面向养殖水体分布差异的COD光谱法检测研究

面向养殖水体，传统光谱法对化学需氧量（Chemical Oxygen Demand，COD）检测模型构建的基础：源域（现有样本库）与目标域（检测地水体）间光谱数据独立同分布。但是当源域与目标域分布间存在差异时，由源域得到的低误差模型常在目标域上表现下滑。针对该问题，提出面向UV Vis光谱的域对抗训练网络（DAUVwpNet），将分布不同的源域和目标域数据映射至相同分布的特征空间中，使其在该空间的分布距离尽可能接近，从而在特征空间中对源域训练的目标函数也可以迁移至目标域上，以降低模型在目标域的误差。试验表明：面向同一批测试数据，DAUVwpNet的预测误差为0.78，要低于传统模型的预测误差（0.85）；DAUVwpNet预测值与实测值间相关系数为0.95，要高于传统模型的相关系数（0.89）。表明了该网络能够较好对齐两域特征空间数据分布，降低因分布差异带来的COD检测误差。     

社会工作视野下高校和谐教育的构建

基于对我国当前高校不和谐现状的分析,秉持社会工作的理念和视角,探索了我国高校和谐教育的含义,并就社会工作作为一种专业方法在建设高校和谐教育中的策略进行了探讨与创新.     

基于卷积神经网络的家蚕病害识别研究

病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。     

基于新时代文旅融合的基地场景特色研学实证研究 ——以浙江省淳安县千岛湖为例

浙江省淳安县千岛湖近年来开发了生态环保探索、农事研学活动、红色国防教育3大主题6 个典型研学基地场景,对其自然条件、师资队伍、场所条件进行分析,研究其相应课程设计、研学路 线,教育性、体验性路径和目标。结果表明,研学不仅是生态红利的新引擎,也是创新发展的催化 剂,更是文化精神的感召力。提出要以新发展理念指引研学发展,深化研学内涵认知,多样化、多层 次、多方面开展研学活动。     

农科大学生英语听力教学现状分析及其改革对策探讨

采用问卷调查法,以103名农科大学生和25名大学英语教师为对象,调查了河北农业大学农科大学生大学英语听力教学现状及其影响因素,发现制约其听力水平提高的障碍因素主要为语音、文化背景知识和听力学习策略和技巧等,在此基础上提出了“课中、课外两条线,强化语音训练,补充英语文化背景知识,注重学习策略学习及应用”的农科大学生英语听力教学改革方略及“听前背景知识热身＋听时反复训练至听懂＋听后总结、巩固和提高”的具体改革方法。     

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法.该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活...     

Predicting soil depth in a large and complex area using machine learning and environmental correlations

Soil depth is critical for eco-hydrological modeling, carbon storage calculation and land evaluation. However, its spatial variation is poorly understood and rarely mapped. With a limited number of sparse samples, how to predict soil depth in a large area of complex landscapes is still an issue. This study constructed an ensemble machine learning model, i.e.,quantile regression forest, to quantify the relationship between soil depth and environmental conditions. The model was then combined with ...     

“学为中心”视域下动物解剖学教学方法的反思

由于信息技术的快速发展和动物医学专业需求的变化,动物解剖学教学在内容和方法方面发生了重大变化。动物医学专业教育已从被动和以教师为中心向积极、以临床为基础和以学生为中心转变。本文在“学为中心”背景下分析各种教学模式在动物解剖学教学中的作用和有效性。     

基于无人机RGB影像的染条锈冬小麦花青素含量监测

小麦植株感染条锈病后叶片花青素含量会发生明显变化。为了在地块尺度上利用冬小麦花青素值实现条锈病害的直观、快速监测,通过监测叶片花青素含量评估小麦条锈病严重程度,2021年获取感染条锈病的小麦田块的无人机RGB影像和采集地面病害区域的花青素含量数据,利用影像提取采样点感兴趣区的光谱特征参数和基于灰度共生矩阵的纹理特征参数,采用连续投影算法(SPA)结合相关性分析优选特征参数,分别采用单一光谱特征参数和组合参数,结合主成分回归(PCR)、拉索回归(LR)、随机森林回归(RFR)、梯度提升回归(GBR)和误差反向传播神经网络(BPNN)等方法构建了小麦花青素含量估算模型,并利用最优模型反演了田块的花青素含量。结果表明,图像光谱特征结合纹理特征后,花青素估算模型的R²增大,RMSE减小,模型精度显著提升。基于组合特征参数构建的随机森林模型精度最高,验证集R²、RMSE和MAE分别为0.801、0.026、0.021。该模型具有良好的花青素含量估算能力,得到的花青素值分布图与条锈病的空间分布具有一致性,能够定量化、可视化地反映病害严重程度。     

基于机器学习算法的奶牛疾病预测模型的研究

【目的】评估建立奶牛疾病预测模型的6种机器学习(machine learning, ML)算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树(Decision Tree, DT) C5.0、CHAID算法、人工神经网络(Artificial Neural Network, ANN)、随机森林(Random Forests, RF)、贝叶斯网络(Bayesian Networks, BN)和逻辑回归(Logistic Regression, LR)6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT...