南方典型水稻种植区氮、磷排放及迁移规律研究

研究了赣抚平原灌区灌溉水渠、双季稻高标准种植示范区排水、单季稻为主农民种植区排水水质氮、磷迁移时空变化规律.研究结果得出,灌溉期间灌溉用水、示范区沟、示范区塘、农民种植区沟、农民种植区塘总氮平均值分别为(1.35±0.33)、(1.21±0.67)、(0.62±0.25)、(2.62±1.57)、(2.52±1.43)mg/L,总磷平均值分别为(0.04±0.01)、(0.06±0.05)、(0.02±0.01)、(0.25±0.11)、(0.26±0.14)mg/L.灌溉水渠总氮峰值分别出现在5月和8月,总磷峰值分别出现在4月和8月;示范区总氮峰值分别出现在5月和8月,总磷峰值分别出现在4月和8月;农民种植区总氮峰值出现在6月,总磷峰值出现在4月.稻田排水总氮、总磷与水稻种植农事活动相关,排水中总氮迁移速度和消除速度高于总磷.研究结果可以为水稻种植区农业面源污染治理、湖泊富营养化防治提供参考.     

某有色金属尾矿及其污染土壤的原位风险管控处置

为降低某尾矿堆对周边土壤和地下水环境造成的重金属污染风险,对该尾矿堆河堆场之下的污染土壤进行了原位封闭阻隔处置。综合考虑尾矿堆的安全稳定性、环境污染现状、水利防洪等因素,提出了采取阻隔屏障、临空面支护隔离及防渗膜+黏土+种植植物覆盖等一系列风险防控措施,从而达到污染源头削减与生态恢复协调控制效果,为尾矿和污染土壤的环境原位风险防控工作起到积极的示范意义。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究；同时，探究不同数据集大小以及不同优化算法对模型性能的影响；基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%；2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%，并且收敛速度最快；3)本研究模型识别精度随着数据集的增大而提高；在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

抗生素使用现状及其在生态环境系统的行为研究进展

阅览关于抗生素在生态环境中迁移转化降解等行为的文献，文献内容有研究性和综述性。分析了解近些年对抗生素行为研究的重视情况、使用现状、研究种类，对人体、土壤、水体还有植物体的污染情况、研究进展、研究方法、抗生素的降解处理方法等内容，并列举代表性研究对内容进行阐述。总结了滥用抗生素对人体和生态环境的危害，并对未来抗生素在生态环境的行为影响研究进行展望，以期为后续抗生素在生态环境中的研究提供     

偏高岭土对高强机制砂混凝土性能的影响

利用扫描电子显微镜(SEM)、压汞法(MIP)、快速氯离子迁移系数法(RCM)等手段,研究了偏高岭土(MK)掺量对高强机制砂混凝土抗压强度以及抗氯离子渗透性能的影响.研究发现: 掺入MK能够有效改善高强机制砂混凝土的力学性能和抗氯离子渗透性能:随MK掺量增加,抗压强度与抗氯离子渗透性能均呈先增大后减小的趋势,最佳MK掺量为8%,此时28 d抗压强度为98.5 MPa,较基准组增加13%,氯离子迁移系数为1.89×10^-12 m²/s,较基准组减小60%.微观结构试验表明适宜的偏高岭土掺量能够有效促进水泥水化;偏高岭土颗粒的晶核效应和微集料填充效应协同作用,使得机制砂混凝土的微观结构更加均匀密实,机制砂混凝土的多害孔、有害孔减少,少害孔增加,从而提高了机制砂混凝土抗压强度和抗氯离子渗透性能.     

一种新型卷积神经网络植物叶片识别方法

为提高植物叶片识别的准确率及减少计算代价,在Pytorch框架下提出一种融合了深度卷积生成式对抗网络(DCGAN)和迁移学习(TL)的新型卷积神经网络叶片识别方法。首先,对植物叶片图像进行预处理,通过DCGAN对样本数据库扩充;其次,利用迁移学习将Inception v3模型应用于图像数据处理上,以提高植物叶片识别的准确率;最后,通过对比实验对该方法的有效性进行验证。结果表明:该方法可以获得96.57%的植物叶片识别精度,同时参数训练的迭代次数由4000次缩短到560次。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

小麦秸秆热解过程中碳和微量元素迁移转化规律

为研究小麦秸秆热解过程中碳元素和微量元素的迁移转化规律,依托连续式作物秸秆分段均匀炭化联产系统,基于热解炭化生产工艺,测算及分析碳元素在秸秆热解过程中的存在形式及迁移转化量,利用HSC Chemistry软件模拟微量元素在秸秆热解炭化过程中的组分变化,分析了8种微量元素的迁移转化规律,为生物质热解机理的进一步研究提供支撑,为提高秸秆热解炭品质提供强有力保证。结果表明:经测试及测算得到的碳元素迁移足迹图符合碳元素质量守恒定律,碳元素迁移到热解炭中41.12%,以固定碳存在;22.83%迁移到焦油中,以大分子长链烃和环链烃存在;26.62%的碳元素以六碳内的短链烃存在于热解气;4.71%迁移到木醋液中为醛、酮、酸等。小麦秸秆中含量在100μg/L以上的8种高富集微量元素里,K、Na、Ca、Mg主要以硫酸盐、磷酸盐及氯化物形式存在于热解炭中,Al、Fe多以氧化物、硫化物以及硅、氧共融物形态被大量保留在热解炭中,而P、S元素在热解炭化过程中的析出主要是有机结合物的分解。     

氧化石墨烯和五价砷在改性多孔介质中的共迁移特征

砷是农田土壤重金属污染的主要元素之一,在砷污染农田土壤的修复过程中往往忽视纳米颗粒能够使结合态的砷重新释放,导致有效态砷浓度升高,探究土壤中黏土矿物对氧化石墨烯(Graphene Oxide,GO)和五价砷(As(V))在多孔介质中迁移行为的影响,对进一步完善农田土壤砷修复理论以及提高农作物产量、保护人体健康具有重要意义。该研究利用蒙脱石和高岭石改性石英砂,通过砂柱迁移试验系统地研究了GO、As(V)和GO-As(V)在填加0%、10%、30%和50%的蒙脱石和高岭石改性石英砂柱中的迁移行为。研究结果表明,随着高岭石和蒙脱石改性石英砂填加比例的增加,GO和As(V)的迁移能力均呈降低趋势,且GO和As(V)在不同条件下的迁移曲线均存在显著差异(P0.05);GO在50%高岭石和蒙脱石改性石英砂柱中的回收率相对于石英砂柱分别下降了14%和17%,As(V)分别下降了15%和12%;在共迁移试验中,GO和As(V)在石英砂柱中回收率分别上升至99%和100%。分析表明,As(V)在蒙脱石改性石英砂柱中的迁移能力大于高岭石改性石英砂,而GO与之相反;当GO和与As(V)共迁移时,二者在介质中的迁移能力均大于其单独迁移。本研究表明GO、As(V)释放到土壤后,能够加速As(V)的迁移,造成土壤砷污染的扩大化。