小樣本數(shù)據(jù)作物模型研究.pdf

1、作物生長模型是精準(zhǔn)農(nóng)業(yè)、數(shù)字農(nóng)業(yè)和智能農(nóng)業(yè)的重要支撐，近年來模型研究呈現(xiàn)出內(nèi)容細(xì)致化、目標(biāo)多樣化和應(yīng)用具體化等發(fā)展趨勢。基于小樣本數(shù)據(jù)的作物生長模型具有低耗、靈活、高效、兼容性強(qiáng)等優(yōu)點，能夠彌補(bǔ)大型綜合性模型在作物生理學(xué)研究、環(huán)境脅迫研究以及溫室調(diào)控應(yīng)用等方面存在的不足，但如何確保模型性能是小樣本作物生長建模的難點和研究意義所在。
　　本文以多種作物的光合生理-環(huán)境實測數(shù)據(jù)為對象，研究小樣本作物生長建模的若干關(guān)鍵問題，探討確保模型

2、性能的可行方法。主要內(nèi)容和結(jié)果包括：
　?。?）監(jiān)測數(shù)據(jù)的預(yù)處理研究。針對 PTM-48A型作物光合生理-環(huán)境參數(shù)監(jiān)測儀對草莓、黑豆、番茄、南瓜、黃瓜等作物的連續(xù)監(jiān)測數(shù)據(jù)，采用聚類分析對數(shù)據(jù)集的時間維度進(jìn)行分類，獲得連續(xù)、全面、均勻的數(shù)據(jù)段，再針對聚類獲得的符合要求的數(shù)據(jù)段進(jìn)行異常檢測，剔除干擾數(shù)據(jù)點。通過聚類分析及異常檢測處理，為后續(xù)分析和建模提供了可靠的樣本數(shù)據(jù)。
　?。?）因子分析與選擇研究。以作物的 CO2交換速率及

3、其環(huán)境影響因子的相互關(guān)系為對象，定量地研究、比較了數(shù)據(jù)建模中常用的兩種多因子分析方法——相關(guān)分析及通徑分析的性能。實驗結(jié)果表明，與相關(guān)分析相比，通徑分析能夠解釋因子間的直接和間接作用效果，分析過程更全面，而且能夠消除變量間的多重共線性，變量選擇更有效，更適宜小樣本數(shù)據(jù)作物建模。
　　（3）模型構(gòu)建方法研究。研究、比較了兩種代表性建模方法——回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型的性能。針對四種常見回歸模型的實驗表明，純二次模型精度較高而復(fù)雜度