一、粮食产量预测的因子处理和建模方法（论文文献综述）
王启阳[1]（2021）在《基于机器学习的储粮品质预测方法及应用研究》文中研究指明粮食是关系国计民生的战略物资,是人类赖以生存的必需品。粮食安全关涉经济发展、社会稳定,是国家安全的重要基础。粮食储备是保障国家粮食安全的重要物质基础,是从生产到消费中不可或缺的环节。在粮食储备过程中会发生数量损失和质量损失,其中质量损失会造成粮食的变质和腐败,如果人类食用了腐败变质的粮食,会对健康产生不良的影响。因此,研究如何减少储粮质量损失、提高储粮品质在提升国家粮食安全水平、保障人民身体健康等方面具有重要的理论价值和现实意义。随着机器学习方法的不断发展和创新,计算机硬件与软件的快速提升、云计算的逐步应用,机器学习在粮情大数据分析和预测方面的应用前景更加广阔。传统的储粮品质通过物理、化学等实验室检测方法获得,该方法需要经过繁杂的扦样、检测等步骤,增加了储备粮管理的操作决策周期以及粮食严重变质的风险。粮情大数据具有数据采集快、数据量大等特点,本文以机器学习方法为基本思想,提出了2种基于支持向量回归的储粮品质预测模型及其相应的优化算法。在充分考虑储粮数据特性的基础上,选择出相关的储藏因子作为模型的输入特征,对储存期间稻谷的脂肪酸值和品尝评分值的预测展开深入研究,充分发挥了机器学习方法在储粮状态判别与品质预测方面的优势。本文的重要研究结果总结如下:（1）基于粮情数据的储粮品质分析与建模方法研究通过收集大量的储粮数据,对稻谷储藏期间品质的变化规律展开研究。探讨了储粮品质的传统数据拟合方法、机器学习预测方法,对比了传统数据拟合预测方法和机器学习预测方法在储粮品质预测中的优点与不足,讨论了机器学习预测方法在储粮品质预测中的适用性。基于该认知,给出了基于机器学习的储粮品质预测的一般过程,在粮情数据的基础上,给出了建模过程中的输入特征参数、预测目标等问题。（2）数据预处理方法研究对储粮温度历史数据中出现的重复、缺失和异常情况进行了分析和处理,利用均值法修复重复检测数据、采用线性插值法对缺失的温度数据进行修复,提出一种基于滑动窗口的粮温预测算法对异常温度数据进行判断。对粮库经度、纬度、仓房类型、初始水分、测量水分、入仓月份、扦样月份、粮食平均温度、粮仓平均温度、储藏周期、粮食有效积温、粮仓有效积温、初始品尝分值、初始脂肪酸值等储藏因子间的相互作用进行综合分析,确定了储藏因子之间存在着强相关性,采用主成分分析法（PCA）对原始储藏因子进行降维和压缩处理,从14个储藏因子中提取前6个主成分作为新的模型自变量,为储粮品质预测模型的参数选择提供了依据。（3）基于多核学习的储粮品质预测模型单核学习模型的预测精度很大程度上取决于核函数及其参数的选择,而核函数的选择及构造尚未有统一的理论依据,用单一的核函数建立的模型往往难以得到理想的拟合精度。因此,本文在单核支持向量回归（SKSVR）的基础上构建多核支持向量回归（MKSVR）,采用Simple MKL算法对MKSVR模型进行参数寻优,将MKSVR模型用于稻谷储存品质的预测。基于东北地区稻谷储存品质数据集,建立了PCA-MKSVR模型,并与单径向基核函数的PCA-SKSVR模型、线性回归的PCA-MLR模型以及未经过储藏因子筛选的MKSVR模型、SKSVR模型、MLR模型进行了比较。实验结果表明,多核学习模型在预测精度、拟合优度上均优于单核学习模型。对比同类模型,即PCA-MKSVR模型与MKSVR模型、PCA-SKSVR模型与SKSVR模型、MLR模型与PCA-MLR模型进行比较,采用PCA对储藏因子降维处理后的模型,预测精度与拟合优度均高于用原始储藏因子直接建立的预测模型。因此,多核学习模型适用于储藏期间稻谷储存品质的预测。（4）基于多任务与多核学习的储粮品质预测模型常规的单任务学习方法需要对不同的预测模型进行单独训练,往往忽略了多个模型之间来的潜在联系,限制了模型的泛化性能。而多任务学习（MTL）是将多个任务放在一起同时学习,充分挖掘不同任务之间的相关性,实现多个模型或任务之间的信息共享。针对稻谷储存品质的两个关键指标,本文在单任务学习的基础上提出多任务学习的储粮品质预测方法,建立了多任务与多核学习模型（MTMKL）,采用一种基于镜面下降算法的交替优化算法对所提出的模型进行参数优化,并将MTMKL模型用于稻谷储存品质的预测。实验结果表明,MTMKL模型对稻谷脂肪酸值的预测相关系数达到了0.885,对品尝评分值的预测相关系数达到了0.933。相比MKSVR模型,脂肪酸值预测的MAE,RMSE,MAPE结果分别降低了9.48%,6.05%,9.60%,R2提升了0.009;品尝评分值预测的MAE,RMSE,MAPE结果分别降低了11.66%,12.39%,11.97%,R2提升了0.005,这说明MTMKL模型能够有效提高稻谷储存品质的预测精度,可以作为储粮品质预测的一种新方法。（5）储粮安全预警系统的开发与模拟应用通过系统的需求分析和功能设计,设计了储粮安全风险预警策略,预警等级总共可分:Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级。在此基础上,提出储粮安全预警系统的设计框架,基于Lab VIEW语言和机器学习模型,设计和开发了一套储粮安全预警与品质预测软件,实现了储粮品质的预测。以吉林省榆树市某粮库的实际粮仓为例对系统进行了验证,结果表明,系统运行情况良好,对脂肪酸值的预测误差在±1.5 mg/100g以内,品尝评分值预测误差在±1分以内。该系统以粮情大数据和机器学习为基础,实现了对储粮品质的准确、快速预测,大大降低了储粮品质检测过程中的经济成本,降低粮食储存过程中严重变质的风险,为储粮质量的精确控制提供了技术支持,对储粮安全管理具有指导意义。
张海艳[2]（2020）在《基于高光谱遥感的小麦资源利用效率研究》文中指出在稳定作物产量基础上,提高农田水肥及光能资源的利用效率,始终是现代农业发展过程中的关注热点。精准农业是现代农业发展的重要方向,利用高光谱遥感技术监测评价作物生产的资源利用效率是精准农业重要研究方向。本研究以不同年度、地点、品种、灌水频次和氮肥处理等大田试验为依托,综合运用高光谱遥感技术、作物生理及资源效率测定以及现代数据分析方法等手段,着重分析了个同试验条件下小麦冠层光谱与生长效率指标之间的定量关系,通过光谱参数设计与运算,构建了小麦氮肥利用率NUE、光能利用率RUE和水分利用率WUE的敏感参数及其估算模型;同时,采有偏最小二乘法（PLSR）、神经网络（BPNN）、支持向量机（SVM）等方法分别对NUE、RUE和WUE进行估算评价,并确立最佳估算方法。研究结果为农业生产精确栽培调控以及高产高效品种的培育与筛选提供理论指导和技术支持。1 基于高光谱遥感的小麦氮肥利用效率研究为快速、准确获取小麦NUE,首先分析了不同生育时期小麦光合氮素利用效率（PNUE）与NUE之间的定量关系,单个生育时期下两者R2均高于0.676。进一步考察常规植被指数与PNUE之间的关系,营养生长期和生殖生长期数据集不能够相互吻合。通过在SR（760,850）基础上增加净光合速率（PN）的指示波段R680而得到mSR（760,850,680）,然后在mSR（760,850,680）框架上引入浮动系数(1.8+R680/R850),从而减弱了营养生长期土壤背景裸露以及生殖生长期叶面积的影响。该参数命名为氮效率指数（NEI）,综合协同营养生长期和生殖生长期数据集,与PNUE 拟合方程效果较好,决定系数R2=0.765,均方根误差RMSE=0.636。采用独立年份试验对模型进行检验,模型适用性较好。这表明,新参数NEI可以很好的解释PNUE的变化,能够快速指示小麦NUE。2 基于高光谱遥感的小麦光能利用效率研究光能利用效率是陆地生态系统固定碳的重要决定因素,光化学反射植被指数（PRI）是最早基于叶黄素循环被提出的用于估算RUE的光谱参数,但是PRI与RUE之间的关系在不同环境条件下不够稳定。为提高利用PRI估算RUE的精度,系统分析大田试验光谱数据与生理指标之间的关系,发现类胡萝卜素（Car）与叶绿素（Chl）比值与全生育期RUE的变化较为一致,考虑将Car/Chl作为RUE估算的重要因子,通过筛选对Car/Chl反应敏感的光谱参数进行转换引入到PRI中,从而得到修正型PRI（mPRI）。同时利用多角度光谱数据,测试分析了常规植被指数与mPRI之间的关系在13个观测角度下及其角度范围的表现。无论是前向还是后向观测角度,mPRI均优于其它常规光谱参数,最佳观测角度为-10°,最适宜角度范围为-20-10°。此外,该估算模型也可适用于MODIS数据,这说明通过优化PRI可以很好的指示非均匀冠层条件下RUE的变化。3 基于高光谱遥感的小麦水分利用效率研究实时快速无损地获取水分利用效率是小麦生产实践中资源合理优化配置的重要措施。综合利用3个小麦品种在不同水分和氮肥处理下的多年大田试验数据,分析并计算小麦关键生育时期的冠层光谱反射率以及相关生理指标之间的定量关系,确立小麦WUE的定量估算模型。结果表明,所有候选光谱参数后向观测角度结果优于前向观测角度,常规植被指数中Lo和NDDA与WUE之间关系较好,但当WUE较大时出现饱和现象。为缓解模型估算的饱和现象,基于农学机理研究提出了水分效率指数（WEI）,其在-20-10°范围内可以建立统一模型,模型R2和RMSE分别为0.623和0.406。采用开放式独立试验数据进行检验,R2、RMSE和相对误差（RE）分别为0.685、0.473和11.847%。上述结果表明,构建的水分效率指数比常规植被指数对WUE变化更为敏感,并且监测模型具有较宽的角度适用型,可以为专业传感器的参数设计提供参考。4基于遥感估算效率指标的建模方法比较为了充分利用更全面的监测信息,有必要对全光谱波段进行分析。除常规植被指数分析外,采用PLSR、BPNN和SVM三种方法对资源利用效率进行全光谱分析。SVM方法分别采用线性、多项式和高斯函数三种核函数进行计算,三个效率指标的预测结果表现一致,多项式函数结果优于高斯函数优于线性函数。多种数理统计方法比较,模型预测精度表现为SVM（多项式核函数）>PLSR>BPNN>VIs。PLSR是多元分析中最常见的方法,通过缩减不相关潜在变量和最大化相关变量的协方差,能够筛选出敏感波段;而BPNN模型中每个系数都存在均方根误差,易受偏差值和离群值的影响。基于此,本研究将PLSR方法中选择的敏感波段作为变量输入到BPNN模型中,结合两者优点,确立的PLSR-BPNN联合模型对NUE、RUE和WUE预测精度分别达到0.806,0.753和0.810,为作物资源利用率监测评价提供方法参考。
曹存梁[3]（2020）在《基于机器学习的多因子粮食产量影响因素关联分析和产量预测方法研究》文中指出环境恶化、耕地面积减少、人口问题、全球气候变暖等一系列因素影响着农业生产,威胁着粮食安全。粮食安全保障至关重要,准确的粮食产量预测,对于指导农业生产、保持粮食产量的持续增长和粮食安全有着十分重要的意义。但是目前比较流行的粮食产量影响因子分析和预测模型存在许多不足:一些模型仅仅注重粮食产量的相关性分析;一些模型仅仅注重粮食产量的预测,忽略了粮食产量和影响因素之间的关系;一些模型对粮食产量的影响因素进行了分析,但是忽略了模型中可能存在多重共线性问题;一些模型的预测精度比较低。为了解决这些不足,本文基于灰色关联分析-影响因子共线性判断-变量选择-多元线性的组合预测模型对2014-2017年河南省粮食产量进行预测,基于GM（1,1）和BP神经网络的组合模型预测未来一段时间的影响因子和产量数据。本文对河南省粮食产量变化趋势深入了解后,首先针对各因素对河南省粮食产量的影响机制进行具体阐述,最终确定河南省粮食产量主要影响因素有乡村从业人口、农机总动力、灌溉面积、化肥使用量、农村用电量、农药使用量、薄膜使用量、柴油使用量、播种面积等并使用X1、X2、X3、X4、X5、X6、X7、X8、X9表示这9个影响因子。本文所做的具体工作如下:（1）对其进行了数据收集和缺失值的填充。（2）基于1990—2017河南省粮食产量的9个影响因素,基于GRA灰色关联分析法对河南省粮食产量影响因子进行关联因素分析。（3）使用皮尔森相关系数和VIF方差膨胀因子对灰色关联分析模型选取的关联因素进行共线性的诊断。（4）分别使用Lasso变量选择和岭回归变量选择剔除可能产生多重共线性的影响因子。（5）划分训练集和测试集,分别基于多元线性回归模型、随机森林模型、灰色关联分析-Lasso变量选选择-多元线性回归、灰色关联分析-岭回归变量选择-多元线性回归这四个模型对2014-2017年河南省粮食产量数据进行预测。（6）因为Lasso变量选择筛选的三个影响因素乡村从业人口、灌溉面积、化肥使用量对于2014-2017年粮食产量拟合程度最高,所以使用GM（1,1）模型和BP神经网络结合Lasso变量选择筛选的影响因子拟合出2018-2021年河南省粮食产量。实验结果表明:基于灰色关联分析-多重共线性判断-Lasso变量选选择-多元线性回归模型,灰色关联分析-多重共线性判断-岭回归变量选择-多元线性回归模型的预测精度均高于多元线性回归模型和随机森林模型的预测结果,其中基于灰色关联分析-多重共线性判断-Lasso变量选选择-多元线性回归模型的预测精度最高,灰色关联分析-多重共线性判断-岭回归变量选择-多元线性回归模型次之。基于灰色关联分析-Lasso-多元线性回归模型的平均相对误差比多元线性回归模型提高了大约3.3个百分点,相比随机森林模型提高了大约4.3个百分点。灰色关联分析-岭回归变量选择-多元线性回归模型相比多元线性回归模型提高2.3个百分点,相比随机森林模型提高了大约3.3个百分点。这两种模型均是有效的粮食产量影响分析和预测方法。GM（1,1）模型和BP神经网络组合模型实验表明:2018-2019年粮食产量平均相对误差为2.55,是一种进行短期粮食产量预测的有效方法。
赵嘉宝[4]（2020）在《吐鲁番市葡萄产量主要影响因子分析及预测》文中认为吐鲁番的葡萄是新疆比较具有特征的农作物,且吐鲁番位于新疆中部的低洼盆地上,与外界距离较远,受外界干扰少,稳定变化少,当地的葡萄产业更加稳定,所以选择吐鲁番的葡萄作为研究对象,对吐鲁番市葡萄的影响特征因子分析及产量预测分析,有利于促进当地葡萄产业的健康发展,有利于发展可持续的生态农业,同时也有利于增加吐鲁番农民的收入,促进吐鲁番经济快速发展并提出有力的建议。由于葡萄种植收益越高,农户种植葡萄的积极性越高,葡萄种植进行农业技术和物质资源的投入力度就会越来越大,葡萄的品质和价格就会相应地提升。所以对吐鲁番葡萄影响因子和产量预测模型的分析,对推动葡萄产业化的发展具有积极作用,所以研究此课题更具有实际意义。本文基于R语言关于主成分分析、多元线性回归模型、时间序列ARIMA模型及MATLAB的GM（1,1）模型的相关理论知识,以吐鲁番市影响因素和葡萄产量数据为基础,通过对数据本身进行数据预处理,建立适用于数据挖掘的数据评价体系,并基于该数据分别建立了主成分分析模型对影响因子进行分析以及多元线性回归模型、ARIMA模型和GM（1,1）模型、残差修正GM-ARIMA模型进行吐鲁番市葡萄单产的预测分析,对多种预测模型方法进行比较研究,实现了对吐鲁番市葡萄单产变化趋势的有效预测。（1）运用影响因素主成分分析方法,对指标体系数据进行研究,根据分析结果发现,影响吐鲁番市葡萄产量的主成分共有2个,一个为“投入成分”,另一个为“自然成分”。在第一主成分中占主导地位的变量为葡萄种植产业投资0.89、人力投入0.81和化肥施用量0.78,第二主成分中主要的变量为平均最低气温0.85、温差0.79和日照时数0.74。因此本文通过分析可以发现在影响吐鲁番市葡萄产量的影响因子中影响最大的是“投入成分”,其次是“自然成分”。（2）通过多元线性回归模型进行预测,预测结果的平均绝对误差（MAD）结果为287.26、均方根误差（RMSE）结果为1243.05、平均绝对百分比误差（MAPE）结果为1.058%,以上三项误差指标计算结果均较小,说明多元线性回归模型吐鲁番市葡萄产量预测精度较高。虽然多元线性回归模型考虑了影响因素后的预测精度较高,但对于未来的影响因素数据是不确定且不可控的。由于没有对影响因素进行预测,无法将未来的影响因素数据代入回归方程中对未来进行预测,所以无法对未来的葡萄单产进行预测。（3）利用ARIMA（0,2,1）模型对吐鲁番市葡萄单产进行预测,吐鲁番市葡萄单产预预测值可以反映葡萄产量真实值的变化趋势。ARIMA（0,2,1）模型预测结果的平均绝对误差（MAD）结果为2035.59、均方根误差（RMSE）结果为2667.77、平均绝对百分比误差（MAPE）结果为7.688%,预测结果的误差均较小。表明该模型具有良好的预测精度和拟合度,可用于预测。（4）通过GM（1,1）模型建模步骤建立模型并对模型进行检验,发现吐鲁番市葡萄单产预测模型相对误差大多数均超过10%,平均相对误差为12.46%,平均相对精度为87.54%,模型精度预测等级达到二级,且从GM（1,1）模型预测结果的平均绝对误差（MAD）结果为3333.69、均方根误差（RMSE）结果为4098.66、平均绝对百分比误差（MAPE）结果为12.46%,以上三项误差指标计算结果均较大,说明GM（1,1）模型吐鲁番市葡萄产量预测精度不是很高,因此用单一的GM（1,1）模型对吐鲁番市葡萄单产的预测准确性不高。（5）利用ARIMA模型对GM（1,1）模型的预测残差进行修正,预测结果相对误差均在5%左右,只有一年超过10%,而预测结果的平均绝对误差（MAD）结果为1741.28、均方根误差（RMSE）结果为2275.29、平均绝对百分比误差（MAPE）结果为6.60%。残差修正GM-ARIMA模型预测精度较高,与单一的GM（1,1）模型比较模型精度要高于单一的GM（1,1）模型,可以用来预测吐鲁番市葡萄单产。（6）使用残差修正GM-ARIMA模型对未来进行预测。2018年的真实值在《吐鲁番市国民经济和社会发展统计公报》已发布,并进一步对残差修正GM-ARIMA模型预测结果进行验证,发现残差修正GM-ARIMA模型预测精度较高,适合用于吐鲁番市葡萄单产预测,预测2019年-2021年吐鲁番市葡萄单产为29774.62、30621.55、31786.16。
陶惠林[5]（2020）在《基于无人机数码和成像高光谱遥感影像的冬小麦长势监测及产量估算研究》文中认为生物量和LAI是作物的重要生理生化参数,能够有效反映作物的长势情况,产量的高低关系作物收成的好坏,高效地监测生物量和LAI,并准确预测产量,对农业管理者而言有着很强的指导意义。本论文通过无人机获取了冬小麦3个主要生育期的数码影像和高光谱影像数据,主要探讨了基于无人机数码和无人机高光谱的冬小麦生物量估算和LAI估测,以及基于无人机数码和高光谱影像数据的冬小麦产量估算,主要结果与结论如下:（1）根据AIC和BIC,筛选最佳的数码影像指数,挑旗期,生物量估算和LAI估测模型最佳建模个数都是1,两模型建模R2和NRMSE分别是0.51、0.48与21.02%、26.16%;开花期,生物量估算和LAI估测最佳建模个数也都为1,建模R2和NRMSE分别是0.52、0.54与18.15%、23.65%,此时生物量估算模型精度较高,LAI估测模型效果差,但优于挑旗期;灌浆期,模型最佳建模个数分别是4和3,建模R2和NRMSE分别为0.57、0.67与17.14%、30.69%。综合而言,开花期生物量估算模型最优,灌浆期次之,挑旗期最差,开花期LAI估测模型最优,挑旗期次之,灌浆期最差。（2）通过相关性分析挑选光谱参数,构建各生育期的单个参数线性模型,生物量估算和LAI估测对应的3个生育期最优参数分别是NDVI、NDVI,OSAVI×SR、SR,红边振幅、NDVI×SR。利用 MLR、PLSR、RF和ANN构建生物量与LAI模型,挑旗期,模型生物量-MLR建模R2、RMSE 和 NRMSE 分别是 0.67、0.09kg/m2 与 17.33%,LAI-MLR 建模R2、RMSE和NRMSE分别是0.63、1.01和22.09%;开花期,生物量-MLR建模R2、RMSE 和 NRMSE 分别是 0.73、0.11kg/m2 与 13.59%,LAI-MLR建模R2、RMSE和NRMSE分别为0.68、0.69与19.79%,两模型的精度最高;灌浆期,生物量-MLR和LAI-MLR依然稳定性最高,估算效果最好。（3）基于无人机数码影像和成像高光谱影像数据,将通过PLSR构建的生物量和LAI估算模型,分别与实测生物量和LAI跟实测产量建立的一元线性模型耦合,构建的产量估算模型都在灌浆期表现拟合性和精度最高。其中基于无人机数码影像和生物量与LAI构建的模型建模R2分别是0.61与0.52,NRMSE分别为15.44%与15.57%;基于无人机成像高光谱影像和生物量与LAI建立的估算模型R2分别是0.60与0.64,NRMSE分别为15.23%与14.83%。将两种不同数据源构建的产量模型对比分析,基于无人机成像高光谱影像数据建立的模型精度较高,更适合用于估算冬小麦产量。图[28]表[23]参[99]
金佳宣[6]（2020）在《基于数据挖掘的玉米产量预测模型的研究》文中研究说明我国是一个农业大国,农业是国民经济的支柱。众所周知,农业生产系统是一个复杂的系统,具有高度的不确定性,这些不确定性包括地力等级、气候及田间管理等诸多因素,给玉米产量的预测带来了困难。玉米是东北地区的主要种植在整个粮食生产中地位十分重要。近几年,受气候变化影响,吉林省极端天气事件明显增多,气象灾害发生较多,特别是干旱、冰雹、洪涝等自然灾害较常年增多,给农业生产造成了一定的影响。有研究表明,影响玉米产量的主要气象因素就包括降水、日照、温度等气候条件。而这些气象条件也很大程度上决定了玉米的产量。本文以这一现状为基础,利用吉林省前郭、四平、长春、延吉、临江5个气象站19882017年的平均温度、降水量、日照时长信息,以及化肥中氮磷钾元素含量、当年受灾面积、农业用电量、农用机械总动力、有效灌溉面积等数据信息,以及19882017的玉米产量与种植面积数据,针对气象情况对玉米产量的影响进行研究,通过神经网络建模分析研究各个影响因素与产量之间的关系,构建玉米产量预测模型,为玉米产量预测提供理论依据。论文主要研究内容如下:（1）数据采集。使用基于nodejs的网络爬虫,在历年的吉林省统计年鉴中的农业篇中获取相应的玉米种植面积、玉米年产量等信息,在中国气象数据网的中国地面国际交换站气候资料月值数据集获取到吉林省5个气象站（前郭、四平、长春、延吉、临江）历年的月值气象信息,并将其作为数据源,构建玉米产量预测数据集;（2）数据预处理与属性选择。根据实验要求,对不同量纲的样本数据进行归一化处理;针对数据集属性冗余问题,本文进行玉米产量预测数据集处理操作,包括数据清洗、数据补全等预处理操作,并应用ReliefF属性选择算法对玉米产量预测数据集进行属性优选,筛选出对玉米产量影响较大的因素,并将数据分为训练集和测试集后用于后续实验模型构建。（3）模型构建。在BP神经网络模型的基础上,优选合适的模型参数,使用属性选择后的数据集进行玉米产量预测建模。经比较,本文所用的改进方法,在平均绝对误差、相对平方根误差、模型准确率等方面,均优于C4.5决策树和未经属性选择的BP神经网络。
张建勇[7]（2020）在《利用无人机遥感的矿区复垦耕地的作物生物量精细化评价》文中研究指明矿区耕地的复垦是解决我国矿产粮食复合区耕地损毁问题的有效途径,而矿区复垦耕地的监测与评价是复垦工作的重要环节,有助于指导矿区复垦工作的实施。矿区复垦耕地的土壤扰动剧烈、生产力逐年恢复,使得作物生长响应的空间差异更为显着且随时间变化,因此开展精细监测与快速评价是十分必要的。然而,传统采样分析方法的采样点布设存在主观性,且增加采样点势必要增加监测成本,不利于大面积的长期监测;卫星遥感手段相对于复垦耕地的作物生长周期而言的时间分辨率较低,难以保障精细监测的数据获取;近地监测手段（Li DAR、地物光谱仪等）成本昂贵、数据量大,难以推广使用。这些监测手段都在一定程度上成为了制约矿区复垦耕地精细监测与快速评价的瓶颈。近年来,新兴的轻小型无人机遥感手段以成本低、精度高、响应快、周期短、易操作等优势受到小尺度研究的广泛关注,已经在复垦所关注的作物指标（地上生物量、作物产量、株高等）开展了大量研究工作,并在小尺度上的矿区复垦精细监测中展露头脚,表现出广阔的应用前景。因此,将轻小型无人机遥感观测手段引入矿区复垦耕地的精细监测与评价是一项值得研究的课题。矿区复垦耕地分阶段施工而耕作以田块为基本单元,土壤扰动剧烈导致作物生长响应的空间差异更大,以及生产力逐年恢复使得以产量为评价指标难以揭示作物生长的动态响应特征,以至于难以开展精细监测评价。本文在相关领域的研究基础之上,利用轻小型无人机遥感技术,以引黄河泥沙充填复垦的耕地为例,选择与作物产量存在线性关系的作物生物量为动态监测指标,在构建作物冠层结构特征基础上,实现多特征像素级融合的作物生物量估算,以自动提取的耕地条带为基本分析单元,实现矿区复垦耕地作物生物量的精细监测与快速评价。本文的主要研究结论如下:（1）针对矿区复垦耕地的分阶段施工且耕作以条带田块为基本单元的特点,提出了典型耕地条带田块自动制图方法,通过对耕地条带田块的无人机影像特征分析的基础上,依次进行田埂线提取、田块面制图而成,并验证了制图结果的精度。结果表明,所提出的制图方法可靠且精度高,其中条带田块的面积提取精度优于98.9%且Kappa系数优于97.4%,田埂线提取结果有较高的召回率（>97%）和准确率（>95%）。（2）针对矿区复垦耕地土壤扰动剧烈且空间异质性显着的特点,提出了利用轻小型无人机多光谱图像构建矿区复垦耕地的作物冠层高度模型,通过多光谱图像生成的密集点云两步滤波、点云插值、栅格运算和植被掩膜等一系列处理,并在剔除冠层孔隙策略下选择99%分位数为株高提取阈值,验证了所构建的CHM精度。结果表明,轻小型无人机多光谱数据源可以用于作物冠层高度模型的构建,相对航高低的CHM精度更高。在相对航高50m时,小麦CHM的RMSE为5.3～8.2cm,玉米CHM的RMSE为10～11.8 cm。（3）针对矿区复垦耕地的土壤环境动态演变且生产力逐年恢复的特点,并结合小麦和玉米的冠层光谱特征,构建了针对小麦的冠层光谱响应、结构特征和气象因子多特征像素级融合的参量,并构建了针对玉米的冠层结构特征与气象因子融合的参量,改善了小麦和玉米生物量的估算精度。在计算冠层体积模型CVM和确定气象因子GDD基础上,筛选小麦生物量相关性高的植被指数,构建了基于CVM和GDD的冠层光谱响应模型参量VM-CSRM,同时针对玉米构建了基于GDD权重的CVM参量;然后分别定性、定量地选择最优的特征融合参量,依次进行生物量估算的建模、验证和分析。结果表明,所提出的参量能改善作物生物量估算精度,小麦以CARI×CVM×GDD为自变量二项式回归建模得到最优的估算结果（R2=0.8272,RMSE=0.1690kg/m2）,玉米以CVM×GDD2为自变量指数回归得到最优的估算结果（R2=0.8897,RMSE=0.1649kg/m2）。（4）为实现矿区复垦耕地的评价,分析了耕地条带、处理小区两种统计单元下的复垦耕地生物量的时空变化特征。首先,建立了考虑作物整个生长阶段的生物量分级标准,以分析作物生物量累积对复垦土壤环境响应的绝对变化特征;其次,利用空间自相关分析方法,揭示了各期作物生物量累积对复垦土壤环境响应的空间相对差异特征;然后在此基础上借鉴极限条件法的思想,实现复垦耕地的评价。结果表明,在耕地条带单元下,受复垦土壤环境的影响相对小的耕地条带是B行（试验田南起第二个耕地条带）;在处理小区单元下,引黄河泥沙夹层式充填最优的土壤剖面构型是T09（表土30cm+心土20cm+黄河泥沙20cm+心土20cm+黄河泥沙30cm）。
匡奕敩[8]（2020）在《我国南方丘陵山地生态系统服务与社会经济协同发展研究 ——以湘西土家族苗族自治州为例》文中提出根据我国“两屏三带”生态安全战略指导思想以及国际社会、国家与地方各层面生态系统服务与社会经济发展形势,围绕人类社会发展及不合理利用自然资源导致生态系统服务能力下降,引发自然灾害的实情,本研究有助于从理论上为生态系统提升提供科技支撑,在实践中促进湘西农村产业结构调整。基于目前生态系统服务评估的差异和不足,本文综述了国内外各领域生态系统服务及在生态环境-自然灾害-社会经济耦合影响因素下的协同发展关系;进一步厘清生态系统服务与社会经济各指标因素的发展变化规律,明晰各因素之间的影响关系特征,分析区域生态系统服务与民族地区社会经济之间协同发展特征,目的要在于为区域生态与社会经济协同发展建言献策,对于生态系统服务可持续经营及社会可持续发展方面都具有重要意义。根据我国南方丘陵山地区域具体情况,以典型喀斯特地貌地形特征且森林覆盖率较高的湘西土家族苗族自治州为例,结合遥感、统计年鉴、考察调研、政府网站、媒体相关数据,集成多源、多尺度、多类型指标数据,筛选出与协同发展模式有关的相关分析、线性回归、主成分分析等数理统计分析方法,以及人工神经网络、定性的PEST情景分析法对论文进行深度研究。以湘西州1980-2018年四个时间段土地利用变化Landsat-TM遥感影像为基础数据源,利用GIS分析方法,对各年度土地利用变化率、空间核密度及转移变化情况进行了分析。结果发现,1980-2018年湘西州耕地面积不断减少,城建用地面积不断增大,生态系统服务价值减少,生态功能逐年下降;空间变化分析得到城建用地不断由州中心向周边扩大,各市县水田正朝着生态区域空心化格局演变,有林地正朝着边缘化的格局演变的发展趋势。社会经济方面,湘西州总人口不断增加,乡村人口不断减少,第三产业逐渐替代第二产业占据主导地位;以GDP和人口等社会经济空间分布公里网格数据集为基础数据源空间变化分析得到湘西州各县区乡村人口正朝向城镇转移,农村空心化凸显,城乡生产总值差距明显。气象环境方面,湘西州年降水量与湿度极值之间变化比较分散,而年均气温和光照较为集中;以平均气温、年降水量等气象环境空间插值数据集为基础数据源,进行空间分析发现极值年份间年降水量高低界限移动明显,年均气温高低界限移动不明显,时空变化具有反复或交替变化特征,相应农作物与气象灾害随年度变化呈现一定的周期波动变化发展规律。利用R语言作图及SPSS统计方法对生态系统服务与社会经济指标因素进行相关关系、回归关系和主成分分析,结果发现:（1）,1980-2018年耕地与城建面积表现为竞争关系,生态系统服务价值与耕地、林地、草地,总人口与城镇人口,GDP与三产业,年降水量与平均湿度,年均气温与光照时长表现为一定的协同发展关系;（2）,研究期间耕地在总土地利用中的占比与乡村人口在总人口中的占比、与第一产业增加值在GDP中的占比表现为同步下降的协同发展关系,城镇化的快速发展对生态系统服务呈现负面效应;（3）,2009-2018年年均气温与粮食产量呈负相关,2008-2012年降水量与直接经济损失、水灾面积、粮食减产在不同时期显着相关,呈现协同发展关系。综合生态系统与社会经济20余项指标因素,从中选择与生态系统服务关系较大的总人口、国内生产总值、播种面积、粮食产量、年降水量、年均温度、受灾面积等宏观非线性数据指标,构建基于灾害-环境-社会经济耦合下的生态系统服务的人工神经网络预测分析,作协同发展研究。结果显示,生态系统服务正在下降,同时人均生产总值呈缓慢增长趋势,反映生态系统服务与社会经济难以呈现协同发展的趋势;泛化权重分析得到国民生产总值与粮食产量因素对生态系统服务功能影响较大,宜优先决策农业生产为主的GDP,协调耦合度,以期获得GDP与生态系统服务及人均生产总值三者更好的协同发展作用。基于农田生态系统与农村经济发展的人工神经网络预测分析得出湘西州及各县市农业发展可比价增速呈现波动性减缓的趋势;宜优先决策有效灌溉面积以促进农田生态系统与农村社会经济发展快速协调发展。结合湘西州州政社情及国民经济和社会发展十三五规划纲要,同时与非完整数据的三废排放、灾害、旅游收入、人均可支配收入等指标一起,补以PEST为主的情景分析定性方法,整合成PEST-SWOT模型;针对前述理论分析的各种问题,在权衡决策上归并同化或整合同步生态系统服务与社会经济相关指标共同发展,结果得到,在社会发展机遇期引科技下乡能化解农村农田空心化问题以促进农田生态与农业经济协同发展,在人与土地关系中转变经济基础弱势为优势来促进生态系统服务与农村人均可支配收入协同发展,在国家公园自然保护地政策机遇与地方旅游业挑战下结合湘西森林优势与乡村人口空心化弱势结合下弥补促进林地生态系统服务与社会人口就业协同发展,通过科技创新手段化解技术挑战难题进而促进水域生态系统服务与农业经济恢复及协同发展,以及在环保宏观政策综合指导下拟促进湘西乡村社会经济振兴与武陵山片区生态系统服务的协同发展。今后将以决策支持的方式展开研究,并在南方区域生态系统服务和人类社会经济协同发展上更好应用,以深入探索生态系统服务能力与农村社区发展协同提升模式,努力实现区域经济社会发展和生态环境保护协同共进。
金毅[9]（2019）在《基于等效积温的谷物干燥过程建模与智能控制》文中提出粮食干燥是一个十分复杂的传热传质过程,传统干燥模型及干燥过程控制方法具有局限性高、经验依赖程度高、调控指标单一等不足,在某些较为复杂的情况下往往难以表现出较好的控制效果。目前,建立稳定性强、预测性能佳的先进控制系统是整个干燥行业的研究重点。稻谷,是全球约50%人口的主粮,我国稻谷收割后干燥环节的损失高达7%,所以稻谷干燥过程控制尤为重要。由于稻谷的籽粒特征比较特殊,其颖壳部分在干燥过程中起着阻碍内部水分向外迁移的作用,故稻谷的干燥过程比较复杂,是一种比较难干燥的粮食。本文针对稻谷收割后干燥过程中的大迟滞、非线性、强耦合等特点,以多因子胁迫全面试验及有效干燥积温多因子耦合理念为基础,重构了谷物干燥的数学模型,开展了稻谷干燥过程建模与智能控制策略的研究与应用。本论文的主要内容如下:（1）稻谷干燥特性试验研究及积温品质图的建立。在对国内外谷物干燥理论及先进控制方法进行深度调研的基础上,以多元二次旋转正交试验为研究方法,试验研究了在多种因素影响下的稻谷干燥特性,建立的回归模型可决系数达0.9951和0.9552;建立了基于多因子耦合参量—有效干燥积温的稻谷积温品质图,并提供了图表的查索方法。（2）建立了稻谷有效干燥积温模型。以时间和温度耦合为基础,探索了水分比与干燥积温的关系,分析了 7种常用的干燥模型,构建了用以描述稻谷干燥水分比和有效干燥积温关系的数学模型,此模型的常数k,n,b的可决系数分别为0.9225,0.9553,0.9131,说明其回归模型具有较高的置信度。（3）全面试验研究了缓苏对稻谷干燥的影响。为使模型更加贴近实际,基于多参数耦合薄层干燥试验结果（此试验中考虑了缓苏时间）建立了有缓苏影响的稻谷有效干燥积温模型。对比了有缓苏影响和无缓苏影响模型的常数,深入分析了缓苏时间对稻谷干燥过程的影响,研究发现在稻谷的连续干燥过程中,缓苏比不应超过3。（4）研究了连续式稻谷干燥机智能控制方法及系统。通过对人工智能控制方法的分析和总结,发现多隐层BP神经网络较为适合作为此控制系统的控制核心。建立了 MATLAB和LabVIEW混合编程的智能控制系统,提出了稻谷干燥的控制规则,以期实现精准调控稻谷干燥过程。（5）稻谷干燥智能控制方法及模拟试验。基于预试验数据建立了多隐层BP神经网络模型,介绍了神经网络的训练方法;进行了一系列LabVIEW环境下的模拟试验,试验结果表明:针对该干燥系统,单隐层的网络结构精度较高,较为适用;有自优化功能的模型可以更加精确的预测出粮口稻谷含水率,并及时调整排粮等待时间;多隐层BP神经网络控制器表现出优秀的抗干扰能力,同时,也验证了此智能控制系统的稳定性,可应用于实际干燥作业。
徐向英[10]（2019）在《江苏小麦综合气象指数构建与产量变化预测和分析》文中研究指明气候变化问题是世界各国广泛关注的焦点,农业生产在全球变暖、隐形气象灾害频发的环境下将面临更大的风险。冬小麦生产受气象条件的影响较大,近年来,渍害、干旱、高温逼熟等气象灾害及其发生频率增大,对小麦的稳产高产造成了严重威胁。随着联合国粮食及农业组织（FAO）“气候智能型”农业概念的提出,农业生产的气候适应性和智能生产研究正在各国和地区间不断开展。本研究拟在前人研究的基础上,通过对江苏省苏北、苏中和苏南三个农业生态区域1979-2014年小麦生长期内多种气象因子和小麦产量进行分析,探索以机器学习模型为核心、适用于该地区小麦产量评估的气象条件综合评价指数,并在此基础上分析江苏小麦的敏感气象因子、年型气候适应性以及未来气候变暖环境下的产量变化趋势,期望能够为今后江苏小麦产量预测提供参考,为农业灾害预警提供理论依据,同时可为农业种植灾害保险提供技术支持。主要研究结果如下:1.江苏近35年冬小麦生长季气象条件时空分布特征汇集了江苏地区10个气象站点1979-2014年小麦生长季的平均气温、累计降水量、日太阳辐射量和日照时数的空间分布数据,使用Mann-kendall趋势检测和Sen斜率分析了各气象因子的演变,并对小麦四个生育阶段（播种至越冬始期S1、越冬始至返青期S2、返青至开花期S3、开花至成熟期S4）的气象条件变化特征进行了分析。结果显示,10个站点的小麦全生育期平均气温和平均旬累计降水量在空间上均呈现北低南高特征,而平均日太阳辐射和平均旬累计日照时数均表现为由北向南逐步减少的特征。10个站点的小麦全生育期平均气温在时间上均呈现显着上升趋势,上升的幅度在0.04℃/yr～0.07℃/yr之间。四个关键生育阶段中,S2有近一半站点呈现显着的升温趋势,S1和S4有9个站点温度上升趋势达显着水平,而S3所有站点的升温趋势均达到了显着水平。经比较,S3的平均升温幅度是四个生育期中最高的,且以吴江站点的升温幅度最大,达到了 0.092℃/yr。除了平均温度呈现升高趋势,小麦生长季的日最高和最低气温也呈现不同程度的增长。赣榆、铜山、东台、江宁4个站点1979-2014年日最低气温的增长接近或超过了日最高气温的增长幅度,四个关键生育阶段中,除S2外,其余时期四站点的最低气温均出现了显着上升趋势,反映了小麦生长季昼夜增温不平衡的现象。小麦全生育期旬降水量均值在35年间并无显着的上升或下降趋势,四个关键生育阶段中,仅溧阳和吴江两站S2的降水量上升趋势达到显着水平,均达0.3mm/yr以上。使用旬值标准化降水蒸散指数（SPEIx）分析江苏小麦生长季水分条件和产量的关系,结果表明,S4的1旬、2旬、3旬尺度的SPEIx值均与一阶差分产量呈极显着负相关关系,表明江苏小麦开花至成熟期的降水量偏多,不利于小麦产量的提升。35年间,各站点小麦全生育期平均日太阳辐射量的Sen斜率均为正值,但均未达到显着上升趋势。10个站点中9个站点的S3日太阳辐射均呈现显着上升趋势,且苏中和苏南地区共有5个站点达到了极显着上升的趋势。其余三个关键生育阶段的日太阳辐射变化趋势均未达到显着水平。大部分站点冬小麦全生育期日照时数的Sen斜率为负值,仅盱眙站点的下降趋势达到了极显着的水平。就四个关键生育阶段而言,S1和S2分别有4个和1个站点呈现了显着下降趋势,S3有3个站点呈现显着上升趋势,其余站点的变化趋势均不显着。2.影响小麦气候产量的关键气象因子筛选与提取方法比较按照种植区及气候条件的差异,将研究区域以苏北灌溉总渠和长江划分为苏北、苏中和苏南三个亚区,并采用不同方法分析了小麦四个关键生育阶段的气象因子与气候产量的关系,筛选获得三个亚区中影响小麦产量的关键气象因子。四种不同气候产量的提取方法（去线性趋势法、去3年滑动平均趋势法、一阶差分法、相对差分法）,结果表明,在气候条件相近的三个亚区内,去3年滑动平均法所得气候产量的站点间平均相关系数在苏北和苏中地区较低,在苏南地区较高;去线性趋势气候产量的相关性在苏北地区较高,苏南地区较低;一阶差分和相对差分法相关性结果较为接近,在三个亚区内的结果均比较稳定。对四个关键生育阶段的四种气象因子进行相关分析显示,一阶差分和相对差分的相关因子数以及Spearman相关系数值均优于去线性趋势和去3年滑动平均趋势产量。将三个亚区内气候产量数值最低的20个值认定为严重减产,比较严重减产时气象因子与四种方法计算的气候产量的拟合情况,结果显示去3年滑动平均产量和相对差分产量在苏中地区拟合较好,而去线性趋势产量在苏北和苏南地区拟合较好,一阶徐向英 江苏小麦综合气象指数构建与产量变化预测和分析 Ⅲ差分产量在苏南地区的拟合较好。鉴于一阶差分产量具有计算简单、解释性强等优点,确定了一阶差分法作为气候产量的计算方法。采用相关分析法、逐步回归模型的赤池准则（AIC）以及随机森林模型的%IncMSE指标对影响小麦气候产量的气象因子进行筛选,对比分析表明,3种方法筛选所得气象因子并不完全相同,但苏北地区T2,苏中地区S4和苏南地区P3在三种方法中均表现出较高的重要性,因而结合三种方法选择相应的气象因子能获得更加可靠的产量影响因子,将其作为气候产量拟合模型的输入参数,以便获得更准确的综合气象指数。3.评估小麦气候产量的综合气象指数构建研究对同时段、不同站点间的气候产量预测（空间预测）和不同时段、相同站点的气候产量预测（时间预测）两种气候产量预测模式以满足实际应用需求。通过将气象和产量数据划分为训练集和测试集,在训练集上利用随机森林（RF）和支持向量机（SVM）分别对苏北、苏中、苏南三个亚区的气候产量建立回归模型,并在测试集测试模型精度,结果显示,RF和SVM模型的R2值在苏北地区达到0.5以上,但在苏中和苏南地区均在0.4以下。通过Kolmogorov-Smirnov拟合优度检验明确了气候产量分布符从三参数T分布,根据分布特征,将回归模型输出值进行标准化处理,转化为时间和空间可比较的综合气象指数值,并依据气候产量分布的上下侧20%分位数（分别为388kg/ha和-267kg/ha）,设置分类阈值,即按20%,60%和20%的概率将指数值划分为三类（分类阈值为±0.84）,分别对应气候产量减产、平产和增产三种等级。分类后的指数对气候产量类别预测的精度得到了提升,结果显示,基于RF和SVM的指数预测正确率均在50%到97%之间;SVM的指数预测正确率高于RF模型的指数。通过ROC曲线进一步比较了两分类情况下两种模型计算得到的指数对气候产量为减产和不减产（或增产和不增产）类别的预测能力。结果显示,苏北地区,RF和SVM计算的指数在减产占比达40%阈值下预测正确率均较高,最高AUC值达0.98;苏中地区,RF和SVM模型计算的指数对减产和增产的预测正确率偏低;苏南地区,SVM空间模型的指数预测正确率较高,RF时间模型的指数预测正确率较高。4.综合气象指数预测气候产量的精度评价为分析综合气象指数在气候产量评估方面的精度,使用标准化降水蒸散指数（SPEI）计算了江苏小麦生长季11月至次年5月间1、2、3、4个月尺度的SPEI指数,探讨了 SPEI与小麦气候产量间的关系,并在相同数据集上与综合气象指数对气候产量的预测正确率进行了对比。结果显示,苏北和苏中的空间预测中,两种指数正确率相当,但苏南的预测中基于RF模型和SVM模型的综合气象指数预测正确率均高于SPEI指数;时间预测方面,基于SVM模型的综合气象指数在苏北的预测正确率和SPEI指数相同,但在苏中和苏南均高于SPEI指数,而基于RF模型的综合气象指数除苏中预测正确率高于SPEI指数外,其余两地区的预测正确率均低于SPEI指数。利用多个反映光、温和水分条件的气象因子直接构建气候产量逐步回归模型,进行了产量预测,并与综合气象指数的气候产量预测结果比较,结果显示,基于RF和SVM模型的综合气象指数在苏北、苏中和苏南地区的空间和时间预测正确率均高于多气象因子的逐步回归模型。利用不同于原训练集和测试集的全新测试数据,验证了 2015～2017年间苏北、苏中、苏南共6个站点的综合气象指数预测精度。结果显示:指数在三区域汇总的预测正确率达61%以上,但在苏南地区,指数预测正确率较低。在两种调整阈值下,指数预测正确率有所下降。反映了综合气象指数在原阈值下具有一定的实际应用价值。5.江苏小麦生产的气候适应性及不同生态区影响小麦产量的敏感气象因子分析采用综合气象指数分析了江苏小麦的敏感气象因子、不同年代小麦的气候适应性以及未来变暖气候环境下的小麦产量变化。综合气象指数的RF时间预测模型获得了苏北、苏中和苏南地区小麦气候产量的全局敏感性指数。结果显示:苏北地区最敏感的气象因子为越冬始至返青期日太阳辐射,苏中地区为开花至成熟期日太阳辐射,苏南地区为返青至开花期太阳辐射。分析了 1981年-1990年、1991年-2000年以及2001年-2014年三个年代江苏10个站点的小麦综合气象指数值变化情况,结果显示:苏北、苏中和苏南地区在上世纪九十年代的减产年比例是三个年代中最高的。本世纪初的14年,江苏北部、中部、南部地区小麦的气候适应性普遍提高,减产年比例均为三个年代中最低,均降至20%以下,体现了江苏小麦生产的气候适应性正在逐步增强;平产年比例达到了三个年代中的最高值,苏北、苏中、苏南分别为820%、69%和68%;三个地区增产年比例均达14%以上,反映了 2001年以来江苏小麦产量总体处于稳定增长的态势。利用综合气象指数的RF时间预测模型分析了未来变暖环境下小麦产量变化。根据江苏10个站点35年小麦生育期平均温度上升Sen斜率为0.05℃/yr,分别设置了小麦生育期平均气温增加0.025℃/yr、0.05℃/yr和0.1℃/yr三个水平,比较综合气象指数值的变化。结果显示:苏北地区三个水平下的指数变化较为接近,均表现为平产年比例下降,增减产年比例上升;苏中和苏南地区三个水平的增温均导致指数值的平产年比例下降,增产年比例上升。反映了综合气象指数能够在未来不确定的气候条件下为小麦生产辅助决策提供参考。
二、粮食产量预测的因子处理和建模方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、粮食产量预测的因子处理和建模方法（论文提纲范文）
（1）基于机器学习的储粮品质预测方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 粮食安全问题仍是中国未来发展面临的挑战 |
| 1.1.2 储存损失已成为中国粮食安全的潜在威胁 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 储粮品质研究现状 |
| 1.3.2 机器学习算法 |
| 1.3.3 机器学习在粮食储藏中的应用 |
| 1.4 论文的研究目标与研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 本文的结构 |
| 第2章 基于粮情数据的储粮品质分析与建模方法研究 |
| 2.1 引言 |
| 2.2 储粮生态区的选择 |
| 2.3 数据检测方法与标准 |
| 2.3.1 粮情数据采集 |
| 2.3.2 扦样方法 |
| 2.3.3 水分测定 |
| 2.3.4 品尝评分值测定 |
| 2.3.5 脂肪酸值测定 |
| 2.4 储粮数据处理与统计规律分析 |
| 2.4.1 储藏温度变化规律 |
| 2.4.2 储粮水分变化规律 |
| 2.4.3 储粮品质变化规律 |
| 2.5 数据驱动的储粮品质预测方法研究 |
| 2.5.1 储粮品质预测方法研究 |
| 2.5.2 数据驱动的预测方法分析 |
| 2.6 基于机器学习方法的储粮品质预测过程 |
| 2.6.1 建模过程 |
| 2.6.2 预测过程 |
| 2.7 本章小结 |
| 第3章 数据预处理方法研究 |
| 3.1 引言 |
| 3.2 粮温数据预处理方法研究 |
| 3.2.1 重复及缺失的历史温度数据修复方法 |
| 3.2.2 异常的历史温度数据判断方法 |
| 3.3 基于滑动窗口的粮温预测算法 |
| 3.3.1 预测模型的建立 |
| 3.3.2 滑动窗口算法 |
| 3.3.3 不同参数选择分析与讨论 |
| 3.4 预测因子的筛选与处理 |
| 3.4.1 数据统计 |
| 3.4.2 主成分分析法的基本原理与过程 |
| 3.4.3 主成分分析结果 |
| 3.5 本章小结 |
| 第4章 基于多核学习的储粮品质预测模型研究 |
| 4.1 引言 |
| 4.2 多核学习理论 |
| 4.2.1 多核学习方法 |
| 4.2.2 单步多核学习算法 |
| 4.2.3 两步多核学习算法 |
| 4.3 基于多核学习的储粮品质预测模型 |
| 4.3.1 多核支持向量回归模型 |
| 4.3.2 模型优化算法 |
| 4.4 实验与分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 实验设置与评价指标 |
| 4.4.3 多核学习模型的影响因素 |
| 4.4.4 脂肪酸值预测结果分析 |
| 4.4.5 品尝评分值预测结果分析 |
| 4.4.6 不同模型的对比实验 |
| 4.5 本章小结 |
| 第5章 基于多任务与多核学习的储粮品质预测模型研究 |
| 5.1 引言 |
| 5.2 多任务学习理论 |
| 5.2.1 基本概念 |
| 5.2.2 多任务学习的正则化模型 |
| 5.3 基于多任务与多核学习的储粮品质预测模型 |
| 5.3.1 多任务与多核学习框架 |
| 5.3.2 模型优化算法 |
| 5.4 实验与分析 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 多任务与多核学习模型的影响参数分析 |
| 5.4.3 样本数量对多任务与多核学习模型的影响 |
| 5.4.4 多任务与多核学习模型预测结果分析 |
| 5.5 本章小结 |
| 第6章 储粮安全预警系统的设计与开发 |
| 6.1 引言 |
| 6.2 储粮安全预警系统的构建 |
| 6.2.1 软件系统需求分析 |
| 6.2.2 系统功能分析 |
| 6.2.3 系统功能设计 |
| 6.2.4 警级规则制定 |
| 6.2.5 系统流程图 |
| 6.3 系统功能模块实现 |
| 6.3.1 登陆访问模块 |
| 6.3.2 数据连接 |
| 6.3.3 数据清洗 |
| 6.3.4 预测模块 |
| 6.3.5 文件保存 |
| 6.4 系统运行效果的验证及分析 |
| 6.4.1 实仓基本信息 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 特色与创新 |
| 7.3 本文工作不足与展望 |
| 参考文献 |
| 作者简介及在学期间研究成果 |
| 攻读博士学位期间参与的项目 |
| 致谢 |
（2）基于高光谱遥感的小麦资源利用效率研究（论文提纲范文）
| 致谢 |
| 摘要 |
| 中英文缩写对照 |
| 第一章 绪论 |
| 1 研究背景 |
| 1.1 我国小麦生产现状 |
| 1.2 高光谱遥感在农业生产中的应用 |
| 1.2.1 作物生长监测的应用 |
| 1.2.2 作物生理生化参量的反演 |
| 1.3 作物生长效率指标的监测 |
| 1.3.1 氮肥利用效率 |
| 1.3.2 光能利用率 |
| 1.3.3 水分利用效率 |
| 1.4 光谱数据采集方式 |
| 2 选题的目的与意义 |
| 第二章 技术路线与研究方法 |
| 1 研究思路与技术路线 |
| 2 材料与方法 |
| 2.1 试验设计 |
| 2.2 测定项目及方法 |
| 2.2.1 光谱数据的测定 |
| 2.2.2 净光合速率和蒸腾速率的测定 |
| 2.2.3 叶面积指数的测定 |
| 2.2.4 生物量和氮含量的测定 |
| 2.2.5 产量的测定 |
| 2.2.6 光合有效辐射的测定 |
| 2.2.7 色素含量的测定 |
| 2.3 数据处理与统计分析 |
| 2.3.1 光谱数据的处理 |
| 2.3.2 植被指数 |
| 2.3.3 多变量数据分析 |
| 2.3.4 回归分析 |
| 第三章 基于高光谱遥感的小麦氮肥利用效率研究 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 生物量和氮含量测定 |
| 1.2.5 产量的测定 |
| 1.3 数据分析与利用 |
| 1.4 参数构建 |
| 2 结果与分析 |
| 2.1 PNUE的变化趋势以及PNUE和NUE之间的定量关系 |
| 2.2 PNUE与所选参数之间关系的比较 |
| 2.3 PNUE与SR(760,850)和mSR(760,850,680)之间的定量关系 |
| 2.4 生殖生长期叶面积指数对PNUE和mSR(760,850,680)之间关系的影响 |
| 2.5 PNUE与新参数之间的关系 |
| 2.6 试验条件对PNUE和新参数之间关系的影响 |
| 2.7 PNUE与NEI之间关系的检验 |
| 3 讨论 |
| 4 结论 |
| 第四章 基于高光谱遥感的小麦光能利用效率研究 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 生物量和氮含量测定 |
| 1.2.5 产量的测定 |
| 1.2.6 光合有效辐射的测定 |
| 1.3 数据分析与利用 |
| 1.4 参数构建 |
| 2 结果分析 |
| 2.1 作物参数变化 |
| 2.2 PRI、RUE和LAI的变化趋势 |
| 2.3 PRI和RUE之间的关系分析 |
| 2.4 Car/Chl指示因子SR的计算 |
| 2.5 不同氮水平和灌水量对RUE与((1+SR)~*R_(531)-R_(570))/(R_(531)+R_(570))和(R_(531)-(1-SR)*R_(570))/(R_(531)+R_(570))关系的影响 |
| 2.6 不同观测角度下常规植被指数与RUE之间的关系 |
| 2.7 不同参数估算RUE时适宜角度宽 |
| 3 讨论 |
| 4 结论 |
| 第五章 基于高光谱遥感的小麦水分利用效率研究 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率和蒸腾速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 氮含量测定 |
| 1.3 数据分析与利用 |
| 2 结果分析 |
| 2.1 叶片氮含量和含水量与WUE之间的关系 |
| 2.2 垂直观测角度下常规光谱参数与WUE之间的关系 |
| 2.3 光谱参数与WUE之间的关系在不同观测角度下的表现 |
| 2.4 不同角度范围条件下新光谱参数与WUE之间的关系 |
| 2.5 估算模型的测试与检验 |
| 3 讨论 |
| 4 结论 |
| 第六章 基于遥感估算小麦效率指标的建模方法比较 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率和蒸腾速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 氮含量测定 |
| 1.3 数据分析与利用 |
| 2 结果分析 |
| 2.1 光谱数据与NUE、RUE和WUE之间关系的常规分析 |
| 2.2 基于PLSR的NUE、RUE和WUE估算 |
| 2.3 基于SVM的NUE、RUE和WUE估算 |
| 2.4 利用BPNN进行NUE、RUE和WUE估算 |
| 3 讨论 |
| 4 结论 |
| 第七章 讨论与结论 |
| 1 讨论 |
| 1.1 高光谱遥感信息的采集方式 |
| 1.2 高光谱遥感信息的提取与利用 |
| 1.2.1 光谱参数的构建方法 |
| 1.2.2 遥感建模的多变量分析方法 |
| 1.3 高光谱遥感技术在农业生产中应用 |
| 2 结论 |
| 3 创新之处 |
| 4 研究展望 |
| 参考文献 |
| ABSTRACT |
| 硕博连读期间发表学术论文 |
| 项目资助 |
（3）基于机器学习的多因子粮食产量影响因素关联分析和产量预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 论文研究内容 |
| 1.5 本章小结 |
| 第2章 系统相关建模理论和关键技术分析 |
| 2.1 关联分析模型简介 |
| 2.1.1 灰色关联分析 |
| 2.1.2 皮尔森相关系数 |
| 2.1.3 VIF方差膨胀系数 |
| 2.1.4 Lasso变量选择 |
| 2.1.5 岭估计变量选择 |
| 2.2 预测模型简介 |
| 2.2.1 多元线性回归模型 |
| 2.2.2 灰色预测GM(1,1)模型 |
| 2.2.3 Keras深度学习框架 |
| 2.2.4 BP神经网络 |
| 2.3 语言环境和可视化工具 |
| 2.3.1 Python语言简介 |
| 2.3.2 Pycharm简介 |
| 2.3.3 可视化工具pandas |
| 2.3.4 Sklearn库 |
| 2.4 评价标准 |
| 2.5 本章小结 |
| 第3章 多因子粮食产量影响因素关联分析模型设计和实验结果 |
| 3.1 引言 |
| 3.2 关联分析模型设计 |
| 3.2.1 建立灰色关联分析模型 |
| 3.2.2 计算皮尔森相关系数 |
| 3.2.3 计算VIF方差膨胀系数 |
| 3.2.4 建立Lasso变量选择模型 |
| 3.2.5 建立岭回归变量选择模型 |
| 3.3 关联分析实验结果 |
| 3.3.1 影响因素选取 |
| 3.3.2 缺失值处理及具体数据 |
| 3.3.3 河南省历年粮食产量波动趋势 |
| 3.3.4 河南省粮食产量相关因素灰色关联分析 |
| 3.3.5 粮食产量关联因素共线性检验 |
| 3.3.6 剔除粮食产量关联因素多重共线性的方法 |
| 3.4 本章小结 |
| 第4章 粮食产量预测模型设计和实验结果 |
| 4.1 引言 |
| 4.2 预测模型的设计 |
| 4.2.1 建立多元线性回归模型 |
| 4.2.2 建立GM(1,1)模型 |
| 4.2.3 建立BP神经网络模型 |
| 4.3 预测模型实验结果的分析与比较 |
| 4.3.1 基于多元线性回归Mlr的预测 |
| 4.3.2 基于随机森林模型的预测结果 |
| 4.3.3 基于Gra-Lasso-Mlr模型的预测 |
| 4.3.4 基于Gra-Ridge-Mlr模型的预测 |
| 4.3.5 预测结果的比较 |
| 4.4 2018-2021年影响因子和粮食产量的分析和预测 |
| 4.4.1 基于GM(1,1)模型的影响因子的预测 |
| 4.4.2 基于BP神经网络模型的粮食产量的预测 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及学术论文 |
| 致谢 |
（4）吐鲁番市葡萄产量主要影响因子分析及预测（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究方法 |
| 1.5 研究内容及技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究数据与来源 |
| 1.5.3 技术路线 |
| 第2章 基于影响因子的主成分分析与多元线性回归模型 |
| 2.1 影响因素分析 |
| 2.1.1 地理位置优势 |
| 2.1.2 自然气候条件 |
| 2.1.3 产业种植规模 |
| 2.1.4 化肥施用情况 |
| 2.1.5 栽培种植技术 |
| 2.1.6 政府政策支持 |
| 2.1.7 市场销售情况 |
| 2.2 主成分分析方法概述 |
| 2.2.1 主成分分析简介 |
| 2.2.2 主成分分析的基本理论 |
| 2.3 对重要影响因素进行主成分分析实证研究 |
| 2.3.1 研究数据与指标选取 |
| 2.3.2 重要影响因素相关性分析 |
| 2.3.3 对重要影响因素进行主成分分析 |
| 2.4 多元线性回归模型实证研究 |
| 2.4.1 多元线性回归模型原理 |
| 2.4.2 多元线性回归模型检验与建模 |
| 2.5 本章小结 |
| 第3章 基于时间序列的葡萄产量预测模型 |
| 3.1 ARIMA模型概述 |
| 3.1.1 ARIMA模型简述 |
| 3.1.2 ARIMA模型结构 |
| 3.1.3 ARIMA模型建模步骤 |
| 3.2 ARIMA预测模型实证分析 |
| 3.2.1 平稳性检验与处理 |
| 3.2.2 ARIMA模型建立 |
| 3.3 ARIMA模型预测及结果分析 |
| 3.4 本章小结 |
| 第4章 基于灰色系统理论的葡萄产量预测模型 |
| 4.1 灰色预测模型 |
| 4.1.1 GM(1,1)模型基本原理 |
| 4.1.2 GM(1,1)模型检验 |
| 4.2 GM(1,1)预测模型实证分析 |
| 4.2.1 GM(1,1)模型建模 |
| 4.2.2 GM(1,1)模型检验 |
| 4.2.3 GM(1,1)模型预测及结果分析 |
| 4.3 残差修正GM-ARIMA预测模型实证分析 |
| 4.3.1 残差修正GM-ARIMA模型原理 |
| 4.3.2 残差修正GM-ARIMA模型建模 |
| 4.3.3 残差修正GM-ARIMA模型预测及结果分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.1.1 预测结果比较分析 |
| 5.1.2 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（5）基于无人机数码和成像高光谱遥感影像的冬小麦长势监测及产量估算研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1.1 研究目的及意义 |
| 1.2 长势和产量监测研究进展 |
| 1.2.1 基于遥感技术的长势监测 |
| 1.2.2 基于遥感技术的产量监测 |
| 1.2.3 基于无人机数码遥感技术研究 |
| 1.2.4 基于无人机成像高光谱遥感技术研究 |
| 1.3 研究内容、技术路线及论文组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 论文组织结构 |
| 1.4 本章小结 |
| 2 材料与方法 |
| 2.1 研究区概况与试验设计 |
| 2.2 数据获取 |
| 2.2.1 地面数据获取 |
| 2.2.2 无人机数码影像数据获取 |
| 2.2.3 无人机高光谱影像数据获取 |
| 2.3 研究方法 |
| 2.3.1 分析方法 |
| 2.3.2 无人机数码影像数据处理 |
| 2.3.3 无人机高光谱影像数据处理 |
| 2.4 本章小结 |
| 3 基于无人机数码影像数据的冬小麦长势监测 |
| 3.1 数码影像指数的选取 |
| 3.2 基于无人机数码影像的生物量估算 |
| 3.2.1 数码影像指数和生物量相关性分析 |
| 3.2.2 生物量估算模型构建 |
| 3.2.3 生物量空间分布 |
| 3.3 基于无人机数码影像的LAI估测 |
| 3.3.1 数码影像指数和LAI相关性分析 |
| 3.3.2 LAI估测模型构建 |
| 3.3.3 LAI空间分布 |
| 3.4 本章小结 |
| 4 基于无人机成像高光谱影像数据的冬小麦长势监测 |
| 4.1 光谱参数选取 |
| 4.2 无人机UHD185成像光谱仪数据精度评价 |
| 4.3 基于无人机成像高光谱影像的生物量估算 |
| 4.3.1 光谱参数和生物量相关性分析 |
| 4.3.2 最优估算参数选取 |
| 4.3.3 建立冬小麦生物量估算模型 |
| 4.3.4 UHD185高光谱估算冬小麦生物量分布图 |
| 4.4 基于无人机成像高光谱影像的LAI估测 |
| 4.4.1 光谱参数与LAI相关性分析 |
| 4.4.2 最优估测参数选取 |
| 4.4.3 构建冬小麦LAI估测模型 |
| 4.4.4 UHD185高光谱估测冬小麦LAI分布图 |
| 4.5 本章小结 |
| 5 基于无人机遥感技术的冬小麦产量估算 |
| 5.1 基于无人机数码影像数据和生物量的产量估算 |
| 5.2 基于无人机数码影像数据和LAI的产量估算 |
| 5.3 基于无人机成像高光谱影像数据和生物量的产量估算 |
| 5.4 基于无人机成像高光谱影像数据和LAI的产量估算 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（6）基于数据挖掘的玉米产量预测模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 相关理论介绍 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘的过程 |
| 2.1.2 数据挖掘的方法 |
| 2.2 爬虫技术 |
| 2.3 神经网络 |
| 2.3.1 神经元 |
| 2.3.2 多层感知器 |
| 2.3.3 深度神经网络 |
| 2.4 决策树 |
| 2.4.1 决策树的优缺点 |
| 2.4.2 决策树主要算法 |
| 第三章 数据采集与预处理 |
| 3.1 数据来源与获取方式 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 数据归一化处理 |
| 3.3 属性约简 |
| 3.3.1 Relief算法原理 |
| 3.3.2 Relief算法描述 |
| 3.3.3 ReliefF 单标签特征选择算法 |
| 3.3.4 ReliefF 算法原理 |
| 3.3.5 约简结果 |
| 第四章 玉米产量预测模型建模 |
| 4.1 基于改进的神经网络预测模型建立 |
| 4.1.1 神经网络结构设计 |
| 4.1.2 神经网络参数选择 |
| 4.1.3 试验与结果分析 |
| 4.2 模型对比 |
| 4.2.1 决策树建模 |
| 4.2.2 神经网络建模 |
| 4.2.3 模型比较 |
| 4.3 产量预测系统集成 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（7）利用无人机遥感的矿区复垦耕地的作物生物量精细化评价（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 矿区复垦研究现状 |
| 1.2.2 矿区复垦监测研究进展 |
| 1.2.3 复垦有关的作物指标无人机遥感估算研究进展 |
| 1.2.4 国内外研究现状评述 |
| 1.3 主要内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 2 实验设计与数据预处理 |
| 2.1 试验田简介 |
| 2.1.1 研究区概况 |
| 2.1.2 试验田概况 |
| 2.2 遥感数据 |
| 2.2.1 轻小型无人机系统的介绍 |
| 2.2.2 遥感数据采集 |
| 2.2.3 地面控制点的布设与测量 |
| 2.3 田间调查数据 |
| 2.3.1 作物高度测量 |
| 2.3.2 作物生物量采集 |
| 2.3.3 作物单产测定 |
| 2.3.4 土壤数据 |
| 2.4 气象数据 |
| 2.5 无人机图像的预处理 |
| 2.5.1 试验田的无人机图像预处理 |
| 2.5.2 辅助研究区的无人机图像预处理 |
| 2.6 本章小结 |
| 3 耕地条带田块的自动提取 |
| 3.1 耕地条带田块自动提取的可行性 |
| 3.1.1 耕地条带田块的特征 |
| 3.1.2 耕地条带田块的自动提取流程 |
| 3.2 耕地田埂线的自动检测 |
| 3.2.1 地表粗糙度的二值化 |
| 3.2.2 候选田埂线的过滤 |
| 3.2.3 候选田埂线的清理 |
| 3.2.4 候选田埂线的平滑 |
| 3.3 耕地条带田面的自动制图 |
| 3.3.1 田埂线上点的检测 |
| 3.3.2 田埂线上点的标记 |
| 3.3.3 田埂线上点的改善 |
| 3.3.4 田埂线与田块面的制图 |
| 3.4 耕地条带田块自动制图的精度验证 |
| 3.4.1 耕地田埂线的精度验证 |
| 3.4.2 耕地条带田块的精度验证 |
| 3.5 耕地条带田块自动提取的影响因素讨论 |
| 3.5.1 田埂线点集质量改善的效果 |
| 3.5.2 空间分辨率对自动提取精度的影响 |
| 3.5.3 数据采集对自动提取的影响 |
| 3.6 自动提取方法的应用 |
| 3.7 本章小结 |
| 4 基于无人机多光谱图像的作物冠层高度模型构建 |
| 4.1 基于运动恢复结构与多视图立体视觉的冠层表面模型构建 |
| 4.1.1 摄影测量学与计算机视觉的异同 |
| 4.1.2 冠层高度模型的三维重建过程 |
| 4.2 作物冠层高度模型的构建 |
| 4.2.1 密集点云的滤波 |
| 4.2.2 冠层高度模型的初步生成 |
| 4.2.3 植被掩膜的生成 |
| 4.2.4 植被掩膜的作物冠层高度模型 |
| 4.3 作物冠层高度模型的验证 |
| 4.3.1 剔除冠层孔隙的株高提取阈值确定 |
| 4.3.2 作物冠层高度提取的验证 |
| 4.3.3 作物冠层高度模型的讨论 |
| 4.4 本章小结 |
| 5 多特征融合的作物生物量估算 |
| 5.1 多特征融合参量的构建 |
| 5.1.1 植被指数的准备 |
| 5.1.2 冠层体积模型的计算 |
| 5.1.3 气象因子的确定 |
| 5.1.4 多特征融合参量的提出 |
| 5.2 小麦生物量的估算 |
| 5.2.1 小麦植被指数的筛选 |
| 5.2.2 小麦多特征融合参量的确定 |
| 5.2.3 小麦生物量估算的建模和验证 |
| 5.2.4 小麦生物量的估算结果 |
| 5.3 玉米生物量的估算 |
| 5.3.1 玉米特征融合的确定 |
| 5.3.2 玉米生物量估算的建模和验证 |
| 5.3.3 玉米生物量估算的结果 |
| 5.4 生物量估算结果的讨论 |
| 5.4.1 不同自变量的估算精度比较 |
| 5.4.2 逐像素累积方法的优势 |
| 5.4.3 样方估算的生物量与实测产量的比较 |
| 5.5 本章小结 |
| 6 复垦耕地作物生物量的时空变化特征与评价 |
| 6.1 作物生物量分级的时空变化 |
| 6.1.1 作物生物量的分级标准 |
| 6.1.2 作物生物量分级的时空变化 |
| 6.2 作物生物量空间聚集的时空特征 |
| 6.2.1 空间自相关分析方法 |
| 6.2.2 作物生物量的全局聚集特征 |
| 6.2.3 作物生物量的局部聚集特征 |
| 6.3 作物生物量的评价与结果讨论 |
| 6.3.1 作物生物量的评价 |
| 6.3.2 评价结果的讨论 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）我国南方丘陵山地生态系统服务与社会经济协同发展研究 ——以湘西土家族苗族自治州为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 第一节 选题的背景和意义 |
| 一、研究背景 |
| 二、论文的目的和意义 |
| 第二节 国内外研究综述 |
| 一、区域生态系统服务研究动态 |
| 二、民族地区社会经济系统与可持续发展研究动态 |
| 三、区域可持续发展与协同发展研究进展 |
| 第三节 研究目标和主要研究内容 |
| 一、研究目标 |
| 二、研究内容 |
| 三、技术路线 |
| 第二章 研究区域 |
| 第一节 湘西概况 |
| 一、地理位置、行政区划与民族分布 |
| 二、湘西地区地形地貌与自然灾害特点 |
| 三、湘西地区生态系统类型分布、生态环境与社会经济 |
| 第二节 研究区域的实地考察与调研 |
| 一、湘西实地考察 |
| 二、参与式调研与集中会议研讨 |
| 第三章 研究方案 |
| 第一节 数据来源 |
| 一、遥感监测数据 |
| 二、资料收集与数据整理 |
| 第二节 技术支持 |
| 一、应用软件工具材料 |
| 二、机器学习技术模型 |
| 第三节 研究方法 |
| 一、生态系统服务与社会经济核算方法、计算公式和评价模式 |
| 二、区域生态系统服务与社会经济影响关系分析模型与评估方法 |
| 三、区域生态环境与社会经济预测与情景分析方法 |
| 第四章 基于3S区域生态系统服务与社会经济时空变化分析 |
| 第一节 土地利用变化下生态系统服务价值时空演变分析 |
| 一、1980-2018年湘西土地利用变化及转移矩阵分析 |
| 二、生态系统服务功能分析及价值估算 |
| 第二节 民族地区社会经济时空演变分析 |
| 一、湘西州社会人口因素变化分析 |
| 二、湘西州经济生产总值因素变化 |
| 三、湘西州社会经济人均产总值与人均可支配收入变化分析 |
| 第三节 区域气象环境影响下作物生产时空演变分析 |
| 一、1980-2018湘西气象环境因素变化情况分析 |
| 二、湘西州气象环境影响下的农作物变化分析 |
| 第五章 区域生态系统服务与社会经济发展影响关系分析 |
| 第一节 生态系统与社会经济内部因素影响关系 |
| 一、土地利用变化下生态系统各因素之间的影响关系 |
| 二、社会经济内部各因素间影响关系分析 |
| 三、气象环境内部各因素影响关系分析 |
| 第二节 区域生态系统服务与社会经济影响因素分析 |
| 一、土地生态系统对社会人口因素的影响分析 |
| 二、土地生态对经济产值的时空效应分析 |
| 第三节 区域复杂生态系统与社会经济系统影响因素分析 |
| 一、气象生态环境对农作物社会经济发展影响因素的时空效应分析 |
| 二、气象生态环境对农作物灾害影响因素的时空效应分析 |
| 第六章 区域生态系统服务与社会经济协同发展预测与情景分析 |
| 第一节 区域生态系统与社会经济协同发展人工神经网络预测与特征分析 |
| 一、基于灾害-环境-社会经济耦合下的生态系统服务人工神经网络预测与特征分析 |
| 二、基于农田生态系统与农村社会经济发展人工神经网络预测与特征分析 |
| 第二节 生态系统与社会经济权衡决策的情景分析及协同发展上的建议 |
| 一、生态系统服务与社会经济权衡决策中的情景分析 |
| 二、生态系统服务与社会经济在PEST-SWOT模型上的协同发展分析 |
| 第七章 讨论、结论与展望 |
| 第一节 讨论 |
| 第二节 结论 |
| 第三节 主要创新点、不足与展望 |
| 一、主要创新点 |
| 二、不足之处 |
| 三、展望 |
| 参考文献 |
| 附录 |
| 后记 (致谢) |
| 攻读学位期间发表的学术论文目录 |
（9）基于等效积温的谷物干燥过程建模与智能控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 谷物干燥基础试验研究现状 |
| 1.2.2 谷物干燥模型研究现状 |
| 1.2.3 人工智能在农业领域的发展现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 稻谷干燥特性与品质变化研究 |
| 2.1 稻谷有效干燥积温理论 |
| 2.2 稻谷干燥积温品质试验 |
| 2.2.1 试验方案设计 |
| 2.2.2 多参数可控薄层干燥试验装置 |
| 2.2.3 其他试验设备 |
| 2.2.4 试验方法与步骤 |
| 2.2.5 相关指标检测及计算方法 |
| 2.2.6 试验结果与分析 |
| 2.3 稻谷干燥积温品质图的建立 |
| 2.4 本章小结 |
| 第3章 基于有效积温理念的谷物干燥数学模型重构 |
| 3.1 稻谷有效干燥积温模型的重构 |
| 3.1.1 稻谷有效干燥积温模型计算方法及推导过程 |
| 3.1.2 数据整理及分析 |
| 3.1.3 模型评价及选择方法 |
| 3.2 干燥积温模型数据分析 |
| 3.2.1 干燥积温模型选取 |
| 3.2.2 干燥积温模型参数的多元回归分析 |
| 3.3 本章小结 |
| 第4章 多因子耦合下稻谷干燥缓苏特性研究 |
| 4.1 多参数耦合稻谷薄层干燥试验 |
| 4.1.1 试验因素选取及范围确定 |
| 4.1.2 试验检测项目 |
| 4.1.3 试验方案 |
| 4.2 材料与设备 |
| 4.2.1 试验材料 |
| 4.2.2 试验设备 |
| 4.3 试验方法 |
| 4.3.1 试验流程 |
| 4.3.2 指标检测及计算方法 |
| 4.4 试验结果与回归分析 |
| 4.4.1 干燥时间响应面分析及回归模型 |
| 4.4.2 干燥积温响应面分析及回归模型 |
| 4.4.3 发芽率比响应面分析及回归模型 |
| 4.5 有缓苏影响的干燥积温模型建立 |
| 4.5.1 有缓苏影响的干燥积温模型的确定 |
| 4.5.2 有缓苏影响的干燥积温模型数据分析 |
| 4.6 缓苏时间对稻谷干燥的影响分析 |
| 4.7 本章小结 |
| 第5章 连续式稻谷干燥机智能控制方法和系统研究 |
| 5.1 连续式稻谷干燥机 |
| 5.2 连续式稻谷干燥机工艺流程 |
| 5.3 智能控制系统设计 |
| 5.3.1 适用于谷物干燥的智能控制方法 |
| 5.3.2 智能控制系统设计方法的选择 |
| 5.3.3 多隐层BP神经网络输入与输出参数选取 |
| 5.3.4 等效干燥积温的定义及推导 |
| 5.3.5 智能控制系统控制方案 |
| 5.4 智能控制系统硬件设计 |
| 5.4.1 硬件介绍 |
| 5.4.2 通讯方式 |
| 5.5 智能控制系统软件设计 |
| 5.5.1 应用编程软件介绍 |
| 5.5.2 多隐层BP神经网络模型的建立 |
| 5.5.3 MATLAB和LabVIEW的混合编程智能控制器 |
| 5.6 本章小结 |
| 第6章 稻谷干燥机智能控制系统模拟试验 |
| 6.1 小型连续式稻谷干燥机稻谷干燥预试验 |
| 6.1.1 试验目的 |
| 6.1.2 试验设备 |
| 6.1.3 试验方案 |
| 6.1.4 试验条件 |
| 6.2 多隐层BP神经网络模型训练结果 |
| 6.2.1 模型训练流程 |
| 6.2.2 模型验证结果 |
| 6.3 LabVIEW环境下的系统模拟试验 |
| 6.3.1 模拟试验条件 |
| 6.3.2 模拟方法与系统 |
| 6.3.3 模拟结果与分析 |
| 6.4 本章小结 |
| 第7章 结论和展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 附录1 第1次预试验部分试验数据 |
| 附录2 第2次预试验部分试验数据 |
| 作者在学期间取得的科研成果 |
| 致谢 |
（10）江苏小麦综合气象指数构建与产量变化预测和分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1 国内外研究进展 |
| 1.1 影响冬小麦生产的主要气象因素 |
| 1.2 农业气象指数综述 |
| 1.2.1 单因子气象指数 |
| 1.2.2 多因子气象指数 |
| 1.2.3 复杂气象指数 |
| 1.3 基于气象因子的作物产量模型研究进展 |
| 1.3.1 产量去趋势分析方法 |
| 1.3.2 以气象因子为参数的作物产量拟合方法 |
| 2 研究目的及意义 |
| 3 技术路线 |
| 参考文献 |
| 第二章 江苏小麦生长季气象因子的时空变化特征 |
| 1 数据获取与处理 |
| 1.1 数据获取站点 |
| 1.2 气象数据及预处理 |
| 1.2.1 数据收集 |
| 1.2.2 数据预处理 |
| 1.3 产量数据及预处理 |
| 2 研究方法 |
| 2.1 趋势检测法 |
| 2.2 相关分析法 |
| 2.3 普通克里金插值法 |
| 3 结果与分析 |
| 3.1 江苏地区小麦生长季气象因子的空间分布 |
| 3.1.1 小麦生长季气温的空间分布 |
| 3.1.2 小麦生长季降水量的空间分布 |
| 3.1.3 小麦生长季太阳辐射的空间分布 |
| 3.1.4 小麦生长季日照时数的空间分布 |
| 3.2 江苏地区小麦生长季气温的年际变化 |
| 3.2.1 小麦生长季气温变化趋势 |
| 3.2.2 气温增加的昼夜不对称性及与小麦产量的关系 |
| 3.3 江苏地区小麦生长季降水量的年际变化 |
| 3.3.1 小麦生长季降水量趋势变化 |
| 3.3.2 基于旬尺度的SPEI指数评价江苏小麦生长季水分对产量的影响 |
| 3.4 江苏地区小麦生长季日太阳辐射的年际变化 |
| 3.5 江苏地区小麦生长季日照时数的年际变化 |
| 4 小结 |
| 参考文献 |
| 第三章 影响江苏小麦产量的关键气象因子筛选方法 |
| 1 数据获取与处理 |
| 2 研究方法 |
| 2.1 基于逐步回归模型的气象因子重要性评估方法 |
| 2.2 基于随机森林算法的变量重要性估计方法 |
| 3 结果与分析 |
| 3.1 气候产量计算方法的选择 |
| 3.1.1 不同方法计算的气候产量在气候条件近似地区的相关性比较 |
| 3.1.2 气象因子与各气候产量的相关性比较 |
| 3.1.3 气候产量在严重减产年份的拟合比较 |
| 3.2 对小麦产量影响较大的气象因子筛选 |
| 3.2.1 基于逐步回归的气象因子筛选 |
| 3.2.2 基于随机森林算法的气象因子筛选 |
| 4 小结 |
| 参考文献 |
| 第四章 表征小麦气候产量的综合气象指数构建 |
| 1 数据获取与处理 |
| 2 指数构建方法 |
| 2.1 指数构建步骤 |
| 2.2 模型选择 |
| 2.2.1 作物模型与统计模型的比较 |
| 2.2.2 统计模型选择 |
| 2.2.3 候选机器学习模型 |
| 2.3 气候产量分布的确定 |
| 2.3.1 检验方法 |
| 2.3.2 检验结果 |
| 2.4 精度评价指标 |
| 2.4.1 决定系数R~2 |
| 2.4.2 均方根误差 |
| 2.4.3 混淆矩阵 |
| 2.4.4 ROC曲线和AUC |
| 3 指数的实现 |
| 3.1 基于RF模型的指数 |
| 3.1.1 气象因子筛选 |
| 3.1.2 RF模型参数设置 |
| 3.1.3 RF拟合模型的构建 |
| 3.1.4 模型结果的标准化处理 |
| 3.1.5 指数精度提升 |
| 3.2 基于SVM模型的指数 |
| 3.2.1 SVM模型参数设置 |
| 3.2.2 SVM拟合模型的构建 |
| 3.2.3 基于SVM模型的指数 |
| 3.3 指数分类阈值研究 |
| 4 小结 |
| 参考文献 |
| 第五章 综合气象指数预测小麦气候产量的精度评价 |
| 1 数据获取与处理 |
| 2 研究方法 |
| 2.1 SPEI指数预测气候产量的方法 |
| 2.2 基于多气象因子的产量预测回归模型方法 |
| 2.3 验证测试集预测气候产量的方法 |
| 3 结果与分析 |
| 3.1 综合气象指数与SPEI指数的比较 |
| 3.1.1 SPEI指数与小麦气候产量关系 |
| 3.1.2 SPEI指数的回归模型构建及预测 |
| 3.1.3 两种指数在测试集上的预测性能比较 |
| 3.2 综合气象指数与基于气象因子的回归模型精度比较 |
| 3.2.1 苏北回归模型预测结果 |
| 3.2.2 苏中回归模型预测结果 |
| 3.2.3 苏南回归模型预测结果 |
| 3.2.4 预测精度对比 |
| 3.3 综合气象指数在全新数据集上的精度验证 |
| 3.3.1 时间预测精度 |
| 3.3.2 空间预测精度 |
| 4 小结 |
| 参考文献 |
| 第六章 江苏小麦生产对气候变化的适应性及预测分析 |
| 1 研究方法 |
| 1.1 数据获取与处理 |
| 1.2 数据分析方法 |
| 1.2.1 基于熵的全局敏感性分析法 |
| 1.2.2 正态分布检验 |
| 2 结果与分析 |
| 2.1 江苏小麦气候适应性分析 |
| 2.1.1 江苏小麦气象因子敏感性分析 |
| 2.1.2 江苏小麦的气候适应性 |
| 2.2 未来气候情景下的小麦产量变化 |
| 2.2.1 苏北地区在气候变暖情景下的小麦产量变化 |
| 2.2.2 苏中地区在气候变暖情景下的小麦产量变化 |
| 2.2.3 苏南地区在气候变暖情景下的小麦产量变化 |
| 3 小结 |
| 参考文献 |
| 第七章 结论与讨论 |
| 1 讨论 |
| 1.1 气候产量计算方法的选择与评价 |
| 1.2 气候产量预测的参数与模型 |
| 1.3 基于RF和SVM模型的综合气象指数表征气候产量的可行性与精度 |
| 1.4 江苏不同地区小麦产量变化的敏感气象因子异同性分析 |
| 1.5 江苏小麦产量变化的气候适应性 |
| 2 主要结论 |
| 3 本研究的创新点 |
| 4 尚待深入研究的问题 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、粮食产量预测的因子处理和建模方法（论文参考文献）
- [1]基于机器学习的储粮品质预测方法及应用研究[D]. 王启阳. 吉林大学, 2021(01)
- [2]基于高光谱遥感的小麦资源利用效率研究[D]. 张海艳. 河南农业大学, 2020
- [3]基于机器学习的多因子粮食产量影响因素关联分析和产量预测方法研究[D]. 曹存梁. 桂林理工大学, 2020(07)
- [4]吐鲁番市葡萄产量主要影响因子分析及预测[D]. 赵嘉宝. 塔里木大学, 2020(10)
- [5]基于无人机数码和成像高光谱遥感影像的冬小麦长势监测及产量估算研究[D]. 陶惠林. 安徽理工大学, 2020(04)
- [6]基于数据挖掘的玉米产量预测模型的研究[D]. 金佳宣. 吉林农业大学, 2020(02)
- [7]利用无人机遥感的矿区复垦耕地的作物生物量精细化评价[D]. 张建勇. 中国矿业大学(北京), 2020
- [8]我国南方丘陵山地生态系统服务与社会经济协同发展研究 ——以湘西土家族苗族自治州为例[D]. 匡奕敩. 中央民族大学, 2020(01)
- [9]基于等效积温的谷物干燥过程建模与智能控制[D]. 金毅. 吉林大学, 2019(03)
- [10]江苏小麦综合气象指数构建与产量变化预测和分析[D]. 徐向英. 扬州大学, 2019(06)