微灌毛管水力学研究——微灌水力设计计算方法探讨之一

本文不采用缝隙管的假定,提出毛管水头线的多段折线模型;在此基础上,定义了降比r和压比G,根据r的大小,讨论了均匀坡毛管压力水头的分布;讨论了总水头损失计算方法;导出诸水力特征量的计算公式。     

基于双池化与多尺度核特征加权CNN的典型牧草识别

针对自然背景下牧草难识别的问题,提出一种基于双池化与多尺度核特征加权的卷积神经网络牧草识别方法。双池化特征加权结构通过将卷积层输出的特征图分别进行最大值池化和均值池化得到两组特征图,引入特征重标定策略,依照各通道特征图对当前任务的重要程度进行加权,以增强有用特征、抑制无用特征;多尺度核特征加权结构通过在卷积层中同时使用3×3和5×5两种卷积核,并将网络的前几层特征复用后进行加权,以提高重要特征的利用率。对10类牧草图像进行识别实验,结果表明,该方法识别率为94. 1%,比VGG-13网络提高了5. 7个百分点,双池化与多尺度特征加权有效提高了牧草识别精度。     

自动化综合实验网络系统的构建与应用

介绍了实验室现有的多个实验工艺流程装置以及控制系统的特点,描述了在实验室环境中应用常规控制系统、集散控制系统、现场总线控制系统与工业以太网控制系统实现对多个工艺流程装置的自动控制,以及研究自动化综合实验网络的构建、智能控制理论与方法的运用和教学实践的应用.     

遗传神经网络在温室黄瓜霜霉病预测中的应用

在神经网络结构的优化、连续权重的训练中采用遗传算法的方法对日光温室黄瓜霜霉病进行预测，并对其发生程度进行了拟合，计算值与实际值接近，表明该模型具有良好的预测效果。     

无线局域网在解放军医学图书馆的应用

 

结合解放军医学图书馆无线局域网络的实际应用情况，从无线局域网的概况、应用特点及安全防护等几方面介绍了无线局域网络的相关知识。

     

农电企业配电网GIS系统空间数据库设计

农电企业配电网络数据类型复杂、数据量大,如何合理组织配电系统的数据,为配电GIS系统的高级分析功能或企业层决策提供支持,进而配电网GIS系统设计的关键问题。文章介绍了配电网GIS系统数据组织、数据采集方法及空间数据库构建方法,满足系统需求。     

绥化市秦家镇农田防护林网络架构及生态农业效益分析

对松嫩平原上一典型土地开发整理项目区深入调查研究基础上,在人均土地面积较少的农村,构建出由农田防护林、水利排灌、道路、农田4项网络构成的高效农田防护林复合经营与多样型林带乔、灌立体混交经营模式,实现了林带由单一结构向多层次的立体结构转移,架构了生态立体农业体系,旨为重新调整土地利用结构,实现山、水、田、林、路的全面治理提供依据。     

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

互联网+背景下智慧农机大数据平台发展策略研究

随着“互联网＋”时代的到来,数据挖掘、数据共享、云计算等信息技术为农机的智能化和信 息化管理提供有效方法和手段。为更好的推动农业经济发展,有必要借助先进的信息技术手段,搭建 一个基于“互联网＋”的智慧农机管理信息数据共享平台,使我国农机管理进入大数据时代,推进智慧 农业发展。     

Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index

Accurate estimation of biomass is necessary for evaluating crop growth and predicting crop yield.Biomass is also a key trait in increasing grain yield by crop breeding.The aims of this study were(i)to identify the best vegetation indices for estimating maize biomass,(ii)to investigate the relationship between biomass and leaf area index(LAI)at several growth stages,and(iii)to evaluate a biomass model using measured vegetation indices or simulated vegetation indices of Sentinel 2A and LAI using a deep neural network(DNN)algorithm.The results showed that biomass was associated with all vegetation indices.The three-band water index(TBWI)was the best vegetation index for estimating biomass and the corresponding R2,RMSE,and RRMSE were 0.76,2.84 t ha−1,and 38.22%respectively.LAI was highly correlated with biomass(R2=0.89,RMSE=2.27 t ha−1,and RRMSE=30.55%).Estimated biomass based on 15 hyperspectral vegetation indices was in a high agreement with measured biomass using the DNN algorithm(R2=0.83,RMSE=1.96 t ha−1,and RRMSE=26.43%).Biomass estimation accuracy was further increased when LAI was combined with the 15 vegetation indices(R2=0.91,RMSE=1.49 t ha−1,and RRMSE=20.05%).Relationships between the hyperspectral vegetation indices and biomass differed from relationships between simulated Sentinel 2A vegetation indices and biomass.Biomass estimation from the hyperspectral vegetation indices was more accurate than that from the simulated Sentinel 2A vegetation indices(R2=0.87,RMSE=1.84 t ha−1,and RRMSE=24.76%).The DNN algorithm was effective in improving the estimation accuracy of biomass.It provides a guideline for estimating biomass of maize using remote sensing technology and the DNN algorithm in this region.