2019 年我国马铃薯市场形势回顾及2020 年展望

2019 年我国马铃薯批发均价处于近6 年来最高水平，月度价格始终高于2018 年同期，贸易顺差同 比大幅增加。预计2020 年市场供求关系趋于偏松，5～12 月薯价将同比下跌。     

现代园林规划中水景设计方法

介绍了水景在园林设计中的地位和作用,重点阐述了水、植物、水边建筑、石、声、光等水景构成元素的设计方法和原则,并对部分成功水景设计案例进行分析,以为水景设计提供理论依据。     

皖南山区大戟科药用植物资源及其利用

报道了皖南山区大戟科植物的种类和药用植物的种类、药用部位、分布，对该科药物资源的开发利用提出了建议。     

庆阳地区农村生态经济发展模式与政策建议

水土流失等自然灾害，是黄土高原地区农村经济持续发展的主要制约因素，以较为典型的庆阳地区为例，从导致生态环境恶化的经济原因入手，剖析了当前农户经济增长与生态环境发展之间的矛盾，在此基础上，提出了庆阳地区的农村生态经济发展模式，并为政府部门提供了一些政策建议。     

基于IMU的细粒度奶牛行为判别

针对奶牛行为判别自动化水平不足、准确率低的问题,采用惯性测量单元(IMU)和卷积神经网络(CNN),对细粒度奶牛行为判别进行研究。结果表明:1)在KNN、SVM、BPNN、CNN和LSTM 5个模型中,CNN模型在奶牛行为分类测试集上的准确率最高。2)含有三轴加速度计、陀螺仪和磁力计的IMU更加适用于奶牛行为分类,其分类效果优于含一种传感器的IMU。3)传感器频率与分类模型的性能相关,频率越高,正确率越高,当传感器频率设置为25 Hz时,奶牛行为判别效果最好。4)在1、2和4 s这3种时间窗中,使用4 s时间窗的奶牛行为分类模型性能最好。5)采用最优配置时,卷积神经网络模型能够有效的判别奶牛站立、躺卧2种状态,正确率为99%;可以对奶牛卷食、咀嚼、站立反刍、躺卧反刍、躺卧休息、站立休息6类行为进行判别,正确率为85%。采用IMU和卷积神经网络算法,可以有效的对细粒度奶牛行为进行判别,为奶牛养殖的自动化、智能化管理提供支撑。     

石质丘陵砾质土条件下青竹复叶槭生长状况分析

按照随机抽样的方法,对同等栽培条件下的青竹复叶槭和实生普通复叶槭定植7a后的生长情况进行调查和统计分析,前者比后者胸径生长量增加68.6%,遮荫覆盖面积增加199%;同等条件下的青竹复叶槭比黄山栾胸径生长量大43.9%,t检验均达到了极为显著的水平。对青竹复叶槭优良特性产生的原因进行了探讨,为今后青竹复叶槭的推广提供借鉴经验。     

2020 年上半年我国马铃薯市场形势分析及下半年走势预测

2020 年上半年我国马铃薯市场行情延续2019 年向好趋势，月度价格总体同比明显提高、均价创近 10 年来新高、贸易顺差同比大幅增加。预测下半年随着各秋薯产区陆续收获，马铃薯市场价格将低 于2019 年同期水平。     

奶牛跛行自动识别技术研究现状与挑战

奶牛跛行是奶牛发生肢蹄病的外在表现。人工识别跛行奶牛存在效率低、成本高、主观性强等问题。奶业对奶牛跛行自动识别技术需求日益强烈。本文从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面，分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状。总结发现，当前奶牛跛行自动识别技术研究大多集中在传感器研发和算法开发，而性能验证和决策支持的研究较少，面临的主要挑战包括高质量跛行识别数据获取难度大，缺乏早期跛行识别技术手段，奶牛个体差异干扰模型识别精度，牧场非结构化环境对识别系统性能要求高，以及技术应用效果难评估等。因此，为促进奶牛跛行自动识别技术的发展，建议推动牧场跛行监测数据共享，研究奶牛个体跛行判别模型的构建方法，开发融合跛行检测、体况评分等多功能的一体化智能通道，并分析评价跛行自动识别技术应用在保障动物福利、环境生态、粮食安全等方面的重要意义。     

GRACE重力卫星监测新疆干旱特征

新疆地处亚欧大陆中部,远离海洋,对全球变化响应敏感。文中利用GRACE重力卫星数据反演得到整个新疆地区的区域月均水储量变化量,基于该水储量变化数据,得到区域旱涝指标-相对水储量指数。利用相对水储量指数对新疆2002年8月-2013年7月的干旱情况进行了分析,研究结果表明:GRACE方法反演的干旱特征与标准化降水指数(SPI)的结果基本一致;新疆2002年8月-2013年7月期间共发生了7次干旱事件,其中2008.04~2009.12干旱程度最严重,与近十年新疆干旱灾害实际情况相符合。GRACE为干旱监测提供了一种新的方法,具有良好的应用前景。     

基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相

奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型 （Gaussian Mixture Model,GMM） 和隐马尔科夫模型 （Hidden Markov Model,HMM）的无监督学习奶牛步态时相识别算法 GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F₁分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F₁分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F₁分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。