小麦群体生长状态实时绘制技术及实现

为了有效提高小麦群体可视化的真实感与实时性,该文提出一种基于多技术融合的小麦群体生长实时绘制的方法。首先,根据小麦群体形态建成规律,定量分析了小麦群体中个体间差异性。其次,在改进群体显示实时性方面,基于已有的小麦个体生长可视化,采用细节层次（LOD）模型,根据视点、视角和视线来动态指导空间剖分以及细节层次的选择;采用视域裁剪技术,通过减少被检测节点的数量和提高单个节点视域裁剪的处理速度来提高系统的渲染速度;基于小麦群体中个体器官形态的组成,结合树形多级显示列表技术,通过改进数据结构设计,提高场景的显示效率;在增强群体可视化真实感方面,基于已有的小麦形态模型输出,通过小麦群体中个体间差异性分析研究,采用外部引用和实例化技术,创建互异的个体实例样本,群体绘制时进行随机引用,提高了显示的真实感;最后,进行基于不同技术小麦群体绘制的效率与实例分析比较,结果表明,基于多技术融合场景绘制算法的小麦群体生长可视化,具有较好的实时性和真实感。研究结果为进一步建立小麦生长可视化系统奠定了基础。     

萝卜精量播种机吸嘴流场数值模拟

设计了一款自走式萝卜精量联合播种机,对吸嘴部分产生的速度流场分布情况进行研究,探讨其对吸种效果的影响。为考察不同真空压力条件下的吸种效果,以CFD软件为计算平台,采用结构化网格,以标准的k-ε湍流模型对吸嘴内部速度流场的分布进行了研究。结果表明,当真空压力分别为60、65、70、80 k Pa时,得到这些真空度所对应的播种器吸嘴附距离分别为3.28、3.33、3.35、3.45 mm;最终确定吸嘴的吸附距离随着真空度的加大而增大。     

不同株型小麦干物质积累与分配对氮肥响应的动态分析

为了揭示株型和施氮量对小麦干物质积累与分配动态的影响,通过实施不同株型小麦品种和氮肥处理的田间试验,于主要生育期测定了各处理单株及不同器官干物质积累量,并分别利用Richards和VP方程对其进行拟合。结果表明,适量施氮提高了各株型小麦的干物质平均增长速率(R_a)和最大增长速率(R_max),缩短了各株型小麦到达R_max的时间,延长了各株型小麦的缓增持续期(D₃)。施氮提高了紧凑型矮秆品种矮抗58、松散型品种淮麦17和中间型品种扬麦12的起始生长势(R₀),缩短了上述3种株型小麦的渐增持续期(D₁),降低了其到达R_max时的干物质积累量(W_Rmax),而紧凑型高秆品种宁麦9号的R₀、W_Rmax和D₁与上述3种株型小麦的变化趋势相反。随施氮量的增加,矮抗58和宁麦9号的快增持续期(D₂)呈下降趋势,而淮麦17和扬麦12的D₂以中氮处理(150 kg hm^-2)最低。施氮降低了淮麦17和扬麦12的叶、穗最大分配比例(P_max)以及矮抗58和宁麦9号的茎鞘最大分配比例(P_Smax),但增加了矮抗58和宁麦9号的叶部和穗部P_max以及淮麦17和扬麦12的P_Smax。施氮降低了宁麦9号、淮麦17和扬麦12的叶分配比例最大下降速率及矮抗58和宁麦9号的穗分配比例最大增长速率,而增加了矮抗58的叶分配比例最大下降速率及淮麦17和扬麦12的穗分配比例最大增长速率,但过量施氮抑制了宁麦9号穗分配比例最大增长速率的增加和扬麦12穗分配比例最大增长速率的下降。施氮对各株型小麦茎鞘分配比例最大增长和下降速率(R_Simax和R_Sdmax)的影响无明显规律。因此,在建立高产小麦栽培技术体系时,应充分考虑到不同株型小麦干物质积累和分配动态对施氮量的响应差异。     

水稻植株氮素吸收与籽粒蛋白质积累模型

 【目的】建立基于生理生态过程的水稻籽粒蛋白质积累模拟模型。【方法】基于不同地点、品种及施氮水平的田间试验资料,通过解析花前植株氮素吸收与积累、花后氮素吸收与转运的动态特征及定量关系,构建水稻植株氮素吸收与籽粒蛋白质积累的模拟模型。【结果】水稻籽粒中氮素积累速率取决于源限制下的可获取氮源和库限制下的氮素积累速率;源限制下的可获取氮源取决于营养器官向籽粒转运的氮素和花后植株吸收的氮素,库限制下的氮素积累速率由潜在氮素积累速率及温度、水分和氮素因子效应来综合决定。营养器官中的氮素转运又分为叶片和茎中积累氮素的转运;花前叶片和茎中的相对氮含量随播后生长度日线性增加;花后叶片和茎中的相对氮含量随花后生长度日线性递减;花后吸收的氮素随籽粒重的增加对数递增。利用独立的田间试验资料对所建模型进行了检验,结果显示模拟值与观测值之间具有较好的一致性,其中花前叶片与茎秆氮素吸收量、花后籽粒氮素吸收量、花后叶片与茎秆中氮素转运量的决定系数分别为0.968、0.980、0.974、0.970和0.976,根均方差分别为16.55%、13.24%、9.53%、10.93%和9.29%;籽粒蛋白质含量的决定系数分别为0.930,根均方差分别为7.82%。【结论】模型对不同栽培条件下水稻植株氮素吸收与转运以及籽粒蛋白质积累具有较好的预测性,为水稻生产中籽粒蛋白质指标的动态预测提供了量化工具。     

基于模型和GIS的水稻生产管理决策支持系统构建与应用

为实现水稻生产过程的精确化管理,以水稻精确管理知识模型为管理决策的智能依托,以GIS为空间数据管理平台,应用系统工程思想和软构件技术,设计实现了基于模型和GIS的水稻生产管理决策支持系统。该系统具有基本地图操作、信息管理、栽培方案设计、肥水运筹、病虫草害管理、适宜生长指标设计、因苗实时调控、专家咨询以及系统帮助等功能。系统在江苏和浙江部分水稻生产区的应用结果表明,精确管理田块平均产量达10464.8kg/hm2,较常规管理田块增产12·53%,减少氮肥投入31.5kg/hm2。系统的建立为水稻生产全过程变量管理处方的生成提供了模型化和系统化的决策工具,也为其他作物管理决策支持系统的构建提供了基础框架。     

油菜生育期模拟模型研究

【目的】以油菜生理生态过程为基础,通过定量分析油菜对温度（包括春化作用）和光周期的反应,构建以生理发育时间为尺度的油菜生育期模拟模型。【方法】每日生理发育时间由每日生理效应累积形成,而每日热效应、春化效应、光周期效应与品种灌浆速率互作共同决定每日生理效应大小。模型通过引入温度敏感性、生理春化时间、光周期敏感性和基本灌浆因子4个参数反应不同油菜品种的遗传差异,从而使得每个油菜品种达到特定生育时期所需生理发育时间恒定。利用不同地点、播期、品种和肥料处理的试验数据对所建模型进行了校正和检验。【结果】播种到抽薹、初花、终花、成熟期的模拟值与预测值RMSE（根均方差）分别为1.37%、1.52%、2.68%和1.12%。【结论】表明模型具有较好机理性和可靠性。     

萝卜采收机械手的设计

为了提高萝卜采收的自动化程度,模拟萝卜采收过程中的工艺步骤,设计了一款萝卜采收机械手。对机械手采收部分的关键部件进行了研究,包括机械手的机械结构设计、驱动系统与PLC控制系统设计。机械结构部分主要由手爪、手腕、手臂、机座等组成,具有手臂回转、升降、手臂摆动、手腕旋转共4个自由度。萝卜采收机械手能依次完成萝卜的拔取、翻转、转位等动作。为了使采收过程顺利进行,机械手采用液压驱动,并结合PLC控制系统来提高该机械手的定位精度,实现萝卜采收的自动化过程。     

基于知识模型的网络化作物管理决策支持系统

以气象因子、土壤特性、品种参数、生产条件等数据为农作信息依托,以具有时空适应性的作物栽培管理动态知识模型为管理决策支撑,以网络通讯为系统信息发布与流通平台,运用软构件技术与Web应用技术,设计和实现了基于浏览器/服务器(B/S)模式的具有4层分布结构的网络化作物管理决策支持系统(knowledge model and web-based decision support system for crop management,KMWDSSCM).以江苏省为案例区,对系统进行了示范应用,结果表明,系统能在Internet环境下有效地进行作物生产管理决策,在江苏部分地区稻麦生产实践中具有较好的适用性和指导性.     

基于知识模型的网络化作物管理决策支持系统

以气象因子、土壤特性、品种参数、生产条件等数据为农作信息依托,以具有时空适应性的作物栽培管理动态知识模型为管理决策支撑,以网络通讯为系统信息发布与流通平台,运用软构件技术与Web应用技术,设计和实现了基于浏览器/服务器(B/S)模式的具有4层分布结构的网络化作物管理决策支持系统(knowledge model and web-based decision support system for crop management,KMWDSSCM).以江苏省为案例区,对系统进行了示范应用,结果表明,系统能在Internet环境下有效地进行作物生产管理决策,在江苏部分地区稻麦生产实践中具有较好的适用性和指导性.     

基于改进包围盒树和GPU的水稻群体叶片间快速碰撞检测

为了解决水稻群体动态生长模拟过程中叶片间碰撞检测效率较低的技术问题,该文利用水稻叶片抛物线的形态结构特性以及CPU/GPU硬件加速特性,提出了水稻叶片混合层次包围盒树(mixed level tree,MLT)快速构造方法以及基于CPU/GPU的群体叶片快速相交检测方法。提出了新的OBB包围盒方向轴计算方式,降低了OBB包围盒构建的复杂度,在此基础上,利用单株叶片之间、群体叶片之间碰撞检测计算关系的依赖性,设计了CPU/GPU加速方案,并使用CUDA在Tesla 40加速卡上实现。对分蘖期大规模水稻群体叶片进行了效率对比试验,结果表明,水稻群体规模从2 000株增长到10 000株的过程中,本文提出的基于MLT的碰撞检测方法耗时是传统的AABB方法耗时的50%,是OBB方法耗时的30%,有效地提升了叶片之间的碰撞检测速度;同时,基于CPU的碰撞检测方法耗时呈线性增长,而利用CPU/GPU并行加速耗时相较于在CPU上的运行时间节省了98%,大幅度提升碰撞检测效率。该研究可为虚拟作物可视化仿真提供参考。