用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法

随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况；（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

东北黑土nirS型反硝化细菌群落和网络结构对长期施用化肥的响应

【目的】探明长期施用氮磷钾化肥对东北黑土农田土壤nirS型反硝化细菌群落和网络结构的影响,为更加合理的肥料配施提供理论依据。【方法】基于农业农村部黑龙江耕地保育与农业环境科学观测实验站平台,选取不施肥(NoF)、氮肥(N)、磷肥(P)、钾肥(K)、氮钾肥(NK)、氮磷肥(NP)、磷钾肥(PK)、氮磷钾肥(NPK)8个施肥处理,借助荧光定量PCR、Illumina MiSeq高通量测序和分子生态网络技术,分析东北黑土nirS型反硝化细菌丰度、群落及网络结构,及影响反硝化细菌群落变异的主要环境因子。【结果】1)长期施用氮肥均在显著增加nirS基因拷贝数的同时,降低了nirS型反硝化细菌的群落多样性,而磷、钾肥对其影响并不显著。2)Proteobacteria是所有处理中的优势反硝化细菌门,相对丰度为16.96%~27.34%,且氮肥的施用促进了隶属于该菌门中Bradyrhizobium的生长。3)PCoA分析结果显示,8个施肥处理nirS型反硝化细菌群落主要分成施氮肥和不施氮肥两组,说明长期氮肥的施用显著改变了东北黑土反硝化细菌的群落结构。结合Mantel test的结果可知,土壤pH是影响nirS型反硝化细菌群落改变的主要因素。4)分别构建施氮肥和不施氮肥的反硝化细菌分子生态网络,发现施氮肥和不施氮肥网络结构存在很大差异,长期施用氮肥明显简化了nirS型反硝化细菌的网络结构,同时使其网络结构稳定性降低,易受外界环境扰动。【结论】尽管施用化学氮肥有利于土壤养分的增加,但其土壤nirS型反硝化细菌群落及网络结构发生了较大改变,而磷、钾肥的施用对反硝化细菌群落无显著影响。本试验结果为进一步研究东北黑土区农田土壤反硝化微生物对不同施肥管理的响应机制提供了重要科学依据。     

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题，采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理，尺度归一化后制作成与Pascal VOC数据集格式一致的数据集；然后将数据集分为训练集与测试集，采用训练集对SegNet模型训练，测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比，基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%，过分割率和欠分割率分别降低了87.20%、16.52%。     

国际30年来土壤食物网的研究历程与热点分析

利用文献计量学方法,研究1989—2018年来土壤食物网研究领域的热点内容,概括土壤食物网的研究脉络及国际土壤食物网未来的研究方向。结果显示:土壤生物多样性、食物网的碳氮循环功能及管理方式对土壤食物网结构的干扰是现在研究热点,而土壤食物网功能多样性、系统稳定性、及土壤食物网对全球变化的响应则是新兴的研究方向。     

基于灰色-BP神经网络模型的多情景交通用地需求预测——以长江中游城市群为例

为探索科学预测区域交通用地需求的合理途径,指导国土空间规划编制中交通用地规模的划定,拟通过灰色-BP神经网络模型识别主要社会经济影响因素,以长江中游城市群为例,在预测其远景交通用地需求规模的同时,基于城市群发展的阶段特征选取典型城市群样本设置3类情景,对不同情景下的交通用地需求分别进行预测。结果表明:1)城镇化水平、产业结构高度化程度和劳动力资源禀赋是当前影响长江中游城市群交通用地需求的主要社会经济因素。2)通过系统仿真试验对比不同方法的交通用地需求预测结果,可以发现基于灰色-BP神经网络模型的预测方法精度较高,误差较小,该预测方法对于区域交通用地规模的预测具有一定的适用性。预测得到的长江中游城市群2020和2030年交通用地需求分别为31.22万和49.07万hm2。3)不同情景下长江中游城市群交通用地需求预测结果存在明显差异,底线情景可作为划定交通用地规模的底限,一般情景可作为基准,极限情景可作为红线,长江中游城市群交通用地合理规模应以基准为参考,介于底线和红线之间。     

校园网络舆情视域下高职院校学生党员教育管理体系构建研究

高职院校学生党员思想培养是校园党务工作者的重要任务。随着互联网的快速发展,高职院校学生党员成为网络阵地的新生力量。新媒体下网络舆情因其自由性、隐秘性、多样性等特点,因此党务工作也应与时俱进,重视校园网络舆情,构建合理的管理体系,进而强化对学生党员的教育管理工作。     

信息化、社会网络与农户农资购买渠道选择——基于公司直销与农资零售店的比较

农户购买农资时面临多样化的购买渠道,而信息化与社会网络是影响农户农资购买渠道选择的重要因素。本文利用陕西、甘肃、山东和云南四省农户调研数据,比较了公司直销与农资零售店两种购买渠道的差异,运用二元 Logit 模型和中介效应模型,分析信息化与社会网络对农户农资购买渠道选择的影响。结果表明,农户选择公司直销与农资零售店的比例分别为10.1%和89.9%,即大多数农户选择农资零售店购买农资。信息利用对农户选择公司直销渠道具有显著正向影响;从亲戚和朋友两个维度测量社会网络,发现宗族型社会网络对农户选择公司直销渠道产生了正向影响,朋友圈型社会网络影响不显著;农户农资市场信息认知在信息利用促进农户选择公司直销渠道中发挥部分中介效应。因此,政府应加强农村信息基础设施建设,培养农户信息利用能力。公共信息供给过程中扩大宣传对象群体,促使信息在农户社会网络中有效扩散传播。建设农资企业与农户间有效的信息交流平台,打破信息壁垒,从而帮助农户改进农资购买决策。     

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.     

Research of dissolved oxygen prediction in recirculating aquaculture systems based on deep belief network

Recirculating aquaculture has received more and more attention because of its high efficiency of treatment and recycling of aquaculture wastewater. The content of dissolved oxygen is an important indicator of control in recirculating aquaculture, its content and dynamic changes have great impact on the healthy growth of fish. However, changes of dissolved oxygen content are affected by many factors, and there is an obvious time lag between control regulation and effects of dissolved oxygen. To ensure the aquaculture production safety, it is necessary to predict the dissolved oxygen content in advance. The prediction model based on deep belief network has been proposed in this paper to realize the dissolved oxygen content prediction. A variational mode decomposition (VMD) data processing method has been adopted to evaluate the original data space, it takes the data which has been decomposed by the VMD as the input of deep belief network (DBN) to realize the prediction. The VMD method can effectively separate and denoise the raw data, highlight the relations among data features, and effectively improve the quality of the neural network input. The proposed model can quickly and accurately predict the dissolved oxygen content in time series, and the prediction performance meets the needs of actual production. When compared with bagging, AdaBoost, decision tree and convolutional neural network, the VMD-DBN model produces higher prediction accuracy and stability.