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。     

Turbid water induces refuge behaviour of a commercially important ayu: A field experiment for interstream movement using multiple artificial streams

Riverine systems are inherently dendritic in nature, and turbid water may not necessarily flow equally throughout an entire catchment. Tributaries have the potential to serve as refugia from temporarily turbid water in the main stem. As ayu (Plecoglossus altivelis) are one of the important species for the inland fisheries industry and recreational fishing, their behaviour in a branched river network is a primary concern. We released ayu with radio‐transmitting tags into two experimental streams that joined at a downstream pool. Turbid water was released into one of the streams, and we identified whether avoidance movement of ayu between the two experimental streams was triggered by flowing turbid water. The suspended solid concentration elevated rapidly after adding the turbid water and was maintained at more than 400 mg/L for 3 hr. Avoidance movement of ayu was triggered when the suspended solid concentration exceeded approximately 200 mg/L. Then, most ayu moved from the turbid stream to the nonturbid one, leading to a difference in ayu density between the two streams. Therefore, we demonstrated that turbid water induced interstream movement of a commercially important ayu as refuge behaviour, suggesting that river connectivity is important for the persistence of the ayu.     

工厂化水产养殖水质监测系统

工厂化水产养殖的密度高、风险大,养殖对象对pH、溶解氧、温度、氨氮、亚硝酸盐等水质参数的变化敏感,受影响严重,监测水质参数极为重要。本文针对工厂化水产养殖水质监测特点和需求,研发了工厂化水产养殖水质监测系统。分析研究pH、溶解氧、温度、亚硝酸盐等水质参数的阈值,设计水质监测数据无线采集节点和基于Zigbee的无线监测网络,建立水质监测系统软件平台。结果表明,该系统能够实现工厂化水产养殖水质实时监测,保证生产安全,提高水产养殖生产效率。     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。     

高校科研合作网络及演化研究——以京津冀地区211及省部共建高校为例

[目的/意义]京津冀协同发展是党中央作出的重大战略决策,科研合作是京津冀协同创新发展的重要方面。[方法/过程]笔者基于CNKI检索京津冀地区211及省部共建的26所高校在2008年—2017年发表的合著论文数,运用定量分析、社会网络分析方法,借助Ucinet绘制科研合作网络图谱,从而探讨京津冀地区高校科研合作网络现状及演化规律。[结果/结论]研究结果发现,高校科研实力强劲是形成科研合作的基础,清华大学、北京大学、中国人民大学、北京师范大学、北京科技大学、北京航空航天大学和北京交通大学在科研合作网络中处于核心地位;地域聚集特性是影响科研合作关系强弱的主要因素;各类大学归属于不同的块模型,占据不同位置和角色,具有不同的结构功能和作用;京津冀地区高校科研合作经过10年间的发展,已经形成一个动态演化的网络。     

砾石对石灰土表面干缩裂隙发育特征的影响

[目的]研究砾石粒径及含量对石灰土表面干缩裂隙发育特征的影响,为探索喀斯特地区的水土流失机理提供参考依据。[方法]通过室内模拟试验和数字图像处理技术,研究了砾石粒径(2.0～5.0 mm和5.0～12.5 mm)和砾石含量(0%,10%,20%,30%,40%)条件下的石灰土表面干缩裂隙特征。[结果]①无砾石石灰土平均表面裂隙率仅为3.03%,含砾石石灰土具有更大的表面裂隙率,在大粒径(5.0～12.5 mm)高含量(40%)条件下,表面裂隙率最大,达到8.66%;②当砾石含量增加时,裂隙的形态变得细小且密集,小粒径砾石会使裂隙网络更复杂;③大粒径(5.0～12.5 mm)条件下的土壤表面裂隙率与砾石含量成正线性相关,而小粒径(2.0～5.0 mm)条件下的裂隙率与砾石含量成负线性相关;④砾石会成为裂隙发育的基点,每个砾石颗粒周围都有可能产生围绕砾石或是向外延伸的裂隙。且在砾石形态的棱角处,容易产生向外延伸的裂隙。[结论]石灰土中存在砾石会导致表面裂隙率提高,弱化土体的抗侵蚀能力,是石漠化治理不容忽视的问题。     

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.     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。