基于气温预报和神经网络的参考作物腾发量预报

采用反向传播人工神经网络(BP-ANN)逼近气象因子-参考作物腾发量ET0函数关系,以天气预报中的最高和最低气温为输入进行短期ET0预报。收集了南京站实测的2010年7月1日至2013年7月7日逐日气象数据和2012年7月1日至2013年6月30日逐日对未来7d的气象预报数据,以最高、最低气温及相应的日序数为3个输入因子,ET0为输出建立一个包含一个隐含层的3层BP网络,以2010年7月1日至2012年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络,以2012年7月1日至2013年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络验证。将2012年7月1日至2013年6月30日逐日对未来7d的气象预报中的最高、最低气温输入训练及验证后的网络,得到2012年7月1日至2013年6月30日逐日对未来7d的ET0预报值,并与FAO-56PM公式计算的ET0值进行比较以验证预报精度。结果表明,预见期1~7d内,预报的ET0和计算的ET0变化趋势基本一致,预报精度随着预见期的增加而降低;平均准确率(±1.5mm/d以内)达88.08%,相关系数为0.77,均方根误差为1.28mm/d,显示出了较高的预报精度。在局部时间段内出现的ET0,PM和预报ET0的较大差别的原因是该时段内的ET0更多地受到除了日最高和最低气温之外的其他因素的影响。提出的方法 ET0预报,随着气象预报准确度的提高,可实现较为精确的ET0预报。     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。     

基于WS和实际耗水量的膜下滴灌

通过田间试验，建立了膜下滴灌棉花CWSI和水汽饱和差VPD的定量关系，确定了棉花各生育阶段CWSI下基线的特定表达形式。对膜下滴灌条件下棉花生长发育、光合动态与根系分布规律以及不同水分处理的耗水量、产量与品质指标进行了观测。对不同水分处理棉花的CWSI进行了定期观测，得到了棉花CWSI与棉花耗水量的关系。     

日光温室作物蒸发蒸腾量的计算方法研究及其评价

对FAO推荐计算参考作物蒸发蒸腾量的Penman-Monteith(缩写为P-M)公式,在日光温室微气候的条件应用作了详细的分析。将P-M公式分为2个部分,即辐射项(ETrad)和空气动力学项(ETaero),推导出了计算温室内参考作物蒸发蒸腾量的P-M修正公式,解决了P-M公式假定温室内风速为“0”所引起的一系列问题。并根据2004年和2005年温室内实测气象数据和水面蒸发对其进行了验证,通过相关分析得出用修正后的P-M公式计算作物蒸发蒸腾量比FAO推荐的P-M公式计算值误差小、精度高。建议在日光温室里使用修正后的P-M公式计算参考作物的蒸发蒸腾量。     

Hydraulic-hydrological simulations of canal-command for irrigation water management

A modelling system that combines the hydraulic simulations of the canal and hydrological simulations of the irrigated command is introduced. It uses MIKE 11 and MIKE SHE, two well-established modelling systems, for the hydraulic and hydrological simulations respectively. In addition, it also has an irrigation scheduling module and a crop growth module. The modelling system is applied to the Mahanadi Reservoir Irrigation Scheme, a large irrigation project in Central India. The results show that presently a significant amount of water is wasted in the command during the monsoon season. It is demonstrated that the minimization of this wastage could lead to a substantial crop production in the subsequent dry season. Furthermore, the simulations illustrate the versatility of the modelling system for planning and analysing the various aspects of an irrigation project.     

我国植保机械及施药技术现状与发展趋势

阐述了我国植保机械及施药技术的现状,分析了我国施药技术中存在的问题以及与国外植保机械发展水平的差距,并提出了发展趋势。     

Agricultural practice changes with cultivating genetically modified herbicide-tolerant oilseed rape

To facilitate weed suppression, oilseed rape or canola (Brassica napus) has been genetically modified (GM) over the last two decades to incorporate herbicide tolerance (HT). The introduction of oilseed rape in commercial agriculture raises concerns about potential adverse agronomic and environmental effects linked to both the genetic modification and altered agricultural practice. How will this new crop modify the existing cropping practice? What are the potential agro-environmental implications of its introduction? This paper analyses and schematises recorded and conceivable agricultural practice changes with GMHT oilseed rape introduction and its likely agro-environmental effects. It develops a conceptual systematics of influencing factors, subsequent practice changes and likely agro-environmental effects. The results can be used to design the mandatory monitoring of adverse GM crop effects.     

杨凌区降雨对作物生长适应性的模糊分析

依据模糊数学理论 ,采用模糊综合评判方法 ,从降雨“适量”、“适时”和“有效程度”3个指标出发 ,就杨凌区降水资源对农作物生长发育适应性做了评价分析 ,并提出降雨对作物生长的适宜度模型。通过实地调查与计算分析 ,该模型较好地反映了杨凌区主要作物对该区降雨特征的适宜能力 ,同时也较好地反映了本区降雨资源的地域特征 ,为该地区农作物合理布局决策提供了科学依据     

陈垓引黄灌区渠系优化配水研究

该文以系统工程的原理方法,结合山东省陈垓引黄灌区北二干渠系统实际情况,分别以灌溉净效益最大和轮灌时间最短为目标,建立了作物最优种植面积和渠系优化配水模型,应用计算机求解,取得了满意的作物优化布局和优化配水成果。实践证明,本项成果在节水、灌溉增产、提高灌区科学管理水平等方面都有着十分重要的作用。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列 ,对这些子径流序列分别建立局部神经网络模型 ,而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时 ,首先用分类器判别其类别 ,以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比 ,结果表明这种基于径流分类的降雨 -径流模型表现出了更优良的性能 ,可以较大地提高径流模拟精度。