(Eh)、矿质氮量及作物水氮利用等指标,研究了水肥气耦合滴灌对温室番茄土壤通气性及水氮利用的影响。【结果】与常规滴灌相比,高水量条件下曝气处理的土壤水分饱和度有所降低,ODR和Eh显著提高。灌水量、施氮量和掺气量影响土壤矿质氮量,曝气滴灌下土壤硝态氮和铵态氮量较常规滴灌平均降低21.4%和15.5%(P<0.05),高水量处理土壤硝态氮和铵态氮量较低水量处理平均降低22.7%和14.7%(P<0.05),常氮处理土壤硝态氮和铵态氮量较低氮处理平均增加29.0%和17.8%(P<0.05)。高水量和常氮条件下番茄灌溉水利用效率较低水量、低氮处理平均降低6.7%和增加40.9%(P<0.05),高水量和常氮条件下番茄氮素吸收利用效率较低水量、低氮处理平均增加13.6%和12.7%(P<0.05),曝气滴灌下番茄灌溉水利用效率和氮素吸收利用效率较常规滴灌平均增加22.9%和12.4%(P<0.05)。【结论】水肥气耦合滴灌可有效改善土壤通气性,提高水氮利用效率,促进番茄生长,实现作物增产。本试验中,常氮曝气高水量处理是温室番茄适宜的水肥气组合方案。     

基于堆叠式LSTM与熵值法的苹果价格组合预测模型研究

为提高苹果价格的预测精度,提出一种将长短期记忆模型(LSTM)与熵值法相结合的新方法。发挥LSTM的自身学习特性,以及熵值法的客观拟合特征信息特点,研究构建堆叠式LSTM与熵值法结合的组合模型。对比分析多个组合模型的预测性能,试验结果显示,苹果价格存在较为明显的空间传导效应,空间传导效应对价格波动产生显著影响。加入价格空间传导效应的堆叠式多层LSTM与熵值法相结合的组合模型预测精度对比LSTM提高18.81%,在苹果价格预测方面的效果表现良好。最后,基于优化后的组合模型对苹果价格进行预测,验证组合模型的有效性。     

基于可见光谱的不同质地土壤有机质快速测定

在可见光区域内对不同质地土壤(粘土、砂土、壤土)共156个样本的光谱特性进行了研究,并建立了不同质地土壤间有机质含量的互测模型。为了消除土壤质地对有机质含量预测的影响,引入了正交信号处理(OSC)谱图预处理方法。结果表明:粘土和壤土作为建模样本建立的土壤有机质偏最小二乘(PLS)和OSC-PLS校正模型的相关系数分别为0.809和0.823;砂土和壤土分别为0.837和0.734;粘土和砂土相应值分别为0.887和0.823。采用上述模型对另一质地土壤有机质含量进行预测,砂土的相关系数分别为0.572和0.864;粘土的相应值分别为0.555和0.540;壤土的相应值分别为0.643和0.721。预测效果说明OSC预处理可提高不同质地间土壤有机质的互预测能力。     

Philip入渗模型参数的非线性预报模型

利用黄土高原区大田耕作土壤的水分入渗试验过程资料,拟合了Philip入渗模型参数,建立了以土壤体积含水率、干密度、粉、黏粒含量和有机质含量等土壤理化参数为输入变量,Philip入渗模型参数为输出变量的土壤传递函数,通过对函数的分析、检验,建立了土壤入渗参数S和A的多元非线性预测模型;在此基础上,运用灰色关联分析理论,将各输入变量进行了灰色排序。研究表明:用土壤体积含水率、干密度、粉粒含量、黏粒含量和有机质含量作为预报模型的输入参数可实现对入渗参数的预测,预测参数实测值与预测值之间的相对误差可控制在8%以下,所建立的非线性预测模型高度相关。