排序方式: 共有59条查询结果,搜索用时 0 毫秒
21.
22.
揭示秋柞蚕产量构成因素与蚕茧产量的相关程度,可为制定高产柞蚕品种选育的技术策略提供依据。采用相关、回归和通径分析法,对10个秋柞蚕品种(纯种)和21个杂交组合(杂交种)的产量及构成要素进行统计分析。杂交种的单蛾产茧量主要集中在800~1 200 g之间,纯种的单蛾产茧量主要集中在600~1 000 g之间。产量构成因素与产量的相关程度为:收蚁结茧率幼虫生命率千粒茧质量收蚁率单蛾产卵数量。通过多元线性逐步回归分析得到的秋柞蚕产量构成因素与产茧量的回归方程,能较好地预测秋柞蚕单蛾产茧量。产量构成因素对产茧量的直接通径系数的大小依次为:收蚁结茧率单蛾产卵数量千粒茧质量幼虫生命率。根据上述分析结果初步认为,秋柞蚕高产品种的选育应以收蚁结茧率和幼虫生命率为主要目标性状,再兼顾其他性状的选择。 相似文献
23.
24.
26.
27.
28.
29.
利用高光谱遥感技术监测小麦土壤重金属污染 总被引:1,自引:1,他引:1
为了探讨基于小麦叶片高光谱间接估测土壤重金属含量的潜力,该研究以江苏省宜兴市徐舍镇为研究区域,于2019-2020年采集农田土壤样品和小麦叶片光谱,经7种不同的光谱变换预处理后,以遗传算法(genetic algorithm,GA)优化的偏最小二乘回归算法(partial least squares regression,PLSR)对预处理后的光谱建立土壤重金属镉(Cd)和砷(As)含量的估测模型,并对模型结果进行精度评价。研究结果表明:1)光谱预处理技术能够突出光谱中的一些隐藏信息,对小麦叶片光谱进行微分变换、多元散射校正、标准正态变换等数学变换后更加有利于提取光谱敏感信息。2)GA-PLSR相较于一般的PLSR方法提高了模型精度,将GA用于光谱波段选择可以优化模型精度和提高稳定性。3)土壤Cd含量的最佳估测模型为标准正态变换预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.87、均方根误差为0.04 mg/kg、相对分析误差为2.72;土壤As含量的最佳估测模型为多元散射校正预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.91、均方根误差为0.32 mg/kg,相对分析误差为3.25。因此,能够利用小麦叶片高光谱间接估测土壤重金属Cd和As含量,该研究为将来实现定量、动态、无损遥感监测大面积农田土壤重金属污染状况提供参考依据。 相似文献
30.
基于不同卷积神经网络模型的红壤有机质高光谱估算 总被引:1,自引:1,他引:0
以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法因具有强大的特征学习能力已被广泛应用于计算机视觉、自然语言处理等领域,但在土壤高光谱遥感领域研究较少。为探究其在小样本数据集下,通过高光谱数据估算土壤有机质(Soil Organic Matter,SOM)的可行性,以江西省奉新县北部为研究区,248个红壤样本为研究对象。对比分析深度学习方法CNN、多层感知器(Multilayer Perceptron,MLP)、常用的机器学习方法随机森林(Random Forest,RF)和支持向量机(Support Vector Machine,SVM)在不同光谱预处理下的建模效果,在此基础上分别建立5种各具特点的CNN结构模型,以探讨不同网络结构的建模效果,包括最早提出的LeNet-5、具有大卷积核的AlexNet-8、采用小卷积核的VGGNet-7、含有Inception结构的GoogLeNet-7以及使用残差学习的ResNet-13。此外,还探讨了VGGNet模型在5种不同网络深度下的模型效果。结果表明:在使用原始光谱的情况下,CNN模型依然能够取得较好的建模效果(相对分析误差>2.5);浅层CNN结构优于深层建模效果,超参数较小的卷积核、步长和池化范围有助于提取更多的特征数量,提高建模精度;VGGNet-7网络结构在所有模型中表现最为突出,在训练集上决定系数为0.895,均方根误差为4.145 g/kg,相对分析误差为3.447,在验证集上决定系数为0.901,均方根误差为4.647 g/kg,相对分析误差为3.291,具有极好的模型估测能力;680、1 360、1 390、1 920、2 310 nm及其附近是VGGNet-7建模过程中所提取的SOM重要特征波长。因此,CNN能够简化光谱预处理过程,在土壤高光谱遥感小样本建模中具备可行性,具有非常广阔的应用前景,VGGNet-7可以应用于红壤地区通过高光谱数据快速、准确的估算SOM含量。 相似文献