合肥市高校城市森林树冠覆盖分析

以合肥市二环内、大学城和职教城3个典型区域的15所建设于不同年代的高校为研究对象,应用Arc GIS判读2018年卫星遥感影像,统计分析高校林木树冠覆盖特征。结果表明:①15所高校现实树冠覆盖面积283.25 hm~2,整体树冠覆盖率29.67%;各高校现实树冠覆盖率在11.90%～43.89%间变化,潜在树冠覆盖率在1.73%～30.00%间变化。②超过2/3的高校树冠覆盖率处在高覆盖度或极高覆盖度。③早期建设的高校现实树冠覆盖率整体上高于后期建设的,二环内高校(38.69%)最高;而在树冠覆盖潜力增长方面正好相反,职教城高校潜在树冠覆盖率(19.02%)最高。进一步分析发现,合肥市高校城市森林未来整体树冠覆盖率可提高至40.14%,不同年代区域高校树冠覆盖差异主要受时间跨度对树木的影响和高校绿化建设思路的影响。     

建立数学模型解决“巡检线路排班”问题

目的安全检查在工业生产中不可或缺,是发现和消除事故隐患、落实安全措施、预防事故发生的重要手段。为提高巡检的效率,优化资源配置,通过建立数学模型以达到花费最短的时间和最少的人力完成巡检任务。方法通过对模型的假设及简化,建立目标规划模型,运用Kruskal算法找出连通图的最小生成树,运用Floyd算法找出最短路径,使用MATLAB、LINGO编程对建立的模型进行求解。结果在问题1中,运用Kruskal算法找出最小生成树后,经过分析计算,以调度中心XJ—0022为树根对最小生成树粗略划分为4个子图,运用Floyd算法找出每位工人的最短巡检路径,建立目标规划模型,再使用MATLAB及LINGO,确定每班4人为最优,并给出了最优巡检线路和巡检时间表。在问题2中,若增加休息和吃饭时间,经过分析讨论后每班应有6名工人。根据第一问的算法思想求出每位工人的最短巡检路径,经过软件求解,给出了最优巡检线路和巡检时间表。在问题3中,若要把问题1中的固定上班改为错时上班,反而会增加人力成本,不可取。对问题2,把上班时间进行如下调整:3∶00-11∶30、11∶30-19∶00、19∶00-3∶00,这样每班5个人就可以完成工作,此种方法比固定上班可节省3人。结论通过建立数学模型,并对模型的求解,最终解决了问题,花费最短的时间和最少的人力完成巡检任务。     

基于用户评论的农业新技术推荐模型设计与应用展望

近年来,推荐系统的应用取得了飞速进步。大数据、人工智能技术的出现为农业信息化的加速发展提供了广阔的空间和前景。为提升农业领域内推荐技术的应用,满足农业用户的信息获取需求,对传统协同过滤推荐算法进行了一定的改进,重点体现在融合了K-means算法以及BIRCH算法进行聚类分析,通过搭建HowNet极性词典解决传统协同过滤方法过度依赖用户具体评分的问题,并提出了一种个性化推荐模型,利用相关数据源,进行模型验证。实验结果表明,该模型运行稳定,可以达到精准推荐农业技术信息的目的。     

利用经验-过程混合建模方法优化华山松过程模型的参数

【目的】以基于碳平衡的过程模型CROBAS为例,提出一种结合经验模型与过程模型的混合建模方法,优化华山松过程模型CROBAS-PA的参数,探索在建模数据不足情况下预估复杂过程模型参数的有效途径。【方法】参数优化模型的目标函数设为过程模型CROBAS-PA与经验模型QUASSI 1.0在树高和生物量预测上的离差,优化模型的决策变量选取过程模型中10个随气候和树种调整的参数(树冠树叶分形维数、消光系数、比叶面积、最大光合速率、树叶衰老率、叶表面积密度、自然整枝参数、树枝边材率、树干边材衰老率和树枝边材衰老率),约束条件为过程模型参数的可行域。选用差分演化算法,采用Sobol一阶灵敏度和全局灵敏度系数进行参数敏感性分析与评估,利用平均误差(ME)、平均绝对误差(MAE)和平均相对误差(MRE)进行模型检验。【结果】经参数优化后的华山松过程模型CROBAS-PA的有效预测时间可达20年,树高和胸径预测值平均绝对误差分别小于1.03 m和1.19 cm,平均相对误差分别低于5.59%和2.59%。灵敏度分析显示,最大光合速率、比叶面积、消光系数、树冠树叶分形维数对树高和胸径的生长变化有明显影响,而叶表面积密度对胸径和树高的生长变化影响较小。【结论】经参数优化后的华山松过程模型CROBAS-PA可以较准确预测华山松的树高和胸径生长以及林木各器官中的碳分配,基于经验-过程混合建模方法在复杂过程模型参数预估中具有一定应用潜力。     

基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

结合注意力机制与YOLOv5的松材线虫病受害木检测

松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL...     

深度学习在木材加工领域的研究进展

随着木材加工自动化的快速发展,深度学习技术已在木材加工领域得到运用,它的引入对木材加工企业转型升级、向着智能制造方向发展具有重要意义。概述了深度学习在木材加工领域的研究进展和具体应用,首先介绍了自编码器、深度信念网络、卷积神经网络、生成对抗网络、递归神经网络以及ViT 6种典型深度学习模型的模型结构及工作原理,并分析了不同深度学习模型的应用场景以及存在的问题。在此基础上结合具体木材加工领域详细地介绍了深度学习的应用,在原木检尺领域,深度学习方法可以解决自动化材积检测问题;在木材检测领域,深度学习方法为木材树种分类、缺陷识别以及纹理识别提供了有效工具;在木材干燥领域,深度学习方法因其良好的自适应能力可以建立更为精确的木材干燥模型。最后展望了深度学习在木材加工过程中亟待加强研究的方向,以提升深度学习解决木材加工过程中应用问题的广度和深度,提升木材加工产业的智能化水平和生产效率,进一步提高我国木材加工制造企业的科技创新能力,提高企业竞争力。     

成龄梨树缺硼症识别与施硼技术

1缺硼症状新梢由顶端开始枯死,并逐步回枯,叶片稀疏,受害小枝的叶片变黑但不脱落,或顶梢呈丛状生长;开花不良,坐果率低;果实表面开裂并有小疙瘩,果肉失水,变干变韧,果实近萼处组织粗糙、变麻,随后木栓化,有时出现浅色凹陷,凹陷的皮下有木栓化组织,果实风味变差,经常是未成熟即变黄,而且黄的程度参差不齐,失去商品价值;枝的皮部出现溃疡等.砂质土壤、石灰质土壤及干旱土壤梨园都容易缺硼.     

乔砧密植梨树控冠的修剪方法

乔砧密植梨树树体高大,如不加以控制,必然导致超高和树冠郁闭,因此要利用修剪方法控制树冠。控制树体高度1.1采用新树形如折叠扇形,使每层主枝弯曲折叠来削弱中心干的顶端优势,从而降低树冠高度;斜式倒人字形,利用减少主枝数和弯曲主枝的方法,不仅降低了树高而且达到顶部光照良