小麦抗寒指标的灰色关联分析

本文运用灰色关联模型,通过对影响小麦抗寒性指标因素的分析,得出了影响小麦抗寒性主要因素是小麦呼吸强度和电导率的重要结论,为培育抗寒性强的小麦品种提供了重要的参考依据。     

汽车运材工艺结构优化模型

汽车运材工艺结构优化模型董希斌，张耀年，胡济尧（东北林业大学）赵义，黎旭阳（黑龙江省清河林业局）汽车运材工艺结构就是用已确定的机械系统来完成伐区、运材、贮木场作业直到销售给木材用户的相互联系作业的组合体。决定企业汽车运材工艺结构经济效益的主要因素是：...     

杜促育苗初步研究

简要介绍杜仲圃畦播种育苗，小拱棚播种芽苗移栽和二级育苗技术，通过定量化调查计算探讨了适宜的育苗密度，得出了苗木地径与高度，高度与叶片数的回归模型，经显著性检验，相关关系分别达到显著和极显著水平。     

猪链球菌2型新研究报告

猪的链球菌2型是引发猪败血病、脑炎、心内膜炎、关节炎和肺炎的主要病原之一。它也是人畜共患病病原之一,引起人的脑炎、心内膜炎和败血病。 链球菌2型的致病机理 根据加拿大猪细菌病研究中心(CRNBPS)的研究,该细菌从扁桃体进入血管,行至脑脊髓液,并刺激产生细胞因子导致炎症,进而从血液进入中心神经系统。     

面向多类型土壤有机碳定量反演的天基高光谱探测参数研究

星载高光谱仪器的光谱通道以及光谱分辨率和信噪比等核心参数设置直接影响土壤有机碳定量反演精度。本研究开展了卫星载荷光谱分辨率、信噪比、光谱特征波段对不同土壤类型有机碳反演影响的研究,提出了基于大气传输模型、光谱分辨率分析模型、信噪比分析模型、特征波段的提取分析模型以及偏最小二乘回归反演模型的面向不同土壤类型有机碳监测的高光谱卫星“地面–大气–仪器–观测–反演”全链路仿真分析方法,实现了土壤类型、大气效应、仪器特性参数、反演方法的耦合影响分析。结果表明：①3种类型土壤有机碳反演的最佳光谱分辨率均在10~20 nm。②不同土壤类型对观测的信噪比需求不同。对于Phaeozem的有机碳监测,较另外两种土壤有更高的信噪比需求。③在不同特征波段提取分析方法下所需的最佳光谱分辨率和信噪比一致。不同类型土壤光谱数据提取出的特征波段不同,其中反演效果最佳的土壤类型为Chernozem,特征波段数为26个,R²=0.826 5,RMSE=3.438 9 g/kg。④反演模型与仪器特性参数无耦合关系,同一类型土壤不同反演算法的最佳光谱分辨率和信噪比需求一致。⑤Chernozem有机碳最佳反演参数需求为光谱分辨率15 nm,信噪比大于506.66,特征波段提取数为26个;Kastanozem有机碳最佳反演参数需求为光谱分辨率17 nm,信噪比大于331.42,特征波段提取数为22个;Phaeozem有机碳最佳反演参数需求为光谱分辨率15 nm,信噪比大于432.51,特征波段提取数为19个。     

西北太平洋公海柔鱼和日本爪乌贼个体发育期营养生态位变化分析

为了更好的了解柔鱼和日本爪乌贼个体发育期营养生态位变化,根据2021-2022年“淞航”号渔业资源调查船所采集36尾柔鱼和30尾日本爪乌贼样本,对其眼睛晶体进行了碳氮稳定同位素分析。结果表明：柔鱼个体δ13C、δ15N值变化幅度分别为0.10‰-1.68‰、0.79‰-7.51‰;日本爪乌贼个体δ13C、δ15N值变化幅度分别为0.15‰-1.20‰、0.81‰-7.05‰。柔鱼、日本爪乌贼生态位面积变化范围分别为0.40‰2-5.85‰2、0.27‰2-5.36‰2。GAM模型分析显示：柔鱼眼睛晶体δ13C、δ15N与晶体直径均具有显著的相关性（P<0.01）,偏差解释率分别为31.9%和34.3%。日本爪乌贼眼睛晶体δ13C、δ15N与晶体直径均具有显著的相关性（P<0.01）,偏差解释率分别为12.9%和19.4%。分析认为,个体营养生态位的变化幅度较大,侧面反映了西北太平洋黑潮-亲潮过渡区同位素基线值变化幅度较大;该海域的柔鱼、日本爪乌贼个体摄食水平存在很大差异;个体发育和基线值是影响组织δ13C、δ15N值的因素。     

基于UAV高分影像的陕北人工林结构参数提取

定期的森林结构参数提取是监测评价造林质量的重要方式,对林业规划有着重要的指导意义.基于大疆四旋翼无人机搭载RGB高清相机获取了陕北人工杨树林的高分影像,通过多尺度分割和面向对象提取、点云分类、以及Leica Cyclone中的点云数据图模块处理,实现了陕北黄土高原地区人工杨树林森林结构参数(冠幅、树高)、冠层高度的提取...     

基于YOLOv5s改进模型的小白菜虫害识别方法

小白菜是中国种植面积较广、深受大众喜爱的蔬菜,但真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC小白菜虫害识别模型。首先,引入CBAM（Convolutional Block Attention Module）注意力机制,将其放在CBS（卷积层Convolution+归一化层Batch normalization+激活函数层SILU）的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度（mean Average Precision, mAP）达到91.40%,提高了12.9个百分点;每秒传输帧数（Frame Per Second, FPS）为58.82帧/s,增加了11.2帧/s,增加幅度达23.53个百分点;参数量仅为14.4 MB,降低了25.78个百分点。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度分别高出20.1、24.6、14、13.4和13.3个百分点,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。