近40 a内蒙古正蓝旗气候变化特征

气候变化特征对于当地适应气候变化政策及制定相应的管理对策具有重要意义,利用内蒙古锡林郭勒盟正蓝旗1970-2009年气温和降水资料,结合回归分析对该旗气候变化的主要特征进行了分析。结果表明：内蒙古正蓝旗气温呈明显的上升趋势,变化倾向率为0.57 ℃·（10a)^-1,40 a平均气温为2.26 ℃,其中21世纪初前10 a上升幅度最大,其年代平均气温攀升至峰值,达到3.07 ℃;降水量也呈上升趋势,其变化倾向率为4.85 mm·（10a）^-1,40 a平均降水量为352.31 mm,其中20世纪90年代降水量最高,达到398.74 mm,而21世纪初前10 a降水量迅速下降,成为近40 a降水量最低点,低于多年平均降水量19.62 mm。总体而言,正蓝旗20世纪70年代趋于相对干冷,80年代则由相对干冷向暖湿发展的过渡期,而90年代正蓝旗呈相对明显的暖湿化趋势,21世纪前10 a降水量减少和气温继续升高,出现暖干化趋势。     

内蒙古镶黄旗草原资源现状与动态的遥感监测

利用 2 0 0 2年的 TM影像 ,结合地面 GPS精确定点调查 ,在 GIS平台上对镶黄旗草原资源现状进行监测 ,对比 1 989、1 996两期 TM影像和 80年代调查等历史资料 ,进而得出镶黄旗近期草原资源的变化状况     

基于Hyperledger Fabric的青海牦牛养殖溯源系统

青海省是我国牦牛生产和消费的大省,为了进一步提高牦牛养殖水平、保障人民饮食健康、加强牦牛产品监管,需要建立一套准确、高效的牦牛养殖溯源系统。现有的溯源系统存在着信息孤岛、信息失真、中心化严重、数据来源真实性等问题,根据区块链的去中心化、防篡改等特性,可以有效解决这些问题。本文结合区块链技术对传统溯源系统进行改进,研究出适用于牦牛养殖阶段的数据传输机制和管理养殖信息的智能合约,以保证信息在传输过程中的安全性、高效性。在此研究基础上,使用Hyperledger Fabric和Hyperledger Explorer技术设计并研发了一款基于区块链的青海牦牛养殖溯源系统,通过系统在牧场中的实际应用,完成系统的功能测试和性能测试,并验证了溯源系统的可行性和有效性。     

草原生态保护与建设的综合分区与规划研究--以内蒙古自治区镶黄旗为例

利用2002年镶黄旗草原资源与生态监测数据,结合历史资料,围绕草原资源与生态保护与建设这一首要目标,将镶黄旗草原划分为9个生态分区,并首次利用草原建设、生态危机等方面的10个指标,建立了3类保护与建设分区,两种分区综合分析,得出当地草原生态保护与建设的评价和规划建议。     

基于改进Tiny YOLOv3的交通标志检测方法

针对智能驾驶场景下的小尺寸交通标志检测准确率不高的问题,提出一种基于Tiny YOLOv3网络的交通标志检测算法。通过使用深度可分离卷积重构特征提取网络和增加浅层与深层特征层之间的特征融合,提高模型对小目标的注意力;同时修改anchor boxes尺寸,提升预测框的准确度。在TT100K交通标志数据集上的试验结果表明,提出算法的平均精度均值（mAP）较TinyYOLOv3提高了19.3%,对小尺寸交通标志检测具有更强的鲁棒性。     

新生特质调研平台的建立与应用

建立了从学生学识认知度、创造性、事物敏感度和自身身体状况等不同角度出发,采用层次分析法同时配以不同权重的新生特长和优势评价方法。在此基础上,以ASP.NET结合SQL Server2005数据库设计了三层体系框架新生特长调查和评价平台。     

天津市猪育种发展历程、存在问题与对策建议

<正>1天津市养猪生产现状养猪业是天津市畜牧业主导产业之一,经过多年的建设已走出传统、粗放的经营方式,逐步向集约化、规模化、专业化和产业化的生产经营方式转变。近年来,天津市定位于发展现代都市型畜牧业,生猪存、出栏量持续增长,生产水平逐步提高,现代化进程不断加快。据《天津统计年鉴2013》数据     

基于机器视觉的猪体质量估测模型比较与优化

基于机器视觉的猪体质量估测模型较多,但模型缺乏在实用性、准确性的对比,最佳模型没有定论。该文总结了已有的估测算法,基于79组背部图像面积、实际面积、体长、体宽、体高、臀宽、臀高数据,使用线性回归、幂回归、二次回归、主成分线性回归、RBF(radial basis function,径向基函数)神经网络等方法,重建了13种体质量估测模型,并比较了13种模型的估测精度。结果表明,基于体长、体宽、体高、臀宽和臀高的线性回归模型具有较好的估测精度,估测值与真值的相关系数达到了0.996。利用主成分法去掉体尺的共线性,利用曲线回归解决残差不均匀问题,更加符合猪体质量增长趋势,结果表明基于主成分的幂回归模型具有较高的相关系数和较低的标准估计误差,对于97组数据的估测平均相对误差为2.02%。使用猪场实测24组数据验证模型,估测质量与测量值相关系数为0.97,估测平均相对误差为2.26%,标准差为1.78%,优于基于面积和面积体高结合的估测模型,平均绝对误差为2.08 kg,优于面积体高结合方法的平均绝对误差。试验证明使用多个体尺的主成分幂回归体质量估测模型较为精确,可用于机器视觉估测猪体质量的应用中。     

基于RBF神经网络的种猪体重预测

针对猪体生长参数之间具有一定的自相关性、部分参数与体重间呈非线性关系、通过线性回归模型预测猪体体重存在着自变量间共线性及拟合优度较低等问题,以52头长白母猪的生长参数为基础,通过最近邻聚类算法,构建了基于RBF神经网络的种猪体重预测模型。通过线性回归检验法对种猪体重预测值与实测值进行分析,发现基于RBF神经网络的长白种猪体重预测模型的拟合优度R2为0.998,而线性回归模型的R2为0.891。结果表明：通过RBF神经网络方法建模,消除了线性回归分析中自变量的共线性问题,预测效果优于线性回归模型。