呼伦贝尔智慧草原关键技术及应用
出版时间:
2022-04
版次:
1
ISBN:
9787109293144
定价:
30.00
装帧:
平装
开本:
32开
页数:
121页
字数:
105.000千字
正文语种:
简体中文
1人买过
-
本书以动态草畜平衡系统为例,通过对卫星传感器获取的归一化植被指数(NDVI)数据与地面气象传感器产生的降水量数据进行协同处理与分析,预测未来年份NDVI的时空数据,进而对研究区域的草产量与理论载畜量进行时空预测,实现未来年份牲畜种类、数量的时空优化配置,最终实现一种基于物联网的动态草畜平衡系统功能,即实现智慧草原。本书基于多种神经网络方法的多源异构数据协同理论和方法研究,具有重要的理论和应用意义。 吴淘锁,1984年生,呼伦贝尔学院副教授,呼伦贝尔市级创新工作室负责人,博士毕业于天津大学,现为中国农业科学院在站博士后,多次获得呼伦贝尔学院优秀共产党员、优秀教师、优秀班主任、科技工作先进个人等荣誉称号。近三年,在草地遥感、深度学习领域共计发表SCI论文9篇,主持内蒙古自治区科技计划项目1项、自治区自然科学基金项目1项、自治区教育厅哲学社会科学研究专项1项,呼伦贝尔学院博士基金项目1项。 前言
1 绪论
1.1 研究背景
1.2 研究需求和意义
1.3 国内外研究现状
1.3.1 多源异构数据协同研究
1.3.2 草畜平衡研究
1.4 研究内容及主要贡献
1.5 本书结构安排
1.6 小结
2 基于物联网的动态草畜平衡系统及其关键技术
2.1 研究区域概况
2.2 多源异构数据介绍
2.2.1 气象传感数据
2.2.2 卫星遥感数据NDVI
2.2.3 关键气象传感数据的确定
2.3 草畜平衡概述
2.4 草畜平衡系统
2.5 动态草畜平衡系统及其关键技术
2.5.1 动态草畜平衡系统
2.5.2 动态草畜平衡系统的关键技术
2.6 小结
3 基于神经网络的降水量时间数据自回归预测模型
3.1 人工神经网络模型概述
3.1.1 人工神经网络的定义
3.1.2 人工神经网络的发展概述
3.1.3 人工神经网络结构
3.1.4 人工神经网络学习方式
3.1.5 静态与动态神经网络
3.2 基于BPNN的降水量自回归预测模型
3.2.1 BPNN的建模方法
3.2.2 基于BPNN的降水量自回归预测建模及结果分析
3.3 基于TDNN的降水量自回归预测模型
3.3.1 TDNN的建模方法
3.3.2 基于TDNN的降水量自回归预测建模及结果分析
3.4 基于NARX的降水量自回归预测模型
3.4.1 NARX的建模方法
3.4.2 基于NARX的降水量自回归预测建模及结果分析
3.5 三种用于降水量自回归预测的神经网络模型比较
3.6 小结
4 基于神经网络的多源异构时间数据协同模型
4.1 基于神经网络的多源异构数据协同方法
4.2 基于BPNN的多源异构数据协同模型
4.2.1 基于BPNN的多源异构数据协同模型结构
4.2.2 基于BPNN的多源异构数据协同结果分析
4.3 基于TDNN的多源异构数据协同模型
4.3.1 基于TDNN的多源异构数据协同模型结构
4.3.2 基于TDNN的多源异构数据协同结果分析
4.4 基于NARX的多源异构数据协同模型
4.4.1 基于NARX的多源异构数据协同模型结构
4.4.2 基于NARX的多源异构数据协同结果分析
4.5 三种神经网络数据协同模型的比较
4.6 基于神经网络捕捉多源异构数据中的延迟效应
4.7 小结
5 基于混合神经网络的多源异构时空数据协同方法
5.1 基于混合神经网络的多源异构数据协同方法
5.1.1 基于混合神经网络的多源异构数据协同模型的设计流程
5.1.2 基于混合神经网络的多源异构数据协同模型构成
5.1.3 数据准备
5.2 基于NARX的时间数据自回归预测模型
5.2.1 基于NARX的多站点降水量时间数据自回归预测模型结构
5.2.2 基于NARX的多站点降水量时间数据预测结果分析
5.3 基于BPNN的降水量时间-空间数据协同转换模型
5.3.1 基于BPNN的降水量时间-空间协同转换模型结构
5.3.2 基于BPNN的降水量时间-空间数据协同结果分析
5.4 基于混合神经网络的NDVI时空预测模型
5.4.1 基于混合神经网络的NDVI时空预测模型的数据实现过程
5.4.2 基于混合神经网络的NDVI时空预测模型验证及结果分析
5.5 小结
6 基于多源异构数据协同的动态草畜平衡系统
6.1 基于多源异构数据协同的动态草畜平衡系统实现方法
6.2 基于多源异构数据协同的未来年份NDVI时空数据预测
6.2.1 降水量时间预测数据
6.2.2 降水量时空预测数据
6.2.3 NDVI时空预测数据
6.3 未来年份的载畜量时空预测
6.4 小结
7 总结和展望
7.1 工作总结
7.2 未来工作的展望
参考文献
-
内容简介:
本书以动态草畜平衡系统为例,通过对卫星传感器获取的归一化植被指数(NDVI)数据与地面气象传感器产生的降水量数据进行协同处理与分析,预测未来年份NDVI的时空数据,进而对研究区域的草产量与理论载畜量进行时空预测,实现未来年份牲畜种类、数量的时空优化配置,最终实现一种基于物联网的动态草畜平衡系统功能,即实现智慧草原。本书基于多种神经网络方法的多源异构数据协同理论和方法研究,具有重要的理论和应用意义。
-
作者简介:
吴淘锁,1984年生,呼伦贝尔学院副教授,呼伦贝尔市级创新工作室负责人,博士毕业于天津大学,现为中国农业科学院在站博士后,多次获得呼伦贝尔学院优秀共产党员、优秀教师、优秀班主任、科技工作先进个人等荣誉称号。近三年,在草地遥感、深度学习领域共计发表SCI论文9篇,主持内蒙古自治区科技计划项目1项、自治区自然科学基金项目1项、自治区教育厅哲学社会科学研究专项1项,呼伦贝尔学院博士基金项目1项。
-
目录:
前言
1 绪论
1.1 研究背景
1.2 研究需求和意义
1.3 国内外研究现状
1.3.1 多源异构数据协同研究
1.3.2 草畜平衡研究
1.4 研究内容及主要贡献
1.5 本书结构安排
1.6 小结
2 基于物联网的动态草畜平衡系统及其关键技术
2.1 研究区域概况
2.2 多源异构数据介绍
2.2.1 气象传感数据
2.2.2 卫星遥感数据NDVI
2.2.3 关键气象传感数据的确定
2.3 草畜平衡概述
2.4 草畜平衡系统
2.5 动态草畜平衡系统及其关键技术
2.5.1 动态草畜平衡系统
2.5.2 动态草畜平衡系统的关键技术
2.6 小结
3 基于神经网络的降水量时间数据自回归预测模型
3.1 人工神经网络模型概述
3.1.1 人工神经网络的定义
3.1.2 人工神经网络的发展概述
3.1.3 人工神经网络结构
3.1.4 人工神经网络学习方式
3.1.5 静态与动态神经网络
3.2 基于BPNN的降水量自回归预测模型
3.2.1 BPNN的建模方法
3.2.2 基于BPNN的降水量自回归预测建模及结果分析
3.3 基于TDNN的降水量自回归预测模型
3.3.1 TDNN的建模方法
3.3.2 基于TDNN的降水量自回归预测建模及结果分析
3.4 基于NARX的降水量自回归预测模型
3.4.1 NARX的建模方法
3.4.2 基于NARX的降水量自回归预测建模及结果分析
3.5 三种用于降水量自回归预测的神经网络模型比较
3.6 小结
4 基于神经网络的多源异构时间数据协同模型
4.1 基于神经网络的多源异构数据协同方法
4.2 基于BPNN的多源异构数据协同模型
4.2.1 基于BPNN的多源异构数据协同模型结构
4.2.2 基于BPNN的多源异构数据协同结果分析
4.3 基于TDNN的多源异构数据协同模型
4.3.1 基于TDNN的多源异构数据协同模型结构
4.3.2 基于TDNN的多源异构数据协同结果分析
4.4 基于NARX的多源异构数据协同模型
4.4.1 基于NARX的多源异构数据协同模型结构
4.4.2 基于NARX的多源异构数据协同结果分析
4.5 三种神经网络数据协同模型的比较
4.6 基于神经网络捕捉多源异构数据中的延迟效应
4.7 小结
5 基于混合神经网络的多源异构时空数据协同方法
5.1 基于混合神经网络的多源异构数据协同方法
5.1.1 基于混合神经网络的多源异构数据协同模型的设计流程
5.1.2 基于混合神经网络的多源异构数据协同模型构成
5.1.3 数据准备
5.2 基于NARX的时间数据自回归预测模型
5.2.1 基于NARX的多站点降水量时间数据自回归预测模型结构
5.2.2 基于NARX的多站点降水量时间数据预测结果分析
5.3 基于BPNN的降水量时间-空间数据协同转换模型
5.3.1 基于BPNN的降水量时间-空间协同转换模型结构
5.3.2 基于BPNN的降水量时间-空间数据协同结果分析
5.4 基于混合神经网络的NDVI时空预测模型
5.4.1 基于混合神经网络的NDVI时空预测模型的数据实现过程
5.4.2 基于混合神经网络的NDVI时空预测模型验证及结果分析
5.5 小结
6 基于多源异构数据协同的动态草畜平衡系统
6.1 基于多源异构数据协同的动态草畜平衡系统实现方法
6.2 基于多源异构数据协同的未来年份NDVI时空数据预测
6.2.1 降水量时间预测数据
6.2.2 降水量时空预测数据
6.2.3 NDVI时空预测数据
6.3 未来年份的载畜量时空预测
6.4 小结
7 总结和展望
7.1 工作总结
7.2 未来工作的展望
参考文献
查看详情
-
全新
河北省保定市
平均发货9小时
成功完成率81.48%
-
全新
北京市朝阳区
平均发货23小时
成功完成率82.97%
-
全新
河北省保定市
平均发货24小时
成功完成率85.5%
-
全新
山东省泰安市
平均发货23小时
成功完成率82.54%
-
全新
广东省广州市
平均发货17小时
成功完成率92.71%
-
全新
广东省广州市
平均发货16小时
成功完成率92.47%
-
全新
广东省广州市
平均发货17小时
成功完成率94.57%
-
全新
河南省开封市
平均发货19小时
成功完成率85.99%
-
全新
河南省开封市
平均发货19小时
成功完成率85.99%
-
全新
-
全新
北京市通州区
平均发货10小时
成功完成率91.87%
-
全新
山东省泰安市
平均发货15小时
成功完成率91.2%
-
全新
广东省广州市
平均发货10小时
成功完成率94.86%
-
全新
河北省保定市
平均发货18小时
成功完成率81.44%
-
全新
浙江省嘉兴市
平均发货13小时
成功完成率94.69%
-
全新
山东省泰安市
平均发货8小时
成功完成率92.73%
-
全新
广东省广州市
平均发货9小时
成功完成率88.49%
-
全新
浙江省嘉兴市
平均发货9小时
成功完成率95.48%
-
全新
北京市朝阳区
平均发货18小时
成功完成率86.27%
-
全新
浙江省嘉兴市
平均发货11小时
成功完成率92.97%
-
全新
广东省广州市
平均发货7小时
成功完成率93.27%
-
全新
江苏省南京市
平均发货14小时
成功完成率82.34%
-
全新
江苏省无锡市
平均发货14小时
成功完成率87.85%
-
全新
广东省广州市
平均发货10小时
成功完成率89.62%
-
全新
北京市东城区
平均发货22小时
成功完成率85.23%