Prioritisation of conservation areas in the Western Ghats, India

Areas of high conservation value were identified in the Western Ghats using a systematic conservation planning approach. Surrogates were chosen and assessed for effectiveness on the basis of spatial congruence using Pearson’s correlations and Mantel’s tests. The surrogates were, threatened and endemic plant and vertebrate species, unfragmented forest areas, dry forests, sub-regionally rare vegetation types, and a remotely sensed surrogate for unique evergreen ecosystems. At the scale of this analysis, amphibian richness was most highly correlated with overall threatened and endemic species richness, whereas mammals, especially wide-ranging species, were better at capturing overall animal and habitat diversity. There was a significant relationship between a remote sensing based habitat surrogate and endemic tree diversity and composition. None of the taxa or habitats served as a complete surrogate for the others. Sites were prioritised on the basis of their irreplaceability value using all five surrogates. Two alternative reserve networks are presented, one with minimal representation of surrogates, and the second with 3 occurrences of each species and 25% of each habitat type. These networks cover 8% and 29% of the region respectively. Seventy percent of the completely irreplaceable sites are outside the current protected area network. While the existing protected area network meets the minimal representation target for 88% of the species chosen in this study and all of the habitat surrogates, it is not representative with regard to amphibians, endemic tree species and small mammals. Much of the prioritised unprotected area is under reserve forests and can thus be incorporated into a wider network of conservation areas.     

基于全卷积神经网络的猪背膘厚快速准确测定

为了有效地弥补猪B超图像人工手绘背膘厚的不足,为生猪育种工作提供更精准和稳定的背膘厚测定新方法。该研究将全卷积神经网络（Fully Convolutional Networks,FCN）模型应用于猪B超图像的背膘分割和背膘厚测定上,开发出一套使用Python调用FCN模型对猪B超图像背膘厚进行自动测定的系统。通过开展验证集验证试验、屠宰比对试验和人员比对试验,发现模型测定结果和标注结果之间差异不显著（P>0.05）,两者相关系数达0.92（P<0.01）;B超标准测定背膘厚和FCN分割测定背膘厚的相关系数达到0.97（P<0.01）;专家组组内标准差为0.17 mm（最小）,行业外组组内标准差为1.67 mm（最大）,而FCN分割结果稳定性强,不受人员因素的影响。因此,该方法可以实现对外种猪B超背膘厚的精准、快速、稳定测量,减少猪场对专业人员的依赖,降低测定人员培训成本,减少工作人员工作量。     

用于驱赶农作物有害动物的智能声防系统设计

针对农业生产中动物有害行为导致农作物减产和农产品价值严重损失的实际问题,设计研发出一种驱赶农作物有害动物的智能声防系统。该系统以无线传感器网络作探测和通信平台,采用以ARM9微处理器和AT89C51SND1单片机为核心的嵌入式系统构建总控制器和执行器硬件平台,通过热释电传感器对有害动物在农田中的出没位置进行探测,依据“作物种类–周围环境–有害动物–天敌”逻辑关系模型对其种类作出判断,然后由执行器播放该种动物对应天敌的叫声,从而实现对多种农作物有害动物的智能声防。与现有的驱赶模式易被有害动物适应且效果不佳相比,该系统具有驱赶效果好、有效作用面积大、可扩展性强及装设灵活等优点,是一种无污染、具有智能特性的驱赶农作物有害动物的有效解决方案。     

空气悬架系统动态载荷的识别

针对空气悬架系统主动控制中神经辨识器的离线训练问题,利用BP神经网络实现从空气悬架系统非簧载质量振动加速度空间到其动态载荷空间的映射。建立带有空气悬架系统的1/4工程车辆动态模型,通过仿真得出了工程车辆空气悬架系统的非簧载质量振动加速度和动态载荷数据,以空气悬架系统的非簧载质量振动加速度数据作为神经网络的输入,动态载荷数据作为神经网络的输出,训练BP神经网络,并对训练好的BP神经网络进行泛化能力的测试,路面输入采用幅值为0.01 m,频率为1 rad/s正弦波时,识别误差率在30%以内的点占总数的82.95%;以幅值为0.02 m,频率为2 rad/s的正弦波作为系统的路面输入,识别误差率在30%以内的点占总数的77.94%。结果表明BP神经网络能够对不同的路面输入具有较好的适应性。     

农田无线传感器网络的节点部署仿真与实现

应用无线传感器网络进行农田信息采集时,针对农田面积大、传感器节点众多的特点,如何有效地部署节点成为研究的热点之一。利用NS2软件从丢包率、平均延时、剩余能量和接收信号强度等网络性能角度对随机部署、正六边形部署及正四边形部署方式进行了仿真比较,最终确定正六边形部署方案,并在农田中进行实地试验。结果表明系统能够实现无缝覆盖,稳定可靠的采集农田信息,为无线传感器网络在农田环境中的进一步应用提供了参考。     

一维Theta-神经元网络中规则单放电行波解的讨论

本文主要讨论一维Theta-神经元网络中的规则单放电行波解。首先从理论上论证了通过控制网络中细胞之间的耦合作用时间可得到网络中的单放电行波解;其次通过数值模拟对结果加以验证。     

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法（Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX）,该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。     

基于改进的BP神经网络集成的作物精准施肥模型

作物最优施肥量与土壤养分含量、产量之间存在复杂的非线性关系。为更加准确地模拟这种关系,提出一种改进的的BP神经网络集成方法。该方法采用K-均值聚类优选神经网络个体,采用拉格朗日乘子方法计算待集成的神经网络个体的权值。然后,基于农田肥料效应试验数据,以土壤养分含量和施肥量作为神经网络的输入,以产量作为神经网络的输出,建立了作物精准施肥模型。该模型通过求解一个非线性规划问题,能同时获得最大产量和最优施肥量。试验结果表明,在施肥模型的拟合精度方面,改进的神经网络集成方法（其均方根误差为64.54）明显优于单个神经网络方法（其均方根误差为169.74）。而且,作为一种定量模型,基于改进的神经网络集成的施肥模型优于传统施肥模型,能有效地指导精准施肥。     

蔬菜安全生产管理与服务网络平台设计及实现

为了进一步推进蔬菜生产的安全化、信息化和现代化,促进蔬菜安全生产,该文以国家综合示范项目为基点,以国家蔬菜生产基地——寿光的专业数据为例,综合采用J2EE（Java2平台企业版,Java2 Platform-Enterprise Edition）技术、地理信息系统技术（GIS）、网络技术（Internet）、无线通讯技术、数据库技术（DBMS）以及可移动电话或手机GPS定位技术,研究、设计和建设了蔬菜安全生产管理与服务网络平台,包括基于WebGIS的蔬菜安全生产有线网络系统、基于GIS与无线通讯的氮肥平衡推荐系统和基于3DGIS的蔬菜安全生产可视化系统。该平台能够辅助政府机构实时对蔬菜的安全生产进行监控,提供决策依据,为蔬菜生产用户提供氮肥平衡推荐和蔬菜栽培技术指导,并将氮肥平衡推荐功能扩展到低端硬件手机用户,实现生产信息技术到田间地头的延伸。     

公路建设项目生态损益驱动研究

生态损益驱动过程是生态补偿价值核算和定价研究的基础,明确生态损益过程寻找驱动来源并度量其生态影响,确定驱动源与生态影响变化关系,可为生态补偿主客体划分和价值核算提供理论和计算依据.从公路建设行为的岩土过程、景观过程及运营过程3个方面从时间和空间角度,系统分析建设期、运营期的公路建设行为影响源及生态影响,构建生态损益驱动特征的量化分析方法与模型及其公路建设项目生态损益的驱动网络,可为公路建设项目生态补偿定价及价值核算研究提供理论支撑.