N tracing models with a Monte Carlo optimization procedure provide new insights on gross N transformations in soils

¹⁵N tracing studies in combination with analyses via process-based models are the current “state-of-the-art” technique to quantify gross nitrogen (N) transformation rates in soils. A crucial component of this technique is the optimization algorithm which primarily decides how many model parameters can simultaneously be estimated. Recently, we published a Markov chain Monte Carlo (MCMC) method which has the potential to simultaneously estimate large number of parameters in ¹⁵N tracing models [Müller et al., 2007. Estimation of parameters in complex ¹⁵N tracing models by Monte Carlo sampling. Soil Biology & Biochemistry 39, 715-726].Here, we present the results of a reanalysis of datasets by Kirkham and Bartholomew [1954. Equations for following nutrient transformations in soil, utilizing tracer data. Soil Science Society of America Proceedings 18, 33-34], Myrold and Tiedje [1986. Simultaneous estimation of several nitrogen cycle rates using ¹⁵N: theory and application. Soil Biology & Biochemistry 18, 559-568] and Watson et al. [2000. Overestimation of gross N transformation rates in grassland soils due to non-uniform exploitation of applied and native pools. Soil Biology & Biochemistry 32, 2019-2030] using the MCMC technique. Analytical solutions such as the ones derived by Kirkham and Bartholomew [1954. Equations for following nutrient transformations in soil, utilizing tracer data. Soil Science Society of America Proceedings 18, 33-34] result in gross rates without uncertainties. We show that the analysis of the same data sets with the MCMC method provides standard deviations for gross N transformations. The standard deviations are further reduced if realistic data uncertainties are considered. Reanalyzing data by Myrold and Tiedje [1986. Simultaneous estimation of several nitrogen cycle rates using ¹⁵N: theory and application. Soil Biology & Biochemistry 18, 559-568] (Capac soil) resulted in a model fit similar to the one of the original analysis but with more precise estimates of gross N transformations. In addition, our analysis showed that small N transformations such as heterotrophic nitrification, which was neglected in the original analysis, could be quantified for this soil. Watson et al. [2000. Overestimation of gross N transformation rates in grassland soils due to non-uniform exploitation of applied and native pools. Soil Biology & Biochemistry 32, 2019-2030] provided evidence of a non-uniform exploitation of applied and native N that led to an overestimation of gross N transformations. Reanalyzing the data (CENIT soil, low N application) with the Müller et al. [2007. Estimation of parameters in complex ¹⁵N tracing models by Monte Carlo sampling. Soil Biology & Biochemistry 39, 715-726] model where oxidation was set to Michaelis-Menten kinetics resulted in a satisfactory fit between modeled and observed data, indicating that the observed artifact by Watson et al. [2000. Overestimation of gross N transformation rates in grassland soils due to non-uniform exploitation of applied and native pools. Soil Biology & Biochemistry 32, 2019-2030] was mainly due to inappropriate kinetic settings. Our study shows that the combination of a MCMC method with ¹⁵N tracing models is able to consider more complex and possibly more realistic models and kinetic settings to estimate gross N transformation rates and thus overcomes restriction of previous ¹⁵N tracing techniques.     

基于智能软开关的农村配电网无功优化

农村配电网建设是农村电气化和电力发展规划的重要组成部分。目前农村配电系统整体电压低,无功补偿不足,损耗大,使得供电质量低。为了优化农村低压配电网,本研究提出了1种电容器组与智能软开关(Soft openpoint,SOP)共存的双层优化模型,上层进行电容器组的选址定容,使得配电网节点电压偏差最小,下层利用上层优化得出的电容器位置与容量,规划出SOP的位置,使得网络有功损耗最小。采用改进狼群算法对所提模型进行求解,并在IEEE33节点系统中进行仿真,验证算法可行性。     

小麦生长模型对拔节期和孕穗期低温胁迫响应能力的比较

【目的】作物生长模型是预测和评估气候变化对作物生产力影响的重要量化工具,明确典型作物生长模型对小麦拔节期和孕穗期低温胁迫响应能力的不足,可以为进一步改进低温胁迫对小麦生产力影响的模拟算法提供指导。【方法】本研究将来自4套国际知名小麦生长模型（美国密歇根州立大学的CERES-Wheat、美国华盛顿州立大学的CropSyst、荷兰瓦赫宁根大学的WOFOST和法国国家农业科学研究院的STICS模型）的典型低温胁迫效应算法,与本课题组研发的小麦生长模拟模型WheatGrow相耦合,利用2012—2013年南京和2013—2015如皋不同品种（扬麦16和徐麦30）、不同温度水平（最低至-6℃）和持续时间（2、4、6 d）的人工气候室低温盆栽试验资料,检验和评价了原WheatGrow模型和耦合后低温胁迫效应算法的WheatGrow模型在拔节期和孕穗期低温胁迫下对小麦叶面积指数动态、茎生物量、地上部总生物量、籽粒产量等指标的预测能力。【结果】拔节—孕穗期低温胁迫明显降低了小麦叶面积指数、地上部生物量积累和籽粒产量,且随低温水平的降低和持续时间的增加降低幅度呈明显升高趋势。比较不同处理时期和品种发现,小麦生长发育及产量对孕穗期低温处理较拔节期低温处理更加敏感,扬麦16较徐麦30对低温胁迫更为敏感。耦合了4种低温胁迫效应算法的WheatGrow模型在模拟叶面积指数动态上较原WheatGrow模型有所改善,但模拟误差仍然较大,其中对孕穗期低温处理的模拟误差大于拔节期处理。4种低温胁迫算法均低估了低温胁迫对茎生物量以及成熟期地上部生物量积累的不利影响。综合比较4种低温胁迫算法的预测能力可以看出,对于叶面积指数和地上部生物量的动态模拟,CropSyst模型中的低温胁迫效应算法表现最好;对于茎生物量的动态模拟,WOFOST模型中的低温胁迫效应算法表现最好,特别是孕穗期低温处理;对于籽粒产量的模拟,STICS模型中的低温胁迫效应算法表现最好,其次是CropSyst模型。【结论】耦合低温胁迫效应算法后的WheatGrow模型,在模拟叶面积指数、茎生物量、地上部生物量和籽粒产量上均好于原WheatGrow模型,且在弱低温条件下的模拟效果好于强低温条件,但是4套算法由于没有考虑低温胁迫对茎秆的直接伤害、低温胁迫对干物质分配的影响以及低温胁迫后的恢复和补偿效应,因此在模拟茎生物量积累,以及模拟不同低温持续时间下的地上部生物量积累存在明显不足。此外,4套低温效应算法引入参数较多,为模型的参数化带来一定的困难,有待今后进一步改进和完善。研究结果对改进小麦生长模型对低温胁迫响应,降低气候变化背景下作物生产力的预测预警的不确定性具有重要意义。     

基于蚁群-BFS算法的复杂环境下农业机器人全区域覆盖研究

目的 以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。方法 首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为：分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。结果 仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。结论 本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。     

基于支持向量机回归的营养液调控模型研究

针对目前设施栽培中营养液动态调配精确度低的问题,提出一种基于支持向量机回归(Support vector machine regression,SVR)的营养液调控模型。首先,通过设计嵌套试验采集了13个温度、50组不同Knop营养液(A:99%Ca(NO3)2·4H2O、B:98%KNO3、C:99%KH2PO4、D:98%MgSO4·7H2O、E:99%EDTANaFe 5种化合物)配比下的营养液pH值、EC、K+质量浓度、Ca2+质量浓度和NO-3质量浓度等检测指标值,并基于SVR构建营养液检测指标预测模型;然后,采用离散斜率法计算营养液检测指标值与5种化合物含量的响应曲线离散斜率,并利用人工鱼群算法获取离散斜率最大突变点;最后,以该突变点对应的5种化合物含量作为最优调控目标值,基于SVR构建营养液调控模型,并进行验证试验。结果表明:基于SVR的营养液调控模型中对应5种化合物含量的决定系数分别为0.99、0.98、0.99、0.96、0.99,均方根误差分别为4.29、7.39、5.02、2.85、3.96 mg,拟合效果良好。对比逐步拟合响应模型获取目标值的结果发现,基于SVR的营养液调控模型5种化合物含量的平均相对误差分别降低了37.65%、49.94%、40.53%、50.58%、42.84%;在验证试验中,对比逐步拟合响应模型发现,基于SVR的营养液调控模型5种化合物使用量的相对误差平均值分别降低了46.42%、52.08%、54.03%、53.59%、54.54%,调控过程中5种化合物使用量的平均降低率分别为1.69%、5.81%、5.85%、3.65%、7.08%。本文基于SVR构建的营养液调控模型具有高效、节能特点,可为设施作物栽培的实际生产应用提供参考。     

基于工作空间的果园作业平台结构参数优化与试验

为提高果园作业平台的适用性和操作灵活性,根据乔砧密植的纺锤形苹果种植模式确定其目标工作空间,以工作空间尺寸偏差、工作空间体积和平均可操作度描述其可达工作空间性能,分析了平台主要结构参数杆长和关节变量（关节角、连杆偏移）对工作空间性能的影响。建立了以可达工作空间性能和结构紧凑为指标的优化模型,利用遗传算法求解得出最优参数为：杆2和杆4的长度分别为988、879mm,关节1、3的关节角范围分别为[107°,256°]、[-118°,-76°],关节5、6的连杆偏移最大值分别为720、340mm。优化后其可达工作空间尺寸偏差分别减小96.09%、95.60%,体积减小4.69%,平均可操作度增加1.43%。对优化后的果园作业平台进行了实地果园工作空间试验,结果表明：承载质量为65kg、横坡坡度为15°、纵坡坡度为15°时,工作空间尺寸偏差最大,分别为16.2、16.7mm,比原型分别减小93.89%、93.76%。     

基于多变异分组遗传算法的多机协同作业静态任务分配

为解决农业机械（简称农机）多机协同作业前的任务分配问题,提出了基于多变异分组遗传算法的同种农机多机协同作业静态任务分配方法。首先,根据农机合作社实际作业模式,基于农机性能参数和任务参数,综合考虑机群的作业时间、作业油耗和路程代价等因素,建立了多机协同代价函数;根据多机协同作业特点,构建了多变异分组遗传算法,设计了两段式编码、分组交叉算子和多种变异算子,并建立了农机多机协同作业静态任务分配模型;通过仿真试验对比分析了算法的性能,并采用不同的代价权重进行了任务分配仿真试验;最后,采用不同的权重对实际深松作业进行任务分配试验,对本文提出算法进行了验证。结果表明：在不同权重下,基于多变异分组遗传算法的多机协同静态任务分配的机群代价比实际作业代价降低了29.48%~55.00%,选取合理权重的静态任务分配具有较高的分配效率和分配性能,能够满足实际多机协同作业中任务分配的要求。     

基于改进YOLO的玉米幼苗株数获取方法

为快速准确获取玉米幼苗株数、评估播种质量、进行查缺补苗等管理,对YOLO算法进行改进,提出了一种基于特征增强机制的幼苗获取检测模型（FE-YOLO）,实现了对玉米幼苗株数的快速获取。该方法根据玉米幼苗目标尺寸和空间纹理特征,构建了基于动态激活的轻量特征提取网络,融合了多感受野和空间注意力机制。实验表明：FE-YOLO模型增强了幼苗空间特征、降低了网络复杂度,使模型的mAP和召回率分别达到87.22%和91.54%,每秒浮点运算次数和检测推理时间仅为YOLO v3的7.91%和33.76%。FE-YOLO能够实现无人机正射影像的玉米幼苗株数获取和种植密度估算,该模型复杂度低、识别精度高,能够为玉米苗期管理提供技术支持。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

基于多源信息融合的中文农作物病虫害命名实体识别

随着农作物病虫害研究文献的快速增长,对农作物病虫害领域文献进行文本挖掘变得越来越重要。开发有效、准确的农作物病虫害命名实体识别系统有助于在农作物病虫害相关研究报告中提取研究成果,为农作物病虫害的治理提供有效建议。本文针对中文农作物病虫害数据集缺失问题,提出了基于半远程监督的停等算法,利用该算法构建中文农作物病虫害领域语料库,大幅度减少标注过程的人工成本和时间成本;同时,提出了中文农作物病虫害命名实体识别模型（Agricultural information extraction, Agr-IE）,该模型基于BERT-BILSTM-CRF,辅以多源信息融合（多源分词信息和全局词汇嵌入信息）丰富字符向量,使其充分结合字符级与词汇级的信息,以提高模型捕捉上下文信息的能力。实验表明,该模型可以有效地识别病害、虫害、药剂、作物等实体,F1值分别为96.56%、95.12%、94.48%、95.54%,并对识别难度较大的病原实体具有较好的识别效果,F1值为81.48%,高于BERT-BILSTM-CRF、BERT等模型的相应值。本文所提模型在MSRA和Weibo等其他领域数据集上与CAN-NER、Lattice-LSTM-CRF等模型进行了对比实验,并取得最佳的识别效果,F1值分别为95.80%、94.57%,表明该算法具有一定的泛化能力。