排序方式: 共有89条查询结果,搜索用时 15 毫秒
1.
2.
基于Van Leer矢通量分裂方法结合NND格式,构造一种新的矢通量分裂的差分算法.通过对二维非定常Euler方程的数值计算,证明该算法有着较高的计算精度和效率,并能自动捕捉到流场中的激波. 相似文献
3.
基于叶面积指数(LAI)的小麦变量施氮模型研究 总被引:3,自引:0,他引:3
为探讨基于叶面积指数变化的小麦变量施氮技术,依据养分平衡原理和"作物-土壤-环境-技术"整体原则,采用土壤空间信息数据与小麦需氮量和各生育阶段叶面积指数相结合的方法,设计了小麦播前施氮总量和播后精确追氮的数量模型.根据拔节期和抽穗期小麦的长势,对施氮量的初值进行订正,确定小麦的最适追氮量.在河南郑州市和鹤壁市两地的试验验证结果表明:小麦产量模拟值与实测值间的相关系数分别为0.7799和0.7169,达显著水平.与传统施肥技术相比,在相同产量下,使用模型后每公顷施氮量减少43.5 kg.该研究提出的基于模型的变量施氮技术,可以兼顾天气、地力和作物长势三方面因素,最终实现小麦的精确施氮,对促进精确农业的发展具有重要意义. 相似文献
4.
小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观地监测病害发生发展,尤其是将光谱信息与高分辨率数字图像进行融合,可直观、精准地对病害识别和分类。本文基于计算机视觉技术,通过光谱数据与高分辨率数字图像结合的方法,对小麦全蚀病等级进行快速分类。首先,通过ASD非成像光谱仪获取小麦全蚀病的光谱信息,提取全蚀病特征光谱,建立光谱比。其次,利用无人机获取的实时田间数码图像,对其颜色特征进行重量化。最后,利用基于支持向量机的决策树分类对图像视场中的不同全蚀病等级进行分类。结果表明,4个全蚀病等级的分类精度均大于86%(Kappa0.81),平均运算时间小于30s。通过与实地调查的小麦全蚀病的白穗率等级做比对,验证分类结果的准确性,结果表明该方法基本可以实现对小麦全蚀病等级的实时监测。 相似文献
5.
我国粮食生产回顾、现状及发展目标 总被引:3,自引:0,他引:3
总结了新中国成立60年来粮食生产的发展情况以及成就,从分析粮食发展现状中探讨今后的发展目标,提出粮食生产和粮食安全问题仍然需要高度重视,仍然需要科技进步不断提高粮食综合生产能力,构建国家粮食和食物安全保障体系. 相似文献
6.
采用新1代智能手机为应用平台,以JAVA为开发语言,以SQL Server 2005为数据库,集合ASP,GPRS等技术研制了适合养护道班工人使用的智能手机干线公路养护数据采集系统.结果表明,本系统可实现无线实时数据的采集和上传,从而为道路信息系统提供数据基础,有助于加快养护管理部门制订养护方案和决策支持. 相似文献
7.
为了提高农产品数字认证系统的安全性,把农业信息化与密码学技术结合起来,采用RSA-TBOS签密方案,保证分布节点与认证中心之间数据的保密性和认证性.分析与实验结果表明,系统在加入完整的安全模块后,在保证速度和效率不明显降低的前提下,提高了系统的可用性与安全性. 相似文献
8.
为准确反映肉类产量的波动特征,基于加权马尔可夫链理论提出了灰色残差修正模型,采用均值-均方差分级法,将残差灰拟合精度指标划分为4个状态,利用加权马尔可夫链理论对残差预测值进行修正.以1994-2011年郑州市肉类产量为基础,建立预测模型进行实证分析,并在模型中加入等维信息,结果表明,与传统的灰色预测相比,预测平均相对误差由21.88%降低为1.312%,较好地提高了预测精度. 相似文献
9.
基于计算机视觉技术的烟叶成熟度判定方法 总被引:5,自引:2,他引:3
快速定量检测烟叶成熟度可为烟叶成熟收割提供决策依据。通过对烟叶样品图像数据进行处理与变换,得到烟叶图像的HSV颜色值,使用线性回归分析法建立烟叶图像HSV颜色值与叶绿素含量之间的函数关系,以及烟叶叶绿素含量与SPAD值之间的函数关系;利用烟叶成熟度与SPAD值之间的函数关系,构建烟叶图像HSV颜色特征值与烟叶成熟度之间的关系模型TMDHSV,从而建立起基于计算机视觉技术的烟叶成熟度判定方法。试验结果表明,该方法具有较好的可行性,可为快速定量检测烟叶成熟度提供技术支撑。 相似文献
10.
基于高光谱特征的土壤有机质含量估测研究 总被引:6,自引:1,他引:5
在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。 相似文献