蔬菜中重金属特征研究

重金属在蔬菜中的含量随不同的蔬菜种类和品种差异明显。重金属平均含量明显较高的蔬菜品种有苋菜、莴笋、生菜、葱子;变异系数较大的蔬菜品种有莲白、海椒、葱子。叶菜类中大部分重金属含量高于果菜类。不同蔬菜种类相关性分析表明相关性程度为叶菜类＞果菜类,不同蔬菜品种相关程度为莴笋＞莲白＞四季豆＞葱子＞海椒＞生菜＞苋菜。重金属群集分析表明不同蔬菜品种重金属间的协同、拮抗作用差异较大,同类蔬菜品种重金属含量具有相似性。同国家食品卫生限量标准比较发现超标的蔬菜品种主要为叶菜类,超标地区主要在近郊区,超标的重金属主要为Pb、Cd。     

基于特征的齿轮泵困油及卸荷面积计算

根据齿轮传动的啮合原理和UG软件所提供的规律曲线,首先建立了形成困油区截面的封闭曲线及对应的“面”特征;接着运用“相交”的特征操作,创建出卸荷口截面的“面”特征;最后利用UG特征的面积属性,将提取出的这2类面积的变化值,传递给外啮合齿轮泵困油仿真的二次开发主程序,该过程是全自动的和参数化的,所得结果经实例验证是正确而可靠的。     

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。     

甘肃民勤连古城国家级自然保护区药用昆虫资源概述

介绍了甘肃民勤连古城国家级自然保护区药用昆虫31种,分属8目18科31种,占全国主要药用昆虫总数的12.97%,对其寄主、分布、药用部位、价值等方面进行论述,并就药用昆虫资源的现状和开发利用提出建议。     

锯链张力的计算

锯链张力包括安装张力、离心张力、制造误差引起的附加张力、热张力、惯性动张力和驱动张力。静止时锯链不脱离导致导轨面的临界张力与导板轮廓线曲率半径和锯链质量线密度成正比。无缓冲器导板的安装张力应包括离心张力,数值较大;而有缓冲器导板的安装张力应不包括离心张力,数值较小。锯链的驱动张力是驱动力与切削阻力及摩擦阻力相对抗而产生的,在不同位置其大小不等。锯链的最大张力发生在驱动链轮啮入点附近,其数值相当大。文章给出了各种张力的计算公式。     

社会与学术双重视野下的大学特色发展探讨

大学特色发展既应面向社会需求,又应坚守学术使命。面向社会需求反映着大学组织的社会性特征,是大学特色发展的着力点;坚守学术使命反映着大学组织的学术性本质,是大学特色发展的基础。为实现特色发展,大学应以有利于增强自我发展能力和社会服务能力为导向,着力加强学科建设、人才培养、科学研究、校企合作等。     

基于特征空间的土壤含盐量的遥感反演

土壤表层含盐量的聚集是造成土壤盐渍化的主要原因，因此借助遥感手段及时、准确地对土壤含盐量进行研究有着重要的现实意义。以渭干河－库车河流域三角洲绿洲为研究区，采用2011年4月的Landsat卫星资料，利用改进型植被MSAVI和盐分指数（SI）构建土壤含盐量特征空间的遥感模型，并且通过2011年9月野外同步实测的地表0—10cm土壤含盐量进行相关性分析，R^2=0．8596，精度较好。这对干旱区绿洲农业的发展有着重要的现实意义。     

红色的跳动韵律——安徽含山县玉龙公园景观设计

玉龙公园设计以整体布局为前提,以地域文脉寻求公园特色,突出红色的跳动韵律整体性的基调。     

Detection of contaminated hazelnuts and ground red chili pepper flakes by multispectral imaging

Mycotoxins are the toxic metabolites of certain filamentous fungi and have been demonstrated to cause various health problems in humans, including immunosuppression and cancer. Among them, the aflatoxins have received greater attention because they are potent carcinogens and are responsible for many human deaths per annum, mostly in non-industrialized countries. Various regulatory agencies have enforced limits on the concentrations of these toxins in foods and feeds involved in international commerce. Hyperspectral and multispectral imaging are becoming increasingly important for rapid and nondestructive testing for the presence of such contaminants. However, the high number of spectral bands needed may render such image acquisition systems too complex, expensive and slow. Moreover, they tend to generate overwhelming amount of data, making effective processing of this information in real time difficult. In this study, a two-dimensional local discriminant bases algorithm was developed to detect the location of the discriminative features in the multispectral data space. The algorithm identifies the optimal passband width and center frequencies of optical filters to be used for a multispectral imaging system. This was applied to a multispectral imaging system used to detect aflatoxin-contaminated hazelnut kernels and red chili peppers. Classification accuracies of 92.3% and 80% were achieved for aflatoxin-contaminated and uncontaminated hazelnuts and red chili peppers, respectively. The aflatoxin concentrations were decreased from 608 to 0.84 ppb for tested hazelnuts and from 38.26 to 22.85 ppb for red chili peppers by removal of the nuts/peppers that were classified as aflatoxin-contaminated. The algorithm was also used to classify fungal contaminated and uncontaminated hazelnut kernels, and an accuracy of 95.6% was achieved for this broader classification.     

基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算

为探究大范围小麦秸秆覆盖度(CRC)估测方法，以冬小麦秸秆为研究对象，基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合，利用灰色关联-随机森林(GRA-RF)敏感特征提取方法，结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法，开展小麦CRC估算的最优模型研究。结果表明，基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度，LASSO算法总体对小麦CRC的估测效果最佳，并且针对不同的光谱特征组合表现出差异化的结果。其中，以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r²=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r²=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征；相比于单一特征，光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度...