岩溶山地石漠化地区不同土地利用方式下的土壤物理性状分析

分析研究了重庆市北暗区岩溶槽谷鸡公山地区不同土地利用方式下的土壤主要物理性质,认为随着岩溶地区土地由自然林地向草坡地、人工林地、菜地、耕地转换,土壤砂化严重,土壤容重增加,总孔隙度,尤其是非毛管孔隙度明显降低,用干筛测得的各不同土地利用方式下土壤团聚体结构相差不大,而用湿筛测得的土壤水稳性团聚体相差较大,团聚体结构破坏率较大。随着岩溶地区土地由菜地、耕地向撂荒地转换,土壤各项物理指标都有改善。在此基础上认为,土壤物理性质的变坏与石漠化形成过程有相互促进的正反馈关系,在退化方向和阶段上具有一致性和同步性,但土地撂荒后可以较大程度的减少水土流失。     

玉米籽粒的特征选择算法——基于支持向量机与遗传算法

在基于数字图像的玉米品种自动识别的研究中,寻找对识别贡献大的新特征项,对玉米品种识别率的提高具有十分重大的意义.把遗传算法和支持向量机算法相结合,设计了具体的基于支持向量机和遗传算法的玉米籽粒特征选择算法,利用这种算法优选提取出的玉米籽粒特征,从玉米籽粒的胚部和冠部的颜色特征与形状特征中找出了对玉米品种识别贡献较大的新特征.     

辽东栎木材解剖特征与物理-力学性质的关系

本文借助通径系数分析及主成分分析等统计方法,以五株产自山西中条山的辽东栎为试验材料,详细研究了木材解剖特征的内在关系以及解剖特征与物理—力学性质的关系。结果表明,“细胞特征”(纤维、导管尺寸及微纤丝角等)和“组织比量”(导管、纤维及薄壁组织比量)两个主因子基本反映并代表了木材的所有解剖特征,同时也是影响木材物理—力学性质的两个基本解剖因子。     

吉林省森林病虫害发生特点及防治对策

本文对吉林省森林病虫害发生特点进行了分析，提出了今后森林病虫害的防治对策。     

云南特色农产品小粒咖啡网络营销顾客满意度模型构建与分析

发展特色农产品网络营销是实现我国传统农业向现代农业转型和推动区域经济发展的创新途径。在激烈的市场竞争中,顾客满意度已成为衡量特色农产品网络经营者成功的关键因素。云南小粒咖啡在全国特色农产品资源中独树一帜,通过对小粒咖啡网络营销的实际调查分析,构建了一个适用于小粒咖啡网络营销的顾客满意度测评模型,并通过实证分析验证了模型的可行性。     

二球悬铃木冬芽休眠的温度特性

对悬铃木冬芽进行温度特性研究发现:其具有浅冬休眠的特性;冬芽能否萌发取决于芽鳞的阻碍作用力与叶原基、生长点或花原基萌发力的平衡状态;9~10月为休眠导入期,10月下旬进入深休眠期,同时进入休眠解除期,解除其休眠的低温范围较大,15℃与20℃也有低温效果;二球悬铃木得以广泛栽培正是由于其冬芽休眠的生理生态特性决定的.     

基于颜色特征的草莓成熟度识别技术研究

草莓成熟度识别技术是草莓采摘机器人顺利完成采摘任务的关键。本研究以"丰香"草莓为研究对象,首先提取不同成熟度草莓的颜色特征,计算草莓图像在HIS颜色空间模型下H分量的均值和方差;然后计算草莓果实红色部分着色面积所占比例;最后,建立BP神经网络,以H分量的均值、方差和草莓红色着色面积比作为BP神经网络的输入,训练完成后,判断待测样本的成熟度等级。通过本研究实验方法划分成熟度等级与经验丰富的果农判断结果对比,实验正确率可以达到90%以上。     

土壤游离氧化铁高光谱特征与定量反演

【目的】建立基于可见-近红外光谱的土壤游离铁精确预测模型,简单、快速、经济地预测土壤游离铁,有助于研究土壤发生和分类。【方法】采集广西壮族自治区的铁铝土、富铁土、淋溶土和雏形土等82个旱地土壤剖面的B层土壤,进行室内土壤化学分析、光谱测定,分析不同光谱变换后的光谱反射率与土壤游离铁含量的相关性。基于特征波段利用偏最小二乘回归(PLSR)和逐步多元线性回归(SMLR)法建立土壤游离铁含量光谱预测模型,通过决定系数(R2)、均方根误差(RMSE)和相对预测偏差(PRD)确定最优模型。【结果】土壤光谱曲线分别在457、800和900 nm波段附近有明显的游离铁吸收和反射峰特征;土壤游离铁含量与原始光谱反射率呈负相关;原始光谱经过微分变换后,游离铁含量与光谱反射率相关性显著提高;基于400～580和760～1 300 nm特征波段和一阶微分光谱变换的SMLR模型预测精度最高,其验证集的R2和RPD分别为0.85和2.62,RMSE为8.41 g·kg~(-1)。【结论】将可见近红外光谱技术应用于土壤游离铁含量高效快速地预测具有良好的可行性。广西旱地土壤光谱反射率与土壤游离铁含量具有高度的相关性,应用逐步多元线性回归方法可以很好地建立土壤游离铁含量反演模型。     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。