基于粒子群算法优化BP神经网络的土壤含水量短期预测模型

为提高土壤含水量预测精度,基于物联网监测数据,提出了粒子群算法(PSO)优化BP神经网络的土壤含水量预测方法。首先应用主成分分析法筛选出影响土壤含水量的关键影响因子,然后构建8-5-1的BP神经网络拓扑结构,应用粒子群算法优化BP神经网络的初始权值和阈值。结果表明:与传统BP神经网络相比,新模型优化了网络结构,避免了陷入局部最优解,具有良好的预测效果;模型的评价指标平均绝对误差、平均绝对百分误差、误差均方根分别为0.259 2、0.010 5和0.135 6,与单一BP神经网络相比,预测精度更高,可满足实际的土壤含水量预测的需要。     

山东省莒南县大店镇草莓产业发展SWOT分析

文章从微观视角对大店镇草莓产业发展的优势(strengths)、劣势(weaknesses)、机会(opportunities)、威胁(threats)进行了研究,以此为产业战略的制定提供指引,更好地推动草莓产业结构升级,还探讨了阻碍莒南县大店镇草莓产业进一步发展的限制性因素,并提出可以促进草莓生产经营主体进步、农民效益提升的建议,以此助推当地草莓产业朝着健康、可持续的方向发展。     

基于形态特征和SSR标记的斑茅繁殖策略的研究

本研究以收集自我国7个省的45份野生斑茅(Saccharum arundinaceum)为研究对象,在开放授粉条件下,通过测定斑茅的花粉与胚珠比(Pollen-ovule ratio,P/O)、杂交指数(Outcrossing index,OCI)以及基于简单重复序列(Simple sequence repeats,SSR)分子标记估计交配系统参数这3种方法,探究斑茅繁殖特性及其有性繁殖力的情况,为斑茅资源开发利用、杂交育种及繁殖技术提供基础依据。结果表明:斑茅P/O为5 897,杂交指数OCI为2;采用11对SSR引物对随机取样的15个斑茅半同胞家系共计1 158个子代进行交配系统参数估计,结果显示斑茅种群具有较高的异交率水平(t_m=0.864),多位点异交率和单位点异交率的差值不明显(t_m—t_s=0.012),亲本近交系数F大于0(F=0.318),表明斑茅以异交为主,并存在部分近交。综上所述,本研究初步认为斑茅的繁殖特性为异交为主、自交为辅的混合交配系统模式。     

部分引种牡丹在湖南的物候期初步观测

以2015年10月从洛阳引进的24个中原牡丹品种和28个外国牡丹品种为实验材料,在湖南长沙进行适应性栽培,从2015年12月至2016年12月观测并记载其物候期、适应性指标及其中17个长势好的品种的枝、叶、花蕾的生长量。结果表明:引种的52个品种中适应性最好的有36个,全年生长势好,成花率高,无秋发现象;适应性较好的有13个;适应性差的有3个,全年生长势差,成花率低,秋发现象严重。各物候期的整体变幅不大,花期主要集中在3月,一共持续1个月左右,枝、叶主要经历缓慢生长、快速生长、缓慢生长、停止生长的过程,而花蕾的整个发育过程比较缓慢。北方观赏牡丹在湖南的长势良好,有望在南方地区选育及园林应用上推广。     

脱毒兰州百合快繁体系的建立

通过多年的工作,研究建立了脱毒→病毒检测→脱毒原种苗筛选→脱毒原种苗组培快繁→脱毒籽球培育→生产用脱毒种球培育的兰州百合(Lilium davidii Duchartre)脱毒种球繁育体系。     

智能合约技术在林果溯源中的应用研究

针对现有的农产品质量追溯系统缺乏统一标准，不能对产品供应链信息进行有效监控，产品信息可能会被恶意篡改而失去可信度等问题，本文利用智能合约构建多模块溯源模型，设计相应的用户合约函数规则，提高了追溯信息的可信度，采用以太坊结合IPFS分布式存储技术作为主要存证的底层数据库，保证了数据的安全性。最后本文以皖北特色林果为例，设计了一套林果产业链可信溯源系统，通过在企业部署运行，结果表明该系统运行可靠，溯源结果可信度高。     

同一养殖环境下不同规格三疣梭子蟹竞食能力的比较研究

将3种不同规格的三疣梭子蟹[平均体质量分别为(101.26±5.36)g、(62.37±4.10)g和(24.37±2.10)g]各10只饲养于2.6m×1.8m×1m的室内水泥池单元格内,水深40cm,重复3组。每日17:00投喂鲜活的带鱼块,通过摄像机观察不同规格三疣梭子蟹的竞食行为,每组重复3次。结果表明:(1)不同规格三疣梭子蟹发现、抱持食物所需的时间相近,无显著差异(P0.05);(2)个体间竞食激烈,(101.26±5.36)g组蟹抢食的比率最高,抢夺(62.37±4.10)g组或(24.37±2.10)g组蟹所持有的食物;(101.26±5.36)g组蟹抢食的次数显著多于(62.37±4.10)g组或(24.37±2.10)g组蟹的抢食次数(P0.05),(24.37±2.10)g组蟹抢食的次数最少;(24.37±2.10)g组蟹被(101.26±5.36)g、(62.37±4.10)g、(24.37±2.10)g组蟹抢食的次数及总次数最高,显著多于(101.26±5.36)g组蟹(P0.05),(62.37±4.10)g组蟹次之,(101.26±5.36)g组蟹最少,后两组蟹无显著差异(P0.05),表现出明显的"大欺小"现象;(3)(101.26±5.36)g组蟹的食物占有率(45%)显著高于(24.37±2.10)g组蟹(近20%)(P0.05),而(62.37±4.10)g组蟹占有的食物数量介于(101.26±5.36)g组和(24.37±2.10)g组之间,(101.26±5.36)g组蟹啃食完食物所用的时间仅约为(24.37±2.10)g组蟹的1/5倍。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。