公路边坡水土保持草种引种试验研究

为使高速公路边坡防护选择适宜草种，适宜季节，进行了一系列对比实验，并对实验结果每月观察记录，进行分析比较，得出结论－－白三叶，高羊茅，狗牙根，百喜草，马蹄金，弯叶画眉草，波斯菊等草种选择适宜的播种时间播种，能达到很好的生态防护效益和美观效果，具有外观美，造价低，工程费用及维护费用低，效果长期等特点。     

现场喷注混凝土自由框格防护及客土绿化技术试验研究

现场喷注自由框格防护客土绿化技术及其在湖南岩质边坡上的试验效果表明该技术不仅可有效防止坡面迅速风化导致的失稳,保证坡面的力学稳定,配合客土喷播技术进行坡面绿化,最终通过植被演替形成与周边环境协调一致的植被与景观;而且具有适应性强、性价比高的特点,适合在各种风化、半风化高陡岩质边坡及各种不稳定边坡的防护与绿化中使用,具有广泛的推广价值.     

视察北京市森林防火指挥中心国家林业局贾治邦局长一行

2010年12月17日上午,国家森林．防火指挥部总指挥、国家林业局党组书记、局长贾治邦,在北京市副市长,市森林防火指挥部总指挥夏占义的陪同下。     

国家林业局贾洽邦局长一行视察北京市森林防火指挥中心

2010年12月17日上午,国家森林防火指挥部总指挥、国家林业局党组书记、局长贾治邦,在北京市副市长、市森林防火指挥部总指挥夏占义的陪同下,来到北京森林防火指挥中心,检查指导我市森林防火工作,并通过视频系统与一线森林公安民警亲切交流,针对北京市目前严峻的森林防火形势要求大家坚守岗位、严密防守,并向大家表示亲切的问候!市政     

高速公路岩质边坡生态防护技术评述

就我国目前高速公路岩石边坡采用的几种主要生态防护技术的技术原理、工艺流程的优缺点进行分析.结合湖南省近几年高速公路岩石边坡的应用实践,探索出一条适合湖南省实际情况的成本低,效果好的新的生态化防护模式,以期对湖南省高速公路生态防护建设提供依据.     

论我国图书馆职业资格认证制度的建立

介绍一些国家的图书馆职业资格认证制度,同时提出建立图书馆职业资格认证制度应注意的一些问题。     

桉树立地评价及其决策支持技术的实现

运用网络、数据库、地理信息系统和决策支持系统等信息技术手段,针对林业基层生产单位和广大农民的实际需要,以桉树速生丰产林决策支持为对象,提出广西桉树立地分类与评价方式,设计并实现了基于分布式数据库和Web--GIS的桉树立地评价决策支持系统。系统可适用于广西全区,具有用户界面友好,简单易用,便于维护的优点。     

涉县娲皇宫风景名胜区风景资源分类评价

为了更为有效的保护和利用风景资源,根据《风景名胜区规划规范》(GB 50298-1999),对娲皇宫风景名胜区内的风景资源进行调查、分类及评价。78处风景资源中特级景点3处、一级景点17处、二级景点31处、三级景点22处、四级景点5处,其中人文景源占风景资源总数的34.6%,景观级别较高。结果表明：涉县娲皇宫风景名胜区风景资源有很高的审美价值,历史文化、科学、游憩、环境和保健价值。风景资源具有很大的旅游开发价值。     

首都绿化美化总结表彰动员大会在京召开

<正>2010年3月1日下午,首都绿化美化总结表彰暨动员大会在北京总后礼堂召开。北京市市委书记刘淇,市长、首都绿化委员会主任郭金龙,副市长、首都绿化委员会副主任夏占义出席了会议。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。