网络时代高校思想政治教育的实效性探析

网络时代是一个信息资源丰富的新时期,它开阔了我们的眼界,拓展了我们的知识面,网络信息的发展促进了当今思想文化的新变化.而青年大学生作为利用网络的主群体,它必然会给大学生的思想道德、价值观念带来一定的影响,因此,网络时代的到来给高校思想政治教育带来了机遇和挑战.本文从网络时代的特点出发,探索性地分析了提高高校思想政治教育实效性的新途径.     

基于信息抽取的食品安全事件自动问答系统方法研究

针对从海量食品安全事件新闻报道中很难抽取出所需答案的问题，以食品安全事件语料库为研究对象，提出了一种基于信息抽取技术的自动问答系统。首先，利用深度学习模型TextCNN对用户输入的问题进行分类，得到其所属类型。其次，对于输入问题，借助Lucene搜索引擎找到其最佳匹配文档。再次，根据输入问题的类型，从食品安全事件数据库（采用信息抽取技术自动提取的一个结构化数据库）中筛选出该文档所包含的答案候选句集合。最后，利用深度学习模型Bi LSTM及基于答案候选句上下文的特征提取方法构建一个答案抽取模型，该模型能从给定的答案候选句集合中提取出最终答案。为检查基于食品安全事件数据库的答案候选句筛选方式及基于答案候选句上下文的特征提取方式对整个自动问答系统性能的影响，进行了多种比较实验，结果表明含有基于食品安全事件数据库的答案候选句筛选方式和基于答案候选句上下文的特征提取方式的问答系统表现最佳，其回答准确率达到44%。这相比于传统的问答系统，具有明显的优势。     

不同播期夏播小豆产量性能动态指标与光温水效应

为探讨光、温、水等气象因子对夏播小豆产量的影响，达到合理利用气象资源、进一步挖掘小豆增产潜力的目的，以中晚熟小豆品种花小豆（V₁）和中早熟品系德红5261（V₂）为材料，设T₁（6月17日）、T₂（6月22日）、T₃（6月27日）、T₄（7月2日）和T₅（7月7日）5个播期，形成不同的光、温、水生长环境，对夏播小豆产量性能指标和光、温、水因子效应及气象因子资源量在小豆生育前期与后期的比值（分配率）进行测定和分析。结果表明，小豆产量、单株荚数和单株粒重随播期推迟先增加后逐渐降低，各播期的大小依次为：T₂>T₁>T₃>T₄>T₅，品种间产量差异极显著，V₂>V₁，每荚粒数和百粒重受播期影响较小；随着播期的推迟，小豆的生育天数、平均叶面积指数、总光合势逐渐减小，但收获指数相应增加。光、温、水因子对产量性能指标有明显的正负调节效应，V₁生育前期有效积温与产量、平均叶面积指数、生育天数、总光合势和平均作物生长率呈极显著正相关，与收获指数和平均净同化率呈极显著负相关；生育前期降水量与单位面积荚数呈极显著正相关；生育前期日照时数与平均叶面积指数、总光合势和平均作物生长率呈极显著正相关，与平均净同化率呈极显著负相关；生育后期有效积温与平均作物生长率呈显著正相关；生育后期日照时数与总光合势呈显著正相关。V₂生育前期有效积温与产量、单位面积荚数、平均叶面积指数、总光合势和平均作物生长率呈极显著正相关，与收获指数呈极显著负相关；生育前期降水量与平均叶面积指数和平均作物生长率呈显著负相关；生育前期日照时数与生育天数和总光合势呈极显著正相关，与产量呈显著正相关，与收获指数和每荚粒数呈极显著负相关；生育后期有效积温与平均叶面积指数、生育天数和总光合势呈极显著正相关，与收获指数、每荚粒数和百粒重呈极显著负相关；生育后期降水量与平均作物生长率呈极显著正相关。对气象因子资源量分配与小豆产量进行回归分析，得出不同小豆品种获得最高产量的最佳光、温、水资源量在生育前、后期的比值（分配率）及其组合，V₁为：生育天数1.86、有效积温2.27、降水量49.73、日照时数1.45；V₂为：生育天数1.45、有效积温1.49、降水量1.57、日照时数0.98。在德州地区，夏播小豆选用中早熟品系V₂在6月20日前后播种，生育期内光、温、水资源量的分配率及其组合最佳，可获得较高的产量。     

开封市公共气象服务发展探讨

公共气象服务是为政府决策、民生发展提供的一项基础性公共事业。该文通过阐述开封市公共气象服务发展的现状,对比国内气象服务工作,分析其中存在的问题,以充分发挥气象服务的社会效益、经济效益。     

Modelling soil erodibility in mountain rangelands of southern Kyrgyzstan

Soil erosion in mountain rangelands in Kyrgyzstan is an emerging problem due to vegetation loss caused by overgrazing. It is further exacerbated by mountain terrain and high precipitation values in Fergana range in the south of Kyrgyzstan. The main objective of this study was to map soil erodibility in the mountainous rangelands of Kyrgyzstan. The results of this effort are expected to contribute to the development of soil erodibility modelling approaches for mountainous areas. In this study, we mapped soil erodibility at two sites, both representing grazing rangelands in the mountains of Kyrgyzstan and having potentially different levels of grazing pressure. We collected a total of 232 soil samples evenly distributed in geographical space and feature space. Then we analyzed the samples in laboratory for grain size distribution and calculated soil erodibility values from these data using the Revised Universal Soil Loss Equation (RUSLE) K-factor formula. After that, we derived different terrain indices and ratios of frequency bands from ASTER GDEM and LANDSAT images to use as auxiliary data because they are among the main soil forming factors and widely used for prediction of various soil properties. Soil erodibility was significantly correlated with channel network base level (geographically extrapolated altitude of water channels), remotely sensed indices of short-wave infrared spectral bands, exposition, and slope degree. We applied multiple regression analysis to predict soil erodibility from spatially explicit terrain and remotely sensed indices. The final soil erodibility model was developed using the spatially explicit predictors and the regression equation and then improved by adding the residuals. The spatial resolution of the model was 30 m, and the estimated mean adjusted coefficient of determination was 0.47. The two sites indicated different estimated and predicted means of soil erodibility values (0.035 and 0.039) with a 0.05 significance level, which is attributed mainly to the considerable difference in elevation.     

采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index

Accurate estimation of biomass is necessary for evaluating crop growth and predicting crop yield.Biomass is also a key trait in increasing grain yield by crop breeding.The aims of this study were(i)to identify the best vegetation indices for estimating maize biomass,(ii)to investigate the relationship between biomass and leaf area index(LAI)at several growth stages,and(iii)to evaluate a biomass model using measured vegetation indices or simulated vegetation indices of Sentinel 2A and LAI using a deep neural network(DNN)algorithm.The results showed that biomass was associated with all vegetation indices.The three-band water index(TBWI)was the best vegetation index for estimating biomass and the corresponding R2,RMSE,and RRMSE were 0.76,2.84 t ha−1,and 38.22%respectively.LAI was highly correlated with biomass(R2=0.89,RMSE=2.27 t ha−1,and RRMSE=30.55%).Estimated biomass based on 15 hyperspectral vegetation indices was in a high agreement with measured biomass using the DNN algorithm(R2=0.83,RMSE=1.96 t ha−1,and RRMSE=26.43%).Biomass estimation accuracy was further increased when LAI was combined with the 15 vegetation indices(R2=0.91,RMSE=1.49 t ha−1,and RRMSE=20.05%).Relationships between the hyperspectral vegetation indices and biomass differed from relationships between simulated Sentinel 2A vegetation indices and biomass.Biomass estimation from the hyperspectral vegetation indices was more accurate than that from the simulated Sentinel 2A vegetation indices(R2=0.87,RMSE=1.84 t ha−1,and RRMSE=24.76%).The DNN algorithm was effective in improving the estimation accuracy of biomass.It provides a guideline for estimating biomass of maize using remote sensing technology and the DNN algorithm in this region.     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产，提高溶解氧浓度预测的精度，提出了基于因子筛选和改进极限学习机（Extreme Learning Machine，ELM）的水产养殖溶解氧预测模型。首先，利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数，提取强关联因子，降低预测模型的输入量维度；采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络，避免网络中隐含层共线性问题，保障输出权值的稳定性；然后，结合新型激活函数，构建水体溶解氧浓度预测模型。最后，将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232，与最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization，PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s，预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线，能够满足水产养殖实际生产对水体溶解氧预测的要求。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

网络对农业高校大学生学习的影响及对策

网络现已成为大学生日常生活中不可或缺的一部分。网络所具有的资源丰富、快速便捷等特点给大学生带来了很多积极影响,但是网络所带来的消极影响也不容小觑。通过对农业院校大学生学习情况的调查,研究并总结了网络对大学生学习的积极和消极影响。针对网络对大学生学习的负面影响提出了几点应对之策。