拖拉机液压传动系统特性模型修正与参数辨识

精准描述无级变速系统特性是拖拉机动力装置设计和控制策略制定的前提,是节能减排和动力提高的关键。为解决拖拉机常用无级变速系统特性随工况变化而导致原理论模型精度受限问题,该研究对受工况影响最为显著的液压传动系统的调速和效率特性进行研究。采用台架试验获取液压传动系统特性的样本数据,基于偏最小二乘法对比不同工况对调速和效率特性的影响,结合原理论模型和改进的模拟退火算法,提出液压传动系统特性的模型修正及其参数辨识方法,并分别建立调速特性和效率特性的改进半经验模型。结果表明,输入转速和输出端负载转矩对调速特性的影响程度分别为0.36和0.92;输入转速、输出端负载转矩和排量比对效率特性的影响程度分别为0.05、0.71和0.26;修正后模型参数较少,辨识容易,且精度高,估测值与实际值基本吻合（2参数调速特性半经验模型的决定系数R2为0.97、平均绝对百分比误差为7.93%,5参数效率特性半经验模型的决定系数R2为0.93、平均绝对百分比误差为2.50%）。研究以期为拖拉机等农业机械的动力传动装置的特性分析与评估、优化设计和控制策略制定提供依据和参考。     

基于MGWR的渭河流域TRMM降水产品空间降尺度分析

高分辨率降水数据有助于刻画降水的时空分异特性,对流域水文、气象和生态等过程的精准模拟具有重要作用,因此对低分辨率降水产品开展空间降尺度,提高其分辨率十分必要。鉴于此,本文在充分考虑热带降雨测量卫星（Tropical Rainfall Measuring Mission,TRMM）降水产品在渭河流域适用性的基础上,引入归一化差分植被指数（Normalized Difference Vegetation Index,NDVI）、数字高程模型（Digital Elevation Model,DEM）、坡度、坡向和经纬度等地理环境因子,构建了多尺度地理加权回归（Multi-scale Geographically Weighted Regression,MGWR）模型用以分析不同因子对渭河流域降水空间格局影响的尺度差异;进一步提出了一种针对TRMM降水产品的空间降尺度方法,并透过精度评价验证了降尺度结果的可靠性。结果表明：1）TRMM降水产品数据相较于站点实测数据存在一定精度误差,年尺度上R2=0.807,BIAS=2.909%,RMSE=83.477 mm,表现较好;季尺度上秋季R2最高,为0.847,夏季RMSE最大,为62.393 mm,四季的BIAS均较低;月尺度R2为0.456～0.815,BIAS介于±0%～8%之间,多数月份为正值,RMSE值域范围为3.019～37.841 mm,精度较好;总体而言,TRMM降水产品数据在年、季和月尺度上均表现出良好的整体适用性。2）不同因子在干湿年份对降水空间分异格局的影响呈现出不同的尺度特征,其中湿润年的DEM、NDVI、坡向和经纬度对降水呈现局部影响,坡度影响具有全局性,而干旱年各因子均表现为局部影响。3）流域和站点尺度上,降尺度TRMM数据相较于降尺度前产品数据精度得到一定改善,其中流域尺度上,R2整体提升3%,RMSE降低1mm;站点尺度上,各站点统计指标变化各异,但降尺度后统计指标整体优于降尺度前,并且由于时间尺度上的误差累积,站点年尺度数据精度相比月尺度数据稍差（R2由0.8～0.91变为0.4～0.95,RMSE从11～17变为32～150）。4）降尺度TRMM数据相比于降尺度前产品数据,空间分布更细腻,细节特征表现更好,且在年、月时间尺度上均具有较高的精度,可为渭河流域资料短缺地区的水文设计提供数据支撑。     

Soil texture affects the conversion factor of electrical conductivity from 1:5 soil-water to saturated paste extracts

Electrical conductivity (EC) of soil-water extracts is commonly used to assess soil salinity. However, its conversion to the EC of saturated soil paste extracts (EC_e), the standard measure of soil salinity, is currently required for practical applications. Although many regression models can be used to obtain EC_e from the EC of soil-water extracts, the application of a site-specific model to different sites is not straightforward due to confounding soil factors such as soil texture. This study was conducted to develop a universal regression model to estimate a conversion factor (CF) for predicting EC_e from EC of soil-water extracts at a 1:5 ratio (EC_1:5), by employing a site-specific soil texture (i.e., sand content). A regression model, CF=8.910 5e^{0.010 6sand}/1.298 4 (r²=0.97, P < 0.001), was developed based on the results of coastal saline soil surveys (n=173) and laboratory experiments using artificial saline soils with different textures (n=6, sand content=10%-65%) and salinity levels (n=7, salinity=1-24 dS m^-1). Model performance was validated using an independent dataset and demonstrated that EC_e prediction using the developed model is more suitable for highly saline soils than for low saline soils. The feasibility of the regression model should be tested at other sites. Other soil factors affecting EC conversion factor also need to be explored to revise and improve the model through further studies.     

基于轻量级SSD模型的夜间金蝉若虫检测

为实现夜间树上金蝉若虫的快速准确检测,该研究以自然环境图像数据集为研究对象,结合近距离实际应用场景,考虑到嵌入式系统的模型小型化和计算过程轻量化,在保持精度指标基本不变的前提下,基于适度削减模型深度、宽度的思路对已有目标检测网络MobileNet-SSD提出改进。具体措施包括：删除骨干网络末端的小尺寸特征图卷积层,逐级裁剪模型整体宽度、适当增加中高层卷积深度,在目标检测的分类层和预测框的回归层中使用深度可分离卷积代替传统3×3卷积等措施,先后获取3种改进的精简模型以进行比较。夜间图像测试结果表明,在基本保持网络性能的前提下,改进后的模型大小及计算量均呈现大幅减小,其中最优模型大小从原MobileNet-SSD的15.22 MB减少到1.51 MB,模型的浮点运算量也由原先的1.13×109减少到1.26×108,其平均准确率达90.46%,平均交并比达83.52%,F1分数达92.35%,GPU上的检测速度达179.3帧/s,CPU上的检测速度达到6.49帧/s,与改进前的模型相比具有更好的综合性能,白天图像的试验结果也显示出较好的泛化性能。该文提出的改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,更适合部署在移动终端等资源受限设备上,可为金蝉的人工养殖提供有益参考。     

边缘计算在智慧农业中的应用现状与展望

互联网技术快速发展使得数据量剧增,云计算的数据集中处理模式存在实时性不足、能耗过高以及数据安全等一系列问题。边缘计算是在靠近数据源端执行计算的分散处理模式,与云计算相比具有低延迟、低成本、安全性高、个性化设计等优势。随着智慧农业迅速发展,结合深度学习的农业应用屡见不鲜,如作物病害检测、生长环境监测、作物自动采摘、无人农场管理等,边缘计算可以为农业多场景、复杂任务提供高效、可靠的新型数据处理方案。该研究概述了边缘计算的发展,计算架构及主要优势;介绍了边缘计算在农业中的应用背景,结合文献量分析,归纳了边缘计算在农业上的主要应用场景及相关智能农业装备,调研了现有常用边缘计算设备及性能参数,总结了适合边缘计算的主流深度学习算法及模型压缩方法。研究表明边缘计算在智慧农业中的应用有效促进了农业的数字化、智能化,未来在多场景、多功能边缘计算智能农业装备开发等领域将面临重大挑战和机遇。     

多尺度分解双寻优策略SPCNN的果园苹果异源图像融合模型

针对单一的自然场景图像信息不能满足准确识别果实和精准定位目标的要求,提出一种多尺度分解双寻优策略简化脉冲耦合神经网络（Simplified Pulse Coupled Neural Network, SPCNN）的飞行时间（Time of Flight,ToF）与可见光果园苹果图像融合模型。对SPCNN模型引入带参数优化的双寻优策略,对非下采样轮廓波变换（Nonsubsampled Contourlet Transform, NSCT）融合规则进行改进。模型包括配准模块、编码区、多尺度分解模块、单目标SPCNN融合模型、多目标SPCNN融合模型、解码区。模型改进了SPCNN模型的参数优化方式以及迭代次数,模型自适应点火次数较低,在3～7次左右,具有点火次数低、自适应分割、效率高的优点。中光15:00时段点火识别成功率达到了100.00%,点火分割时间达到最低91.91s。与其他融合模型比较,模型在强光12:00、中光15:00、弱光18:20、19:00时段融合图像识别成功率达到100.00%;融合时间低于SPCNN模型,达到最低92.68s。模型识别精度最优达到了100.00%、融合耗时最低达到了92.68s、模型大小较SPCNN低一个数量级,可补充和完善图像层次融合理论和方法。     

基于SWAT模型的清水河流域年径流侵蚀功率空间分布

为了从能量学的角度解释流域水力侵蚀的空间分布情况,选取可以更好表示流域下垫面条件、降雨及其产生的径流对水力侵蚀综合作用的径流侵蚀功率,以宁夏回族自治区水土流失严重的清水河流域为研究对象,基于SWAT模型模拟研究了清水河流域年径流侵蚀功率的空间分布特征及其空间尺度效应。结果表明:(1)清水河流域多年平均径流侵蚀功率在流域内呈现“支流大,干流小; 东部大,西部小”的空间分布规律;(2)当子流域出口断面控制面积小于4 000 km²时,子流域多年平均径流侵蚀功率与子流域出口断面集水面积间呈显著的幂函数关系; 当子流域出口断面集水面积大于4 000 km²时,子流域多年平均径流侵蚀功率稳定在1.56×10^-5 m⁴/(s·km²)左右;(3)优先选择处于清水河上中游区域且出口断面集水面积小于84.85 km²的小流域进行生态治理,可取得良好的水土流失治理效果。因此径流侵蚀功率具有一定空间分布规律且与流域集水面积间具有显著相关关系,掌握这一规律和相关关系可为流域生态治理提供理论支持。     

基于SWAT模型的根河流域蒸散量时空分布特征

为了研究根河流域38年间蒸散(ET)、潜在蒸散(PET)的年际、年内变化过程及空间分布格局,基于SWAT模型分析了各气象要素与蒸散的相互关系。结果表明:(1)根河流域1980—2017年ET值、PET值整体呈增加趋势。(2)根河流域ET与PET的年内变化总体上均呈先增大后减小的单峰型分布。(3)根河流域的ET值在空间上呈现流域上游高,中下游低的分布格局; PET值在空间上呈现西南>东北>东南的分布规律。(4)根河流域的生长期、完全冻结期、融冻期ET值均呈现增加趋势,始冻期ET值呈降低趋势,4个时期平均ET值差异性表现为生长期>融冻期>始冻期>完全冻结期。(5)根河流域多年ET值在不同土地覆被类型的大小为林地>草地>耕地>建设用地>沼泽地; 而PET的排序为耕地>建设用地>林地>草地>沼泽地。(6)根河流域蒸散量与降水量和气温呈显著正相关。研究结果对根河流域的蒸散量变化及其冻融作用对当地的影响有着重要的参考意义。     

1970—2015年秦岭北麓径流重建及变化

渭河流域能否高质量发展的一个关键就是水资源的问题,而秦岭北麓是渭河的重要产水区。为探究秦岭北麓近年水资源的变化特征,采用VIC(Variable Infiltration Capacity)模型,基于水文相似性原理,运用典型流域参证法,重建了1970—2015年秦岭北麓径流变化。结果表明:VIC模型在观测流域有着较高的适用性,在月径流模拟中,纳什系数(N_S)大于0.76,相关系数(R²)大于0.91,相对误差(RE)小于±15%; 通过水文参数移植法模型可以真实还原无观测流域径流变化,在验证期N_S,R²,RE分别为0.81,0.94,4.6。近46 a来北麓径流总量在(16.01～65.4)亿m³/a波动,1983年径流量最高达到65.4亿m³,而1977年最小值仅为16亿m³,丰水年份是枯水年份的4倍,径流年际变化明显,过去46 a秦岭北麓多年平均径流值为35.2亿m³/a。降水是径流变化的主导因素,并且也是水文模拟中最重要的影响要素。     

基于遥感影像与逻辑回归模型的延河流域沟壑分布概率预测

为研究黄土高原沟壑地貌空间分布特征,开展了基于遥感影像和机器学习的沟壑地貌提取,研究了延河流域沟壑地貌空间分布及其环境控制因子。以Google Earth Pro平台为支撑,在人工提取大量沟壑地貌样本的基础上,基于Landsat8 OLI影像波段信息,采用主成分分析前3个变量、缨帽变换前3个变量、NDVI、高程、坡度和坡向10个因子,使用逻辑回归模型预测整个延河流域的沟壑概率分布。结果表明:(1)在10个变量因子中,因子Brightness的R²_McF为0.158,重要性最大,因子elevation的R²_McF为3.6×10^-5,重要性最小;(2)最优逻辑回归模型由组合因子Brightness,PCA₁,Greenness,Wetness,PCA₃和slope确定,其重要性R²_McF为0.206;(3)最优逻辑回归模型的沟壑概率预测精度为73.72%,ROC曲线下面积即AUC值为0.80;(4)延河流域沟壑地貌约占整个延河流域面积的52.05%。研究表明,延河流域沟壑分布呈现从西北方向到东南方向逐渐集中的特点。