-
题名基于深度学习的小麦籽粒锌含量预测及安全利用分区
- 1
-
-
作者
李清彩
陈娟
赵庆令
蔡图
韩文撑
褚琳琳
-
机构
山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队)
自然资源部采煤沉陷区综合治理与生态修复工程技术创新中心
山东农业大学资源与环境学院
济宁市自然资源和规划局
山东省威海生态环境监测中心
-
出处
《农业环境科学学报》
CAS
CSCD
北大核心
2024年第10期2248-2259,共12页
-
基金
山东省重点研发计划项目(2020CXGC011403,2023CXGC010904)。
-
文摘
为实现对小麦籽粒Zn含量的精准预测及安全利用分区,以济宁南部小麦种植区为研究对象,采集并测定了小麦籽粒中Zn及根际土壤样品中SiO_(2)、Fe_(2)O_(3)、MgO、CaO、Na_(2)O、K_(2)O、OrgC、P、N、S、Zn和pH等12种理化指标的含量,系统研究了小麦籽粒中Zn含量及其根际土壤理化指标含量特征,利用多层感知机神经网络和随机森林模型对小麦籽粒Zn含量变化特征进行预测,选择最优模型预测出济宁南部区域小麦籽粒Zn含量,并结合GIS技术划分了贫锌、缺锌、足锌和富锌农田。结果表明:济宁南部区域小麦籽粒中Zn含量平均值(39.7 mg·kg^(-1))与富锌小麦籽粒推荐值基本持平,超出黄淮麦区小麦籽粒Zn平均含量1.32倍;经相关分析和聚类分析得出,小麦籽粒Zn与根际土壤理化指标之间相互作用、相互耦合,存在着较为复杂的非线性关系;多层感知机神经网络预测模型的R^(2)(0.999)、RMSE(0.194)和MAE(0.146)等评价指标均优于随机森林模型;根际土壤中P、pH、OrgC和N指标是影响多层感知机神经网络预测相对重要的特征变量;研究区以足锌农田和缺锌农田为主,面积占比分别为57.47%和33.97%,谨慎利用贫锌区和安全利用富锌区农田面积占比分别为6.05%和2.51%。通过深度学习与农业地质相结合,利用多层感知机神经网络实现了通过简单土壤理化指标精准预测小麦籽粒锌含量。
-
关键词
深度学习
多层感知机神经网络
随机森林
小麦
锌
安全利用
-
Keywords
deep learning
multi-layer perception neural networks(mlpnn)
random forest(RF)
wheat
zinc
safe utilization
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
S512.1
[农业科学—作物学]
-
