CN107025505A - 一种基于主成分分析和神经网络的水稻需水量预测方法 - Google Patents
一种基于主成分分析和神经网络的水稻需水量预测方法 Download PDFInfo
- Publication number
- CN107025505A CN107025505A CN201710278851.6A CN201710278851A CN107025505A CN 107025505 A CN107025505 A CN 107025505A CN 201710278851 A CN201710278851 A CN 201710278851A CN 107025505 A CN107025505 A CN 107025505A
- Authority
- CN
- China
- Prior art keywords
- paddy
- growth
- principal component
- characteristic
- component analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 31
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000007935 neutral effect Effects 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 12
- 235000009566 rice Nutrition 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 19
- 241000209094 Oryza Species 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 claims description 3
- 244000038559 crop plants Species 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
Abstract
本发明公开了一种基于主成分分析和神经网络的水稻需水量预测方法,首先获取实验地区作物生长过程中的各项影响因子数据并进行预处理,然后对根据气象条件、生长环境条件、自身生长特性这三个方面从水稻生长过程中的影响因子数据中选取特征进行基于特征数阈值调整的主成分分析,从而找到不同的特征组合,对不同的特征组合训练粒子群算法优化的RBF神经网络模型,找出准确率最高的权重迭代参数和特征组合,从而构建的RBF神经网络模型能够实现水稻整个生长过程中缺水状况程度预测,高效快速、且预测结果准确。
Description
技术领域
本发明涉及数据挖掘领域,具体是一种基于主成分分析和神经网络的水稻需水量预测方法。
背景技术
数据挖掘理论已经应用在各个领域,目前比较成熟的就有银行、电信、保险、交通、零售(如超级市场)等商业领域,也体现在智能农业、自然资源分析、天气预报、环境监测和生理病变研究等许多领域。在农业方面,如作物需水量的预测,能够通过大数据手段,检测某一个地区农作物的生长情况和灌溉指导。
以上所述数据挖掘理论技术的应用多是针对自然生长的部分作物进行研究处理,而且目前没有专门的针对水稻需水量预测方法,多是依赖人工进行作物的干旱状况检测,缺乏智能化。在水稻需水量预测准确率和特征维度大而带来的时间代价这二者之间的此消彼长不能真正运用于预测***开发。
发明内容
本发明要解决的技术问题是提供一种基于主成分分析和神经网络的水稻需水量预测方法,解决水稻传统人工制定灌溉需水量存在误差较大的情况下带来的水资源浪费问题,高效预测大田水稻生长过程中的缺水情况、提供预报预警信息。
本发明的技术方案为:
一种基于主成分分析和神经网络的水稻需水量预测方法,具体包括有以下步骤:
(1)、获取实验地区水稻生长过程中的各项影响因子数据,用于构建神经网络模型的训练集和测试集,通过预测准确率来评判所构建的神经网络模型的好坏;
(2)、对获取的水稻生长过程中的影响因子数据进行补全、插值、去噪和归一化处理;
(3)、根据气象条件、生长环境条件、自身生长特性这三个方面从水稻生长过程中的影响因子数据中选取特征,并从这三个方面分别进行基于特征数阈值调整的主成分分析,从而找到不同的特征组合;
(4)、对不同的特征组合进行RBF神经网络模型的构建,首先基于粒子群算法对采用的RBF神经网络进行优化处理,通过调整神经网络神经元连接之间的权重参数和迭代参数,找出准确率最高的权重参数和迭代参数,根据找出的权重参数、迭代参数和特征组合所构建的最佳的RBF神经网络模型对水稻整个生长过程中缺水状况程度进行预测,得到水稻需求量的预测结果。
所述的水稻生长过程中的影响因子数据包括有日照时数,日平均气温,日最高气温,日最低气温,日平均风速,平均相对湿度,最大相对湿度,最小相对湿度,作物表层辐射量,叶片饱和水汽压,叶片实际水汽压,叶片面积,作物植株高度,作物种植密度,地表反射量,土壤热通量,土壤容重,土壤酸碱度,土壤持水量和土壤沙化率。
所述的气象条件的特征分量包括有日平均气温、日最高气温,日最低气温,日平均相对湿度、最大相对湿度、最小相对湿度、日照时数、风速和作物表层辐射量;所述的生长环境条件的特征分量包括有水稻生长土壤容重、田间土壤持水量、土地沙化率和土壤热通量;所述的自身生长特性的特征分量包括有物种植密度,植株高度和叶片表面实际水汽压。
所述的基于特征数阈值调整的主成分分析具体包括有以下步骤:对气象条件的特征分量进行主成分贡献率计算,选取其有效特征值;对生长环境条件的特征分量进行主成分贡献率计算,选取其有效特征值;对自身生长特性的特征分量进行主成分贡献率计算,选取其有效特征值;获得三个方面的有效特征进行不同特征组合,具体是通过基于有效特征值个数阈值调整的PCA计算,通过不同的特征值个数阈值调整和取值,可以得到不同的特征组合。
所述的基于粒子群算法对采用的RBF神经网络进行优化处理的具体步骤如下:首先确定RBF神经网络的隐藏层层数,随机产生一群粒子,编码确定粒子群规模和参数初始值,并进行粒子位置、速度的初始随机化,然后对粒子位置进行优劣判断,更新粒子个体极值和粒子群全局极值,从而调整粒子空间速度和飞行速度,最后当训练出预测模型满足最大迭代次数和最小适应阈值时,即粒子的迭代次数不超过最大迭代次数、适应阈值大于最小适应阈值时,得到准确率最高的权重参数和迭代参数。
本发明的优点:
本发明获取实验地区作物生长过程中的各项影响因子数据并进行预处理,然后对根据气象条件、生长环境条件、自身生长特性这三个方面从水稻生长过程中的影响因子数据中选取特征进行基于特征数阈值调整的主成分分析,从而找到不同的特征组合,对不同的特征组合训练粒子群算法优化的的RBF神经网络模型,找出准确率最高的权重迭代参数和特征组合,从而构建的RBF神经网络模型能够实现水稻整个生长过程中缺水状况程度预测,高效快速、且预测结果准确。
附图说明
图1是本发明的流程图。
图2是本发明基于粒子群算法对RBF神经网络进行优化的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
见图1,一种基于主成分分析和神经网络的水稻需水量预测方法,具体包括有以下步骤:
(1)、获取实验地区水稻生长过程中的各项影响因子数据(包括有日照时数,日平均气温,日最高气温,日最低气温,日平均风速,平均相对湿度,最大相对湿度,最小相对湿度,作物表层辐射量,叶片饱和水汽压,叶片实际水汽压,叶片面积,作物植株高度,作物种植密度,地表反射量,土壤热通量,土壤容重,土壤酸碱度,土壤持水量和土壤沙化率),用于构建神经网络模型的训练集和测试集,通过预测准确率来评判所构建的神经网络模型的好坏;
(2)、对获取的水稻生长过程中的影响因子数据进行补全、插值、去噪和归一化处理;
(3)、根据气象条件(气象条件的特征分量包括有日平均气温、日最高气温,日最低气温,日平均相对湿度、最大相对湿度、最小相对湿度、日照时数、风速和作物表层辐射量)、生长环境条件(生长环境条件的特征分量包括有水稻生长土壤容重、田间土壤持水量、土地沙化率和土壤热通量)、自身生长特性(自身生长特性的特征分量包括有物种植密度,植株高度和叶片表面实际水汽压)这三个方面从水稻生长过程中的影响因子数据中选取特征,并从这三个方面分别进行基于特征数阈值调整的主成分分析,从而找到不同的特征组合;
(4)、对不同的特征组合进行RBF神经网络模型的构建,首先基于粒子群算法对采用的RBF神经网络进行优化处理,通过调整神经网络神经元连接之间的权重参数和迭代参数,找出准确率最高的权重参数和迭代参数,根据找出的权重参数、迭代参数和特征组合所构建的最佳的RBF神经网络模型对水稻整个生长过程中缺水状况程度进行预测,得到水稻需求量的预测结果。
其中,基于特征数阈值调整的主成分分析具体包括有以下步骤:对气象条件的特征分量进行主成分贡献率计算,选取其有效特征值,其有效特征值个数为2-3个;对生长环境条件的特征分量进行主成分贡献率计算,选取其有效特征值,其有效特征值为2-3个;对自身生长特性的特征分量进行主成分贡献率计算,选取其有效特征值,其有效特征值为3-4个;因此,气象影响因素方面的特征值个数取值为2和3,生长环境影响因素方面特征值个数取值为2和3,自身生长特性影响因素方面特征值个数取值为3和4。这样,不同的取值可以得到不同的特征组合;特征组合是指通过基于有效特征值个数阈值调整的PCA计算,通过不同的特征值个数阈值调整和取值,可以得到8种不同的特征组合,特征集标记为T1-T8。
其中,见图2,基于粒子群算法对采用的RBF神经网络进行优化处理的具体步骤如下:首先确定RBF神经网络的隐藏层层数,随机产生一群粒子,编码确定粒子群规模和参数初始值,并进行粒子位置、速度的初始随机化,然后对粒子位置进行优劣判断,更新粒子个体极值和粒子群全局极值,从而调整粒子空间速度和飞行速度,最后当训练出预测模型满足最大迭代次数和最小适应阈值时,即粒子的迭代次数不超过最大迭代次数、适应阈值大于最小适应阈值时,得到优化后的RBF神经网络参数,即准确率最高的权重参数和迭代参数。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于主成分分析和神经网络的水稻需水量预测方法,其特征在于:具体包括有以下步骤:
(1)、获取实验地区水稻生长过程中的各项影响因子数据,用于构建神经网络模型的训练集和测试集,通过预测准确率来评判所构建的神经网络模型的好坏;
(2)、对获取的水稻生长过程中的影响因子数据进行补全、插值、去噪和归一化处理;
(3)、根据气象条件、生长环境条件、自身生长特性这三个方面从水稻生长过程中的影响因子数据中选取特征,并从这三个方面分别进行基于特征数阈值调整的主成分分析,从而找到不同的特征组合;
(4)、对不同的特征组合进行RBF神经网络模型的构建,首先基于粒子群算法对采用的RBF神经网络进行优化处理,通过调整神经网络神经元连接之间的权重参数和迭代参数,找出准确率最高的权重参数和迭代参数,根据找出的权重参数、迭代参数和特征组合所构建的最佳的RBF神经网络模型对水稻整个生长过程中缺水状况程度进行预测,得到水稻需求量的预测结果。
2.根据权利要求1所述的一种基于主成分分析和神经网络的水稻需水量预测方法,其特征在于:所述的水稻生长过程中的影响因子数据包括有日照时数,日平均气温,日最高气温,日最低气温,日平均风速,平均相对湿度,最大相对湿度,最小相对湿度,作物表层辐射量,叶片饱和水汽压,叶片实际水汽压,叶片面积,作物植株高度,作物种植密度,地表反射量,土壤热通量,土壤容重,土壤酸碱度,土壤持水量和土壤沙化率。
3.根据权利要求1所述的一种基于主成分分析和神经网络的水稻需水量预测方法,其特征在于:所述的气象条件的特征分量包括有日平均气温、日最高气温,日最低气温,日平均相对湿度、最大相对湿度、最小相对湿度、日照时数、风速和作物表层辐射量;所述的生长环境条件的特征分量包括有水稻生长土壤容重、田间土壤持水量、土地沙化率和土壤热通量;所述的自身生长特性的特征分量包括有物种植密度,植株高度和叶片表面实际水汽压。
4.根据权利要求1所述的一种基于主成分分析和神经网络的水稻需水量预测方法,其特征在于:所述的基于特征数阈值调整的主成分分析具体包括有以下步骤:对气象条件的特征分量进行主成分贡献率计算,选取其有效特征值;对生长环境条件的特征分量进行主成分贡献率计算,选取其有效特征值;对自身生长特性的特征分量进行主成分贡献率计算,选取其有效特征值;获得三个方面的有效特征进行不同特征组合,具体是通过基于有效特征值个数阈值调整的PCA计算,通过不同的特征值个数阈值调整和取值,可以得到不同的特征组合。
5.根据权利要求1所述的一种基于主成分分析和神经网络的水稻需水量预测方法,其特征在于:所述的基于粒子群算法对采用的RBF神经网络进行优化处理的具体步骤如下:首先确定RBF神经网络的隐藏层层数,随机产生一群粒子,编码确定粒子群规模和参数初始值,并进行粒子位置、速度的初始随机化,然后对粒子位置进行优劣判断,更新粒子个体极值和粒子群全局极值,从而调整粒子空间速度和飞行速度,最后当训练出预测模型满足最大迭代次数和最小适应阈值时,即粒子的迭代次数不超过最大迭代次数、适应阈值大于最小适应阈值时,得到准确率最高的权重参数和迭代参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710278851.6A CN107025505A (zh) | 2017-04-25 | 2017-04-25 | 一种基于主成分分析和神经网络的水稻需水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710278851.6A CN107025505A (zh) | 2017-04-25 | 2017-04-25 | 一种基于主成分分析和神经网络的水稻需水量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107025505A true CN107025505A (zh) | 2017-08-08 |
Family
ID=59528166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710278851.6A Pending CN107025505A (zh) | 2017-04-25 | 2017-04-25 | 一种基于主成分分析和神经网络的水稻需水量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025505A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
CN109934400A (zh) * | 2019-03-08 | 2019-06-25 | 河北工程大学 | 基于改进神经网络的集雨调亏作物需水量预测方法 |
CN111221880A (zh) * | 2020-04-23 | 2020-06-02 | 北京瑞莱智慧科技有限公司 | 特征组合方法、装置、介质和电子设备 |
CN114528040A (zh) * | 2022-01-26 | 2022-05-24 | 高新兴科技集团股份有限公司 | 环境自适应方法、装置、介质及路侧感知与计算*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1631098A (zh) * | 2003-12-25 | 2005-06-29 | 中国农业大学 | 一种非充分灌溉预报与控制方法 |
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测***及检测方法 |
CN102163301A (zh) * | 2011-04-12 | 2011-08-24 | 上海大学 | 基于bp人工神经网络的农作物害虫发生量的预测方法 |
CN105184400A (zh) * | 2015-08-31 | 2015-12-23 | 中国烟草总公司广东省公司 | 一种烟田土壤水分预测方法 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及*** |
CN106557658A (zh) * | 2016-11-10 | 2017-04-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种气候变化背景下灌溉需水量计算***及其方法 |
-
2017
- 2017-04-25 CN CN201710278851.6A patent/CN107025505A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1631098A (zh) * | 2003-12-25 | 2005-06-29 | 中国农业大学 | 一种非充分灌溉预报与控制方法 |
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测***及检测方法 |
CN102163301A (zh) * | 2011-04-12 | 2011-08-24 | 上海大学 | 基于bp人工神经网络的农作物害虫发生量的预测方法 |
CN105184400A (zh) * | 2015-08-31 | 2015-12-23 | 中国烟草总公司广东省公司 | 一种烟田土壤水分预测方法 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及*** |
CN106557658A (zh) * | 2016-11-10 | 2017-04-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种气候变化背景下灌溉需水量计算***及其方法 |
Non-Patent Citations (1)
Title |
---|
刘婧然: ""人工神经网络智能节水灌溉浅析"", 《吉林水利》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
CN109934400A (zh) * | 2019-03-08 | 2019-06-25 | 河北工程大学 | 基于改进神经网络的集雨调亏作物需水量预测方法 |
CN109934400B (zh) * | 2019-03-08 | 2023-05-16 | 河北工程大学 | 基于改进神经网络的集雨调亏作物需水量预测方法 |
CN111221880A (zh) * | 2020-04-23 | 2020-06-02 | 北京瑞莱智慧科技有限公司 | 特征组合方法、装置、介质和电子设备 |
CN114528040A (zh) * | 2022-01-26 | 2022-05-24 | 高新兴科技集团股份有限公司 | 环境自适应方法、装置、介质及路侧感知与计算*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112602563B (zh) | 一种节水灌溉***及精准灌溉方法 | |
Tshiala et al. | Analysis of temperature trends over Limpopo province, South Africa | |
CN107025505A (zh) | 一种基于主成分分析和神经网络的水稻需水量预测方法 | |
CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN106557658A (zh) | 一种气候变化背景下灌溉需水量计算***及其方法 | |
WO2023179167A1 (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
Zhou et al. | A simulation of winter wheat crop responses to irrigation management using CERES-Wheat model in the North China Plain | |
CN109978234A (zh) | 墒情预测、灌溉决策方法和装置 | |
CN104378771B (zh) | 盲点预测农田时变异构网络节点部署与交互调度方法 | |
CN112837169A (zh) | 一种干旱过程网格化旱情综合监测、预警与评估方法 | |
Deng et al. | Economics of land degradation in China | |
Zhang et al. | Research on the optimal allocation of agricultural water and soil resources in the Heihe River Basin based on SWAT and intelligent optimization | |
Hapuarachchi et al. | Investigation of the Mekong River basin hydrology for 1980–2000 using the YHyM | |
CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN110458438A (zh) | 植被水分利用效率wue的影响因子的计算方法及装置 | |
CN113873459B (zh) | 土壤成分采集的多传感器优化部署方法 | |
Silva et al. | Yield response factor (ky) for winter corn crop in the region of dourados, MS, Brazil | |
Wang et al. | Spatiotemporal variations in drought and waterlogging and their effects on maize yields at different growth stages in Jilin Province, China | |
Barkey et al. | Model of climate and LAND-USE changes impact on water security in Ambon city, Indonesia | |
CN115033833B (zh) | 一种农业灌溉用水定额计算*** | |
Chen et al. | Review of research on irrigation decision control | |
Huang et al. | Nonlinear relationships of runoff and sediment yield with natural and anthropogenic factors at event scale | |
Treder et al. | Machine learning for supporting irrigation decisions based on climatic water balance | |
Deng et al. | Computer-Based Estimation System for Land Productivity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170808 |