基于BP神经网络的会理县气象因子对“红大”烟叶碱含量的预测分析

论文摘要

烟碱含量决定烟草制品的品质和口感,从而影响烟草升产的经济效益,并与生态环境尤其是气象因子密切相关。凉山州会理县作为凉山烟区的重要组成部分,其明显的立体气候特征对该县“红大”烟叶的种植、其烟碱含量高低具有极大影响。本研究旨在通过统计分析明确该县气象因子特点,并基于气象因子通过回归分析、BP神经网络预测“红大”烟叶烟碱含量,对比预结果,选取最优预测方法,用于该县烟碱含量的预测。主要结果如下：(1)分时段气象因子中移栽伸根期湿度、移栽伸根期降雨量、伸根期湿度、旺长期降雨量、成熟期湿度与烟碱含量呈较显著负相关,伸根期日照率、旺长期日照率、旺长期日照时数与烟碱含量呈较显著正相关；(2)整个大田期气象因子中大田期日照率、降雨量、湿度与“红大”烟叶烟碱含量相关性较显著,其中大田期降雨量、大田期湿度与烟碱含量呈较显著负相关,大田期日照率与烟碱含量呈较显著正相关。(3)回归分析中,对比各预测结果可知,总体上逐步回归预测精度优于强制回归；未提取主成分因子的条件下,基于分时段气象因子的逐步回归预测精度最高；提取主成分因子后,基于主成分因子F4(湿度、均温)、F5(日照时数、辐射)的逐步回归预测精度最高；对比提取主成分因子前后的回归分析,可知回归分析中以大田期主成分因子F4(湿度、均温)、F5(日照时数、辐射)为自变量的逐步回归预测精度最高,最适宜烟碱含量预测。(4)神经网络模型预测中,未提取主成分因子的条件下,基于大田期气象因子的神经网络预模型测精度最高；提取主成分因子后,基于分时段主成分因子F1(湿度、均温)、F2(日照时数、辐射)、F3(日照率、降雨量)的神经网络预测精度最高；对比提取主成分因子前后的神经网络预测精度,可知以主成分因子作为输入层的神经网络高于以单纯气象因子作为输入层的预测精度。总体来看,神经网络分析中其中以分时段主成分因子F1(湿度、均温)、F2(日照时数、辐射)、F3(日照率、降雨量)为输入层的神经网络模型最适宜于预测烟碱含量。(5)对比神经网络模型和回归分析可知,以分时段主成分因子F1(湿度、均温)、F2(日照时数、辐射)、F3(日照率、降雨量)为输入层的神经网络模型预测精度最高,最适宜于会理县“红大”烟叶烟碱含量预测。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 研究背景和意义
• 1.2 国内外研究综述
• 1.2.1 烟碱研究
• 1.2.1.1 我国烟叶烟碱含量状况
• 1.2.1.2 烟碱对烟叶品质的影响
• 1.2.2 气象因素对烟碱含量的影响
• 1.2.3 神经网络研究
• 1.2.4 研究现状小结
• 1.3 研究内容
• 1.4 研究区域概况
• 1.5 技术方案
• 1.5.1 技术路线
• 1.5.2 试验方法
• 2 材料与方法
• 2.1 数据来源
• 2.1.1 烟碱含量数据来源
• 2.1.2 气象数据来源
• 2.2 研究方法
• 2.2.1 主成分分析
• 2.2.2 相关性分析
• 2.2.3 回归分析
• 2.2.4 人工神经网络
• 2.2.4.1 BP神经网络模型简介
• 2.2.4.2 神经网络模型数据预处理
• 2.6.4.3 前向BP模型构建
• 2.2.5 误差验证公式
• 3 结果分析
• 3.1 烟碱与气象因子统计分析
• 3.1.1 烟碱统计分析
• 3.1.2 气象因子时间统计分析
• 3.1.3 气象因子空间统计分析
• 3.1.4 气象因子统计分析小结
• 3.2 大田期气象因子与烟碱含量关系分析
• 3.2.1 大田期气象因子与烟碱含量相关性分析
• 3.2.2 大田期气象因子回归分析
• 3.2.2.1 大田期气象因子逐步回归分析
• 3.2.2.2 大田期气象因子强制回归分析
• 3.2.3 基于大田期气象因子的神经网络模型构建
• 3.3 分时段气象因子与烟碱含量关系分析
• 3.3.1 分时段气象因子与烟碱含量相关性分析
• 3.3.2 分时段气象因子回归分析
• 3.3.2.1 分时段气象因子逐步回归
• 3.3.2.2 分时段气象因子强制回归
• 3.3.3 基于分时段气象因子的神经网络模型构建
• 3.4 大田期主成分因子与烟碱含量关系分析
• 3.4.1 大田期气象因子主成分因子提取
• 3.4.2 大田期主成分因子与烟碱含量相关性分析
• 3.4.3 大田期主成分因子回归分析
• 3.4.3.1 主成分因子F4、F5逐步回归分析
• 3.4.3.2 主成分因子F4、F5强制回归分析
• 3.4.4 基于大田期主成分因子的神经网络模型构建
• 3.4.4.1 基于大田期主成分因子F4、F5的神经网络模型构建
• 3.4.4.2 基于大田期主成分子因子F4的神经网络模型构建
• 3.5 分时段主成分因子与烟碱含量关系分析
• 3.5.1 分时段气象因子主成分因子提取
• 3.5.2 分时段主成分因子与烟碱含量相关性分析
• 3.5.3 分时段主成分因子F1、F2、F3回归分析
• 3.5.3.1 主成分因子F1、F2、F3逐步回归分析
• 3.5.3.2 主成分因子F1、F2、F3强制回归分析
• 3.5.4 基于分时段主成分因子的神经网络模型构建
• 3.5.4.1 基于分时段主成分因子F1、F2、F3的神经网络模型构建
• 3.5.4.2 基于主成分因子F1的神经网络模型构建
• 3.6 方法结果比较
• 3.6.1 回归分析结果对比
• 3.6.2 神经网络预测结果对比
• 3.6.3 神经网络与回归分析预测结果对比
• 4 结论
• 参考文献
• 附录1
• 附录2
• 致谢