要正确对待西部种草

西部种草需要正确对待几个问题：良种不是绝对的，与环境协调发展的就是好草种；种草的效益不是单方面的，不是追求单方面的效益；人工草地是现代农业的必要组分，同时不要忽视天然草原；种草不要忽视灌木，清除灌木要慎重；种草要有必要农业投入，应该用好地种草；要以发展动物生产和饲料工业为重点，完善草地农业系统；管理是草业的命脉，应尽早达到草业生产数字化。     

天山北坡草地遥感分类及其精度分析

基于遥感资料的植被类型划分能快速获得大尺度的植被覆盖变化数据。采用遥感和GIS技术,利用天山北坡典型草地2008年Landsat 5 TM遥感影像和1999年Landsat 7 ETM+全色波段数据,在对遥感影像预处理的基础上,进行了数据融合处理。根据融合影像的纹理特征进行监督分类,将研究区域的植被初步分为8种主要覆盖类型,在监督分类的基础上借助专家知识系统构建决策树,进一步将草地分为5类,包括平原荒漠、平原沙漠、低山荒漠、温性草甸和高寒草甸,最后对分类结果进行精度评价,总精度在95%以上,总Kappa系数为0.939 6,间隔9年的影像融合和决策树分类方法在研究区植被分类中具有较高的可行性。     

编程称重显示系统在奶牛全混合日粮（TMR）饲养工艺中的应用

随着市场竞争越来越激烈和科技的快速发展,奶牛养殖正从传统粗放型松,散化管理,向现代集约型精细化管理方向发展,奶牛饲养管理必将进入一个全新的数字化管理时代.所谓数字化管理,就是指所有的管理过程都是以数字为依据,包括对配种日期、产犊时间、每天的产奶量、牛奶营养指标、饲料的配比、采食量,甚至包括每头奶牛每天的运动情况都进行量化,通过专业录入工具对这些数据进行采集,再经系统管理软件进行分析,进而给出科学的管理方案,进行实践指导.     

安阳市生猪定点屠宰检疫数据的分析及措施

近几年来，安阳市的生猪“定点屠宰、集中检疫”工作取得了显著成绩。通过对市区几个生猪定点屠宰厂1998年、1999年、2000年三年生猪屠宰检疫数据的统计分析，找出了市区生猪屠宰检疫检验所检出疫病的基本规律特点，为我市生猪屠宰检疫工作，以及动物疫病的防治工作提供了可靠的方向和依据。1 屠宰生猪的检疫检验情况采取宰前检疫、宰后检验(感官检验、病理解剖学检验和实验室检验)的方法，对市区三年来屠宰的485465头生猪的检疫检验情况进行统计，检疫合格的有484414头(占99.78％)，检出猪旋毛虫病127头(占0.027％)，检出猪瘟134头(占0.027…     

管碟法测定单硫酸卡那霉素含量的测量不确定度评定

随着社会进步与科学技术的发展,业界对实验室提供的数据有效性、科学性、公正性和可靠性提出了更高的要求。测量不确定度是表征合理地赋予被测量之值的分散性,是与测量结果相联系的参数[1]。借助测量不确定度可以了解到被测量值在什么范围内,测量不确定度越小测量结果越可靠,即     

压力式谷物产量监测系统优化与试验验证

为了提高谷物收获作业过程中谷物产量在线监测的精度,研制了基于谷物流压力原理的车载谷物产量在线监测系统,该系统包括谷物流量监测装置、定位装置、割台高度控制开关、核心处理器以及人机交互装置。以谷物产量与谷物流压力间的谷物产量监测数学模型为指导,搭建了谷物产量监测试验台,采用Box-Behnken试验设计方法优化谷物流量监测装置结构参数,研究了传感器数量、传感器安装位置和监测装置水平倾角对谷物产量监测系统测产误差的影响,确定了最优参数组合为传感器数量5、传感器安装位置0.24 cm、监测装置水平倾角5°,并对最优参数组合进行了验证试验,结果表明,谷物产量监测系统测产误差为3.27%,满足谷物产量监测的精度要求。对谷物产量监测系统田间实际效果进行了试验验证,试验结果表明,田间测产误差为5.28%,生成的产量分布图为后续田间作业管理提供了决策依据。     

大数据技术在林业数据信息管理中的应用——从森林火灾谈起

近年来国内外多次发生森林大火,应用大数据技术及相关信息技术对火灾数据进行分析和处理,使人们积累了应对森林大火的经验和方法,从中可以对大数据的技术发展方向进行探索.本文分析大数据收集与前沿技术的发展现状与趋势,结合林业大数据的发展目标,探索利用大数据技术在林业数据信息管理中的应用方向.     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型（Grape-VGG-16,GV）,并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1）迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2）数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型（GV）对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。     

基于GEE的广西北部湾沿海水产养殖池塘遥感提取

沿海水产养殖池塘带来经济效益的同时,也会引起诸多环境问题,了解其空间分布对于海岸带的科学管理和渔业可持续发展具有重要意义。广西北部湾海岸带地形错综复杂,养殖池塘沿岸线散乱分布,导致传统遥感识别方法难以实现高精度提取。针对此问题,该研究提出一种基于Google Earth Engine（GEE）平台和全年Sentinel-1和Sentinel-2时序遥感数据的水产养殖池塘识别方法,结合多阈值分割和面向对象分类提取2019年广西北部湾海岸带的水产养殖池塘。结果表明：1）广西北部湾海岸带养殖池塘面积总计199.3 km2,遍布整个沿岸地区;识别结果总体精度达到0.921,Kappa系数为0.842;2）选取4个典型区域,对比该研究方法提取结果与Google高清影像目视解译结果,在规模化集聚型养殖区域中,识别结果占目视解译的面积比例达到90%以上,在排布密集的小型池塘区域面积占比也能达到80.76%;3）以时序遥感数据作为分类特征值,能够有效排除废弃池塘、水稻田和季节性水域。该方法在大范围复杂环境中仍具有良好性能,显著提高了水产养殖池塘遥感识别的精度,能够为海岸带生态环境的智能监控、养殖区域空间优化提供技术支持。     

相机与毫米波雷达融合检测农机前方田埂

为满足自主作业农机地头转弯的需求,解决单传感器检测获取信息不足的问题,该研究提出了将相机与毫米波雷达所获取数据融合的多传感前方田埂检测方案,利用视觉检测得到田埂形状后辅助滤除毫米波雷达中干扰点进而得到田埂的距离和高度信息。在视觉检测方面,根据前方田埂在图像中的分布特点,提出了基于渐变重采样选取部分点的加速处理方式,并在此基础上利用基于11维颜色纹理特征的支持向量机进行图像分割和基于等宽假设的几何模型特征进行误分类点剔除,然后拟合提取图像中田埂边界。在毫米波雷达检测方面,提出了竖直放置毫米波雷达的检测方式,以克服安装高度与地形颠簸的影响,并获得前方田埂的高度信息。将相机与毫米波雷达获取的数据进行时空对齐后,利用视觉检测结果滤除毫米波雷达干扰点,并将毫米波雷达获得的单点距离信息进行扩展,形成维度上的数据互补,获得前方田埂的形状、距离、高度等更加丰富准确的信息。测试结果表明,在Nvidia Jetson TX2主控制器上,基于视觉的检测平均用时40.83 ms,准确率95.67%,平均角度偏差0.67°,平均偏移量检测偏差2.69%;基于融合算法的检测平均距离检测偏差0.11 m,距离检测标准差6.93 cm,平均高度检测偏差0.13 m,高度检测标准差0.19 m,可以满足自主作业农机的实时性与准确性要求。