淳安柏木资源持续发展和深度利用探讨

柏木是我国特有的珍贵树种,也是浙江省重要的经济生态树种。针对淳安柏木资源的基本特点,根据多年的研究和探索,提出既要扩大柏木资源的栽培区域与面积,又要积极开展良种建设和生产应用,并根据柏木生长规律采取相应的抚育管理措施,以增加柏木资源。同时要选择柏木用于千岛湖区林相改造和景区美化,以及大力开展柏木木材和柏油的综合开发利用,以达到柏木资源的可持续发展和深度利用,充分发挥柏木的经济、生态和社会效益。     

小学高年级爱国主义教育模式科普分析——以“名人故居的深度探访”为例

文章依据新时代爱国主义教育的总体目标和要求,提出了在小学高年级开展基于对名人故居的深度探访为教育模式,以增进学生的民族自信为主要目标的主题活动。深度探访以主题班会、校外实践、云上分享、汇报展示等环节进行实施,通过学校、家庭和社会教育资源的联手,拓宽学生的教育视野,增进学生的民族自信,激发学生的爱国情怀。     

基于改进YOLOv5的蝴蝶兰花朵识别与计数

为精确预测蝴蝶兰产量和对蝴蝶兰的生产进行科学管理,对大苗时期的蝴蝶兰植株花朵和花苞进行识别与检测,统计其花量。由于蝴蝶兰花苞目标体积较小,提出一种基于改进YOLOv5的蝴蝶兰花朵与花苞识别方法。首先,修改颈部网络的结构,在特征金字塔FPN(Feature Pyramid Network)和路径聚合网络PANet(Path Aggregation Network)中引入有利于小目标检测的160×160尺度特征层,以提升对小目标的检测效果;其次,使用K-means++聚类算法针对训练集生成更合适的先验框,并采用载入预训练权重和冻结主干网络的训练方式,以使模型更加容易学习,提高网络模型收敛速度和泛化能力;最后,在颈部网络加入轻量级注意力机制,加强对目标的关注,减少背景干扰,以提升模型的特征提取能力。试验结果显示,该算法对花苞的检测精确率达到89.54%,比改进前提升9.83%;对花苞和花朵的平均精确率达到91.81%,比改进前提升5.56%。该算法有优异的检测精度并有效提高对小目标的检测能力。     

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。     

成品油管道水击超前保护优化方案

成品油管道发生泵站意外停电事故后通常执行水击超前保护程序,该保护方案对管道的安全性有决定性影响。为了确保管道从事故前稳态安全平稳过渡到事故后较优的运行状态,需要制定最佳的水击超前保护方案。对成品油管道泵站意外停电水击工况进行分析,以水击事故发生后下一稳态时输量最大且各调节阀节流压力之和最小为目标,建立优化模型,相应的约束条件为全线不超压、不汽化。模型求解采取两种不同策略:事故站下游以各站出站压力最低为目标分别寻优,采用水力坡降线平移法求解;事故站上游以整体总节流最小寻优,为了提高求解速度,采用深度优先搜索法求解。以某成品油管道泵站意外停电事故工况为例,对该优化模型进行实例应用,并根据优化结果制定水击事故过渡过程的控制逻辑,并使用仿真软件SPS验证了控制逻辑的合理性,表明该优化模型合理可靠。     

4种荒漠植物种子出苗和幼苗生长对沙埋深度的响应

通过室内试验测定了黑果枸杞、沙冬青、沙蒿、霸王4种荒漠植物的种子生理特征以及沙埋深度（0、1、2、3、4、5 cm）对4种荒漠植物种子出苗及幼苗生长的影响。结果表明,体积较大的沙冬青和霸王种子萌发率与其重量、含水量、形状及活性间存在正相关关系;体积较小的黑果枸杞、沙蒿萌发率与种子重量、含水量、形状之间为正相关关系,与种子活性负相关。随着沙埋深度增加,4种植物种子出苗率下降、首次出苗时间延迟,茎高、绝对株高和根长及根冠比总体呈先增大后减小的趋势;幼苗生长方面,黑果枸杞和沙蒿分别适宜于1～2、0～1 cm的浅层沙埋,均在沙埋深度5 cm时种子几乎不萌发;沙冬青、霸王则适宜于3～4 cm较深层沙埋,在沙埋0 cm时均不萌发。此外,在荒漠区采用这4种植物进行植被恢复时,除考虑种子自身性状外,还应充分考虑当地的沙埋、降雨等条件,以提高出苗率、增大幼苗定植率。     

旋耕深度对滨海盐渍田水稻生长和产量性状的影响

采用大区对比法,在不同地点研究旋耕深度对滨海盐渍土水稻生长和产量性状的影响。结果表明:随着旋耕深度的增加,水稻叶片SPAD值、地上部干重、穗数和产量呈现增加的趋势,而耕深9 cm和12 cm间差异不显著,只有当深度达到15 cm时,各性状才呈现显著增加;旋耕深度对水稻穗粒数、结实率和千粒重的影响较小;旋耕深度对水稻性状的影响在2个地点表现出相同的变化趋势,可采取相同的旋耕措施。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

基于卷积神经网络的水稻钵体软盘穴播量检测

为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2～4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。     

秸秆还田深度对土壤温室气体排放及玉米产量的影响

【目的】秸秆还田是培肥地力、增加土壤有机质和改善土壤结构的重要技术手段,但以往的研究表明秸秆还田会加速土壤温室气体的排放。本研究通过对秸秆不同还田深度下农田土壤温室气体排放特征和产量的研究,明确降低温室气体排放量的最佳还田深度,以期为合理利用秸秆、提高作物产量,实现农业可持续发展提供科学依据。【方法】采用大田微区试验,以玉米为供试作物,设置4个还田深度,采用静态箱-气相色谱法测定整个玉米生长季不同还田深度下温室气体（CO₂、CH₄、N₂O）的排放特征,产量及产量构成因素。试验共设5个处理,还田深度分别为0—10 cm（T1）、10—20 cm（T2）、20—30 cm（T3）和30—40 cm（T4）,同时以不还田处理作为对照（CK）。【结果】（1）在整个玉米生长季CO₂和N₂O均表现为排放,CH₄表现为吸收。CO₂累积排放量为T3处理最高,较CK显著增加了28.6%,T4处理增加最少,较CK显著增加了17.1%（P<0.05）,但T1与T4处理之间差异不显著;而N₂O的累积排放量T2处理为最高,与CK相比,累积排放量显著增加111.3%,T4处理增加最少,与CK相比显著增加了12.8%（P<0.05）;CH₄则表现为吸收,且秸秆还田后降低了农田土壤对CH₄的吸收能力,吸收量表现为CK处理>T4处理>T3处理>T1处理>T2处理,且各还田处理与CK之间差异显著（P<0.05）。（2）秸秆不同还田深度下,与对照相比,各处理玉米产量均显著增加,增产在5.6%—20.8%（P<0.05）,但各处理之间的穗长、穗粗和行粒数差异不显著。当秸秆还至30—40 cm时,产量最高,较CK增加了20.8%,表明秸秆还田对提升土壤肥力及作物增产有重要作用。（3）从温室气体综合增温潜势（GWP）和温室气体排放强度（GHGI）来看,在100年尺度上,GWP表现为T2处理>T3处理>T1处理>T4处理>CK处理,而GHGI表现为T2处理>T3处理>T1处理>CK处理>T4处理,表明与CK相比,各处理均增加了玉米季温室气体的综合增温潜势,而T4处理则降低了玉米季温室气体排放强度,说明秸秆深还至30—40 cm可在一定程度上缓解全球增温潜势。【结论】秸秆还田会显著增加CO₂和N₂O排放,降低对CH₄的吸收能力;秸秆深还至30—40 cm可相对降低综合增温潜势,降低温室气体排放强度,同时显著增加玉米产量。因此,为实现较高的玉米产量和较低的温室气体排放强度,秸秆深还至30—40 cm是较为合理的土壤改良培肥方式。