基于修正的C-D生产函数模型的吉林省粮食增产潜力分析和预测

首先运用修正的C-D生产函数模型对以往的吉林省粮食增产潜力及其影响因素进行建模分析,然后对各影响因素进行趋势分析,最后用修正的C-D生产函数模型对吉林省的粮食增产潜力进行预测。     

熵权系数法在土壤环境质量评价中的应用

根据信息论中熵的概念,分析土壤环境评价中各因素提供的信息,计算出各评价指标的权值,得到土壤环境评价的综合指标值,最终确定土壤环境评价的等级。熵的引入避免了主观因素的干扰,可看出与标准等级的接近程度;在同等条件下,与其他土壤环境评价方法相比,可看出熵权系数法的评定结果准确度较高。实例分析表明,该评价方法简单易行,评价结果符合实际情况。     

污泥臭氧氧化破解影响因素研究

为提高臭氧破解污泥的效率,降低剩余污泥原位减量成本,采用自制的污泥臭氧氧化反应装置,重点研究了臭氧投量、pH值和初始污泥浓度对污泥破解效能的影响。结果表明:40mg/g是破解污泥的临界臭氧投量,高于此值,污泥固体颗粒开始溶解,并随着臭氧投量的增加而增加;中性、偏酸性环境和较高的污泥初始浓度有利于污泥的臭氧氧化破解。综合考虑污泥破解后胞内物质释放情况,确定最佳操作条件:臭氧投量为208mg/g,pH值为6,初始污泥浓度为19629mg/L。     

微课翻转教学模式在农民培训中的应用

职业农民培训对发展现代农业、提高农民收入至关重要。现有的农民培训模式具有培训成本高、针对性不强、培训效果较差等弊端。为此,笔者基于慕课思想和互联网技术,提出一种基于微课的翻转培训模式。该模式有2个基本要点:(1)制作以问题为导向的微课在互联网平台上发布;(2)课前农民针对自己感兴趣的问题自主在线观看学习微课程,专家在此过程传授知识;课上农民吸收内化知识,对课程内容进行追问和答疑。笔者对该模式进行论述,并通过实例进行分析。实际应用效果表明,该模式符合农民特点,培训成本低,培训效果好,是互联网+农民培训的一次有益探索。     

基于本体的玉米病害知识库的构建与集成实现

由于农业领域的特殊性,知识获取和知识表示一直是农业专家系统的瓶颈问题.本体为玉米病害发生过程中发病时期、症状特征等知识提供了明确的形式化规格说明的知识表示;适合玉米病害发生的不确定性、动态性和依赖性等特点.通过实验表明,该模型能准确、高效地诊断玉米病害,具有较好的应用前景.     

基于时序遥感数据的玉米种植面积提取方法研究

探讨了在Landsat TM图像上进行玉米分布区域信息提取的基础上,利用MODIS数据NDVI植被指数的时间序列进行提取的方法,并以吉林省榆树市实验区为例,提取了2007年的玉米种植面积。研究结果发现,该方法提高了用单一时相landsat TM进行玉米面积识别的精度。     

基于模糊逻辑的新生心理健康评估专家系统的设计与实现

在研究了几种评估方法的基础上,提出了模糊评估与层次分析相结合的综合评估方法,并基于建立专家系统的基本设计思想,开发了一个基于Web的新生心理健康评估专家系统。针对新生所表现出的心理症状和潜在心理信息对新生存在的心理问题进行了诊断研究,为新生教育及管理提供了有价值的信息。     

Simulink平台在玉米病害视频图像中的实时诊断

为提高对玉米病害叶片的识别精度,达到快速诊断、智能决策和有效诊治的目的,提出了一种基于Simulink仿真平台的玉米病害视频图像远程实时诊断技术。该技术首先使用Simulink仿真平台将采集的实时视频进行平滑处理,以提高图像的清晰度和质量;再运用分割技术确定玉米病害的优选图像;最后进行优选图像的解析和诊断处理。对玉米灰斑病图像的研究结果表明:该优化技术处理后的图像质量明显提高,突出了玉米病害特征,增强了玉米病害远程视频图像诊断的实时性和准确性,为玉米生产的智能决策提供了技术支撑。     

基于ZigBee网络的人参生长监测及病害预警

针对目前人参种植管理环节中面临的生长环境要素监测难、病害发觉迟缓、自动化水平低等问题,设计出一种基于ZigBee网络的人参生长监测及环境关系敏感型病害自动化预警系统。利用ZigBee无线监测节点采集人参生长的环境要素信息,数据传输网关汇集相关信息发送至远程服务器,系统提取特征数据处理分析后自动向客户端推送实时监测数据,同时发出病害预警分析,提示管理人员做出应对措施。通过应用试验的验证,系统很好地解决了人参生长监测及环境关系敏感型病害预警的难题,提高了人参种植的科学化管理水平。     

用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率

为了适应航拍采集秸秆覆盖图像大尺度处理需求，提高当前多阈值差分灰狼优化算法（Differential Evolution Grey Wolf Optimizer，DE-GWO）的图像分割质量和速度，提出一种用于检测秸秆覆盖率的图像分割优化算法。该研究借鉴了人工蜂群多目标灰狼优化算法（Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimizer，AS-MOGWO），在DE-GWO算法中加入了多目标灰狼优化算法（Multi-Objective Grey Wolf Optimizer，MOGWO）的外部存档，引入多目标的概念，并添加了人工蜂群算法（Artificial Bee Colony，ABC）中观察蜂的搜索策略，提出了基于多阈值的多目标秸秆覆盖图像自动分割的优化算法（Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization，DE-AS-MOGWO）。该算法不仅继承了DE-GWO算法的自动分割特性，还兼备AS-MOGWO算法的高效收敛性，提高了图像分割的准确性和处理速度。分析结果显示，在无外界影响的情况下，该研究提出的DE-AS-MOGWO优化算法与人工实际测量法匹配的误差可控制在8%以内。在算法性能方面，DE-AS-MOGWO相比于PSO（Particle Swarm Optimization）、GWO（Grey Wolf Optimizer）、DE-GWO和DE-MOGWO在平均匹配率上分别提高了4.967%、3.617%、2.188%和3.404%，平均误分率分别降低了0.168%、0.131%、0.089%和0.116%，而算法耗时分别降低了82%、84%、17%和32%。试验结果表明，多阈值多目标图像分割方法在大尺度无人机图像中可获得较好的分割效果，且针对不同秸秆覆盖率图像均具有普遍适用性，为大面积秸秆覆盖率检测以及其他相关图像检测提供了高效算法支持。