SiB2(Simple Biosphere Model version 2)是将植物生理学、土壤微气象学结合起来用以研究单层植被中的水、能量以及CO_2通量变化的陆面过程模型。为了使SiB2适用于江西低丘红壤区农田小流域生态系统,根据在余江县花生地试验区的实地测...
详细信息
SiB2(Simple Biosphere Model version 2)是将植物生理学、土壤微气象学结合起来用以研究单层植被中的水、能量以及CO_2通量变化的陆面过程模型。为了使SiB2适用于江西低丘红壤区农田小流域生态系统,根据在余江县花生地试验区的实地测量以及SiB2提供的土壤和作物分类,确定土壤特性参数和花生形态学参数,调整部分花生生理学、光学参数,并修正SiB2长波辐射的计算。在此基础上,选取花生幼苗、开花和饱果成熟三个关键的生长期的近地层观测资料代入模式,对花生根域土壤水分动态变化进行短期模拟,探究不同生长期的花生生长特性和气象因素对模拟结果的影响,并且针对模型提出了基于集合卡尔曼滤波的单点数据同化方案以提高精度。与观测结果进行验证后,结果表明:在不同生长期下,极端天气越少、植株形态越成熟稳定,模拟结果越准确。在进行数据同化后,模型精度得到明显提高。
为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet(Visual Geometry Group Net)模型中添加...
详细信息
为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet(Visual Geometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力。基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统。系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中。仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53%,较VGGNet的87.21%和LSTM的88.50%,准确率分别提高了5.32%和4.03%。实地测试结果表明,野外环境下系统准确率可达到91.43%,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值。
暂无评论