论文部分内容阅读
作物模型是精准农业、数字农业和智能农业的重要组成部分,通过模拟作物的生长与生产过程,并与其他信息技术相结合,以多种形式服务于农业科研和生产实践,极大地促进了农业信息化和农业现代化的发展。在作物模型的构建过程中,如何选取合适的监测采样间隔、获取关键影响因子组合以及构建多输出模型是其中的难点,具有重要的研究意义。本文以多种作物的光合生理-环境实测数据为对象,研究上述三个关键问题。主要内容和结果包括:（1）监测采样间隔对作物模型性能的影响研究。以番茄叶片的CO2交换率和蒸腾速率与主要环境因子的关系为试验对象,采用不同的采样间隔,运用三种经典的模型构建方法——回归、BP神经网络和GA-BP神经网络,进行建模、预测和比较研究。结果显示,最合适模拟CO2交换率和蒸腾速率的采样间隔分别为30分钟和15分钟。（2）基于基因表达式编程（简称GEP）函数挖掘的多因子分析研究。提出一种基于GEP函数挖掘的多因子分析方法,研究番茄、黄瓜的叶片CO2交换率和蒸腾速率与多种环境因子的相互关系,并将该方法与相关分析和通径分析进行比较。结果显示,最适合黄瓜CO2交换率的影响因子组合为空气温度、光照强度、水蒸汽压亏空和露点,最适合黄瓜蒸腾速率的影响因子组合为光照强度、空气温度、水蒸气压亏空和空气流速,最适合番茄CO2交换率和蒸腾速率的因子组合均为光照强度、空气温度、相对湿度、水蒸气压亏空和露点。该研究结果与经典方法较一致。（3）GEP优化的多输出RBF网络建模研究。设计了GEP优化的多输出RBF网络算法结构,以黄瓜和番茄为试验对象,针对叶片CO2交换率和蒸腾速率进行建模预测,并与RBF多输出网络、GA-RBF多输出网络比较。结果显示,GEP优化的多输出RBF网络具有良好的预测精度,尤其在多输出结果的平衡性上较RBF和GA-RBF模型有较大的提高。