东北落叶松相容性立木材积和地上生物量方程研建

以东北落叶松立木材积和地上生物量数据为例,通过改进模型的结构形式,采用误差变量联立方程组的方法,研究建立了相容的立木材积方程、地上生物量方程及生物量转换函数。结果表明:与常用的非线性模型相比,在材积方程和生物量方程中增加截距常数,能显著改进模型的拟合效果;建立的一元相容性方程,地上生物量和立木材积的预估误差均不超过5%;二元相容性方程,地上生物量的预估误差约为4%,立木材积的预估误差则小于3%。     

ASVCP guidelines: quality assurance for point‐of‐care testing in veterinary medicine

Point‐of‐care testing (POCT) refers to any laboratory testing performed outside the conventional reference laboratory and implies close proximity to patients. Instrumental POCT systems consist of small, handheld or benchtop analyzers. These have potential utility in many veterinary settings, including private clinics, academic veterinary medical centers, the community (eg, remote area veterinary medical teams), and for research applications in academia, government, and industry. Concern about the quality of veterinary in‐clinic testing has been expressed in published veterinary literature; however, little guidance focusing on POCT is available. Recognizing this void, the ASVCP formed a subcommittee in 2009 charged with developing quality assurance (QA) guidelines for veterinary POCT. Guidelines were developed through literature review and a consensus process. Major recommendations include (1) taking a formalized approach to POCT within the facility, (2) use of written policies, standard operating procedures, forms, and logs, (3) operator training, including periodic assessment of skills, (4) assessment of instrument analytical performance and use of both statistical quality control and external quality assessment programs, (5) use of properly established or validated reference intervals, (6) and ensuring accurate patient results reporting. Where possible, given instrument analytical performance, use of a validated 1_3s control rule for interpretation of control data is recommended. These guidelines are aimed at veterinarians and veterinary technicians seeking to improve management of POCT in their clinical or research setting, and address QA of small chemistry and hematology instruments. These guidelines are not intended to be all‐inclusive; rather, they provide a minimum standard for maintenance of POCT instruments in the veterinary setting.     

TRIME-T3管式TDR在测量土壤水分时的误差及校正

TRIME-T3管式TDR (Time domain reflectometry)系统线路简单、能耗小、价格便宜、可实现非扰动定位瞬时剖面观测,广泛用于测量土壤水分.但是,在安装和使用过程中,受土壤空隙、温度、类型、电导率、含水量等因素的影响,测定土壤水分会产生误差.为提高土壤水分数据的准确性,系统总结国内外研究成果和笔者实际操作经验,提出了经验公式、室内校正、野外校正和其他校正等方法.     

地表水中总磷测定误差的预测与处理

[目的]预测与处理地表水中总磷的测定误差.[方法]应用钼酸铵分光光度法测定地表水中的总磷,对在测定过程中可能出现的误差问题提出处理建议.[结果]通过对地表水中总磷测定误差的预测与处理,可以得到较准确的数据,对水体有较准确的评价,从而使水体污染能够得到合理的预防和治理.[结论]只有熟练掌握总磷测定方法,消除各步骤误差,才能减少可能出现的误差,为水资源保护提供真实可靠的分析数据.     

基于PhotoScan的径流小区三维重建参数优化

提高径流小区数字地面模型精度是应用三维重建技术研究面蚀细沟间与细沟侵蚀过程的关键。以位于黑龙江省海伦市的中国科学院海伦水土保持监测研究站的裸地小区为研究对象,以验证点与控制点误差比和数字高程模型（Digital elevation model,DEM）误差为指标,优化Agisoft PhotoScan三维重建径流小区的处理参数,降低DEM误差。PhotoScan的精度参数和相机模型设置对DEM误差有较大影响。优化后的验证点与控制点误差比降低35%,改善了径流小区DEM对地面控制点的过度拟合。优化后的相机模型包含焦距、像主点、径向畸变、切向畸变等。基于单点和点云的验证结果表明,优化过程误差降低约40%。相对于默认参数设置下的验证点误差（20.0mm）,优化后的验证点误差为11.0mm,与细沟侵蚀深度标准相当（沟深大于等于10mm）,因此优化后的径流小区三维重建过程更适宜于细沟侵蚀过程的三维表达。     

自动打捆机的关键自由曲面数控加工技术应用

为不断提升自动打捆机的使用寿命与作业效率,从数控技术理论角度对自动打捆机的关键自由曲面进行识别与加工优化。在充分理解打捆机结构组成与硬件控制装置的基础上,考虑加工过程残余高度机理,建立关键自由曲面理论函数与物理模型,从误差补偿、刀具路径、切削刀具、加工顺序及CNC程序编制5个方面逐一按照加工工艺要求选择,并融入约束条件核心算法,进行关键自由曲面数控加工仿真试验。结果表明:整体加工时间较常规加工方法有明显减少,由4.71min缩短至3.79min;同时,切削长度经合理的规划与计算,由1 821.59mm缩短至1 5 4 6.2 3 mm,空刀路径由2 4 5.3 2 mm缩短至8 6.1 2 mm,加工效率约提升1 2%,关键曲面数控加工优化效果明显,具有一定的推广价值。     

水利工程管理及养护问题研究

水利工程的建设与人民的生活有着紧密的关系,人们在生活中几乎每时每刻都需要 水,若水利工程不能管理好,则就会给人们生活上带来严重的不便,因此,对管理及养护问题做 出相关研究是很有必要的。本文就水利工程管理及养护问题进行研究。     

自然水体中超声波标记鱼游动轨迹精密确定算法

针对鱼类关键生境位置确定的应用需求,该文提出了一套适用于自然水体的超声波标记鱼定位算法,解决了标记鱼定位以及存在粗差观测值,即水听器记录的超声波信号接收时间存在错误情况下算法的抗干扰性。宜昌黄柏河的实测结果表明,基于现有1 ms级精度的水听器,可在自然水体中获得2.15 m精度的信号标记鱼三维游动轨迹。如因气泡、遮挡等因素对水听器观测数据引入粗差,当粗差量级在10 m以上,该方法可接近100%探测出是否存在粗差。当粗差观测值在3个以内时,该方法的探测成功率可达84.3%以上,3个以上时粗差探测成功率明显下降,5个及以上,即粗差观测值个数占观测值总数的比例大于31.25%时,基本只能探测出观测数据中存在粗差而无法有效确定粗差。该研究可为渔业增殖、鱼类栖息地保护、鱼类洄游通道等研究提供参考。     

补偿模糊神经网络水果形状分级器分级误差

针对神经网络对水果进行分级时精度有待提高的问题,分析了补偿模糊神经网络椪柑形状分级器的分级误差。将椪柑图像前4个傅里叶描述子按期望输出模糊变量值大小排列成单调递增、单调递减、钟形分布和锯齿形分布4种训练样本,分别训练同一补偿模糊神经网络水果形状分级器,用递减排序后的同一测试样本检验分级器性能,试验表明,单调递减顺序训练样本所训练的分级器分级误差最小为1.875%,钟形分布、单调递增顺序和锯齿形分布训练样本所训练的分级器分级误差依次增大,分别为15%、63.125%、75%。分析分级误差与样本间顺序的对应关系,建立分级误差模型,结果表明,同顺序的测试样本与训练样本间相关系数大,分级误差小;不同顺序的测试样本与训练样本间相关系数小,分级误差大。因此,测试样本与训练样本按水果同一品质特征同序排列,提高样本间的相关程度,将大幅度降低神经网络类分级器分级误差,提高正确识别率。