基于集合经验模态分解北疆降水多尺度变化特征

降水是中国西北干旱区水资源的重要组成部分,利用合理方法有效认识降水的区域变化规律对指导农业发展尤为重要。基于北疆42个气象站1961—2012年降水序列数据,从气候时间序列中提取气候信号中各个尺度的变化,对北疆过去52a来的降水进行多尺度分析,并对其空间差异进行了初步探讨。结果表明:过去52a北疆降水量存在明显的年际和年代尺度的变化,年际尺度的周期为5a和8a,年代尺度的周期为10a和30a。变化趋势上,降水量1985s之前呈减少趋势,在1985s之后呈增加趋势,且后期的增幅大于前期的减幅。突变分析表明北疆年降水量呈增加趋势。集合经验模态分解(EEMD)是一种适用于非线性、非平稳序列的信号分析方法,将EEMD应用于气候要素时间序列,可提取可靠真实的气候变化信号,同时,EEMD可以得到气候变化的固有时间尺度。     

基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积, 该文以北京市(京)、天津市(津)和河北省(冀) 3个省域范围为例, 以国家标准地形图分幅为分类的图幅单元, 利用国产GF-1/WFV数据, 构建冬小麦面积指数, 实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源, 依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理, 以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数, 将冬小麦面积指数按照1%的比例等分, 并将面积指数从0到100%分割为101个提取节点, 将提取节点的NDVI值依次与类型确认样本比较, 精度最高的则确认为冬小麦面积提取阈值, 同时将该阈值应用于图幅单元内冬小麦面积指数影像, 获取冬小麦种植分布。最后冬小麦面积识别的精度表明, 以标准地图分幅作为计算单元, 在GF-1影像基础上, 利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异, 且冬小麦的总体识别精度达到89.6%, 用户精度达到89.8%, 制图精度96.5%, Kappa系数0.72。在典型区域, 本文算法与监督分类算法精度结果较为一致, 除制图精度相差4.77%外, 总体精度与用户精度差都在1.00%以内, 说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点, 能够满足省级尺度农情遥感业务监测的需要。     

氮肥施用对柑橘果园土壤有机碳矿化的影响

土壤有机碳矿化是土壤向大气释放CO2的最大净输出途径,其与植被的净初级生产力的差值是判断生态系统碳“源”或“汇”的关键。采用室内模拟试验,在10、20、30℃ 3个温度条件下,研究施肥施用对柑橘果园土壤有机碳矿化的影响。结果表明：3种温度处理下,各施氮处理土壤有机碳矿化速率都表现为培养前期快速下降,培养后期保持相对稳定的趋势。在整个培养过程中,3种温度条件下各施氮处理的土壤CO2累积排放量为1328.25~2219.42 mg/kg,100 mg/kg（N4）处理土壤有机碳矿化量最大,CK处理最低,100 mg/kg（N4）和80 mg/kg（N3）2个高氮处理显著高于低氮50 mg/kg（N2）、30 mg/kg（N1）处理。土壤有机碳矿化速率随温度升高而增长,不同的土壤施氮条件下土壤有机碳矿化的温度敏感性不同,N2处理土壤有机碳矿化的温度敏感性最低,N4处理最高。柑橘果园土壤有机碳矿化受高施氮量影响较大,低施氮影响不明显。随着施氮量的增加土壤有机碳矿化的温度敏感性增加,氮肥施用和温度的共同作用可能使柑橘林向大气中排放的CO2增加。     

冲击作用下粘性土壤破碎体的分形维数与影响因

给出冲击破碎分析的两倍尺度控制约定,研究粘结态土壤破碎体生成的影响因素,建立了土壤破碎体分形维数与落锤质量、冲击行程、土壤含水率、破碎比能之间的关系.结果表明,土壤破碎体的分形维数与落锤质量及冲击行程没有联系,但分形维数与土壤含水率及破碎比能具有明显的相关性.另外,通过比较得知土壤在冲击作用下的破碎体分形维数远远低于植被土样的分形维数.     

以湖南和湖北大豆[Glycine max（L.）Merr.]为例分析影响遗传多样性评价的因素

以不同来源大豆种质为材料进行基因组SSR分析，探讨大豆遗传多样性研究方法，旨在为科学评价大豆种质资源提供参考。当取样比例相同时，湖北大豆的遗传丰富度显著高于湖南大豆，但两省大豆遗传多样性指数之间没有显著差异。当取样量相同时，利用随机取样法比较，湖南大豆的遗传多样性显著高于湖北，而利用聚类取样比较，两省大豆的遗传多样性没有显著差异。在遗传多样性指数相同情况下，湖北大豆的遗传丰富度显著高于湖南大豆。取样数与三个遗传多样性评价参数（等位变异数、Shannon指数、He）之间均达到显著和极显著相关。以湖南大豆为例，估算出在大豆SSR遗传多样性分析中，至少需要50~60个样本，即占总体9.0%~10.8%的取样比例，才能代表总体的遗传变异。提出在评价大豆遗传多样性时，应用大豆样本数对其遗传多样性指数计算公式进行修正，建议将Shannon指数计算公式改为H＝－lnN ∑P_i lnP_i (N为样本数)。根据修正公式分析，结果表明，湖北大豆的遗传多样性高于湖南大豆。     

基于1:20万数据库的河南省土壤空间分异及其影响因素研究

利用地理信息系统（MAPGIS）和EXCEL建立了河南省1：20万土壤数据库,根据土壤质量演变规律与持续利用“973”项目提出的土壤肥力质量指标体系（pH值）和全国土壤养分分级标准（有机质、全氮、速效钾）编制出土壤pH值、有机质、全氮和速效钾土壤表层属性专题分异图并分析其分布特征：利用SPSS对不同土壤类型和成土母质间的多种土壤表层属性进行了方差分析,结果显示不同土壤类型和成土母质对表层土壤属性都有影响,特别对有机质和pH值影响尤其显著。在1：20万尺度范围内。土壤类型对有机质、pH值、全氮和阳离子交换量起到主导作用,成土母质对有机质和pH值起主导作用。土壤类型对土壤各属性的影响程度要大于成土母质。     

基因型和供体条件对油菜小孢子培养成胚率影响

利用正交设计对影响油菜小孢子培养的基因型、低温预处理时间、取材时期及小孢子发育时期（用花蕾花瓣花药比表示）等供体材料条件进行系统研究。结果显示,对小孢子培养成胚率影响最大的为基因型,其次依次为小孢子发育时期,取材时期和低温预处理时间。最佳处理以51039为材料,开花前5天取样并于4℃低温预处理2d,取花瓣花药比为0.5至1的花蕾培养成胚率最高,达10.33枚/蕾。     

基于MSRCR-YOLOv4-tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法的改进YOLOv4-tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4-tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision, mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的Prune-YOLOv4-tiny模型与Faster RCNN、YOLOv3-tiny、YOLOv4 3种常用的目标检测模型进行比较,结果表明：Prune-YOLOv4-tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3...     

亚地块尺度秸秆信息丰度研究

不断拓展的秸秆资源应用途径丰富了亚地块尺度下秸秆信息丰度的研究,但界定和表达亚地块尺度下秸秆信息丰度尚缺乏科学规范。本文以机收小麦原茬地的秸秆信息丰度为研究对象,设计系列指标（立茬与碎秸的质量分布、碎秸堆叠层数、立茬侧影覆盖度）,分别探讨原位网格取样称草、平板匀铺图像处理、背景板图像处理、碎秸筛分、人工观察计数等手段与方法,进行原茬秸秆信息的指标化。将获取的多维秸秆信息进行归一化处理,并运用图像相似度分析法研究信息指标间的相关性。结果表明,本文提出的秸秆信息参数及测试方法增加了亚地块尺度下的秸秆信息丰度,秸秆信息图像间的相关分析也能反映出各指标间的内在联系。所得信息反映了收获机的留茬状态与碎草性能,碎秸质量集中分布在割幅中间区域。立茬质量分布受作物行间距影响,碎秸堆叠层数表达了机排草口的排草状况,立茬侧影覆盖度分布可反映收获机的留茬碾压破坏情况。秸秆信息指标间的相关分析表明,地表秸秆总质量与碎秸质量的相似度为0.89、与立茬质量相似度为0.43,碎秸质量与碎秸堆叠层数相似度为0.64,立茬质量与立茬侧影覆盖度相似度为0.48。本文界定的亚地块尺度下秸秆信息丰度及其参数化研究结果可为系统开展亚地块尺度下秸秆信息技术研发提供参考。     

融合特征金字塔与可变形卷积的高密度群养猪计数方法

针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因...