排序方式： 共有4条查询结果，搜索用时 0 毫秒
1
1.
2.
以东北水稻为研究对象,以提高叶绿素估测精度和模型可解释性为目标,提出了一种混合建模方法。以PROSAIL辐射传输机理模型为基础,模拟水稻冠层光谱,建立叶绿素含量的查找表,初步估测叶绿素含量,并采用最小二乘支持向量机(LSSVM)建立误差模型,对PROSAIL模型偏差进行补偿,弥补PROSAIL建模时产生的误差。为验证模型的估测能力,选取13种与作物叶绿素关系较为密切的植被指数,通过不同统计模型的模拟分析,筛选出4种较优的植被指数,分别建立单因子输入的最优预测模型(GNDVI、RSI、(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))的乘幂模型及MCARI的指数模型)。以4种植被指数作为输入,利用偏最小二乘法(PLS)、LSSVM回归法、BP神经网络及本文提出的混合建模方法分别构建水稻叶绿素含量多因子预测模型,并进行估测和验证。结果表明,相比单因子输入的最优预测模型,混合模型具有较低的预测偏差,其建模集R~2=0. 740 6,RMSE为0. 985 2 mg/dm~2,验证集R~2=0. 733 2,RMSE为1. 084 3 mg/dm~2。与采用其他多因子预测模型相比,本文方法具有较高的估测精度和良好的鲁棒性。另外,混合建模方法以PROSAIL模型为基础,物理意义较为明确,提高了预测模型的可解释性。本文可为作物叶绿素含量估测提供新的思路和方法,为诊断水稻氮营养含量和监测水稻长势提供参考。 相似文献
3.
为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练... 相似文献
4.
温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s）,RMSE为0.7214μmol/（m2·s）。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。 相似文献
1