论文部分内容阅读
近年来,随着计算机图形学的发展和计算机处理能力的提高,人们在计算机上建立了各种模型来动态描述作物的发芽、生长、死亡等全部过程已经成为一种可能。然而,到目前为止,由于作物的生长发育过程受到多种因素影响,其生长过程非常复杂,尚未发现一种可靠的算法来实现作物生长过程在计算机上真实模拟。因此对于作物系统模型的深入探讨是很有必要的。
本文以大豆(华)为研究对象,在温室采用盆栽试验的方法,利用温度计、湿度计、气压计等各种精密仪器获取大豆近100天的生长环境数据(包括温度、日长、湿度和气压等)及100天内大豆生长的各种器官的形态发生数据(包括株高、株茎、叶面积等)。运用MATLAB软件对这些数据进行分析和处理,从而建立大豆阶段发育期和形态变化的模型。具体工作如下:
(1)获取大豆的叶片参数(其中包括叶面积、叶长和叶宽):基于参照物的叶面积测量方法获得大豆叶片生长参数。结果表明测量精度与传统的网格法相差3.11%。
(2)建立了大豆营养生长期的光温综合效应模型:采用最小二乘法对实验获得的一部分测量数据进行拟合,计算出模型的参数从而得到具体的综合效应模型。接着,将实验获得的另一部分数据代入模型中进行验证,证明了该模型具有合理的模型结构,能够对不同的光温条件下大豆阶段发育期进行有效预测。
(3)建立了RBF神经网络模型:使用影响大豆生长的环境因子作为模型的输入变量,大豆株高增长量为输出值,建立大豆株高变化的适应性模型。分别在不同的学习目标下建立RBF模型,通过比较得出,训练目标设为0.01时预测精度较高,平均相对误差低于5%。通过t检验得出预测值与实测值无显著差异。
(4)验证RBF神经网络模型的优越性:通过与BP网络进行比较,RBF神经网络具有响应速度快,训练时间短等优点。RBF网络能够克服BP网络陷入局部极小值的缺陷,在本研究中能够较好的预测不同环境因子影响下大豆生长形态的适应性变化过程。