Soil tillage systems and forms of lime application on soil attribute enhancements in ratoon sugarcane

Combining deep tillage (DT) with lime application at greater depths may improve sugarcane yield. The objective of this study was to evaluate the impact of conventional tillage (CT) and DT systems and liming on sugarcane productivity and soil physical attributes. The experiment was conducted in a clayey-textured Rhodic Hapludox soil cultivated with sugarcane for two growing seasons (first and third ratoons) using a randomized block design with four treatments and four repetitions. The treatments consisted of DT without liming (DT0), DT with liming (DT2), CT without liming (CT0) and CT with liming (CT2). In addition to sugarcane stalk and sugar yields, macroporosity (MA), microporosity (MI), total soil porosity (TP), weighted average diameter (WAD), aggregate stability index (ASI), soil penetration resistance (SPR), pH, potential acidity (H + Al), total soil organic carbon (SOC), particulate organic carbon (POC), mineral-associated organic carbon (MOC), calcium (Ca) and magnesium (Mg) were analysed. DT2 promoted the best soil conservation effect on sugarcane. In general, DT, regardless of lime application, reduced SOC and POC in soil surface layer. Nevertheless, in the long term, localized lime addition resulted in significant reductions in compaction, reaching values below 2 MPa. The soil fertility improvement provided by DT2 promoted increased sucrose concentrations and stalks yield. Considering that there was an improvement in the physical quality and fertility of soil for better plant development, the deep tillage with localized lime addition can be considered an effective alternative for sugarcane cultivation.     

河北省苹果大风灾害风险评估

基于长时间序列的河北省142个国家级气象台站大风观测数据、历史苹果大风灾情统计资料、苹果生育期等数据,选择最优机器学习模型延长极大风速时间序列,利用对应站点的极大风速和灾情统计数据确定苹果两个主要生育期内不同等级大风灾害气象指标阈值,分析了苹果大风灾害时空分布特征,对苹果大风灾害的危险性、脆弱性、暴露度和防灾减灾能力等指标进行综合风险评估。结果表明：随机森林模型模拟精度较高,可以较好地延长极大风速时间序列;苹果花期−幼果期的大风灾害阈值为极大风速≥9.1m·s⁻¹,果实膨大-成熟期为极大风速≥7.9m·s⁻¹,并进一步划分了不同等级大风灾害等级,验证结果与历史记录有较高的一致性;苹果大风灾害每年发生次数呈先降后升的趋势,河北省西北部和沧州市东部大风灾害发生频次较高;苹果大风灾害较高和高风险区域较为分散,约占全省面积的20%,主要分布在张家口市东部、承德市东南部、衡水市中部和石家庄市东部等地。     

冻结状态下盐渍化土壤中水溶性盐基离子含量高光谱反演

为探究采用高光谱技术反演冻结状态土壤水溶性盐基离子含量的可行性,该研究针对河套灌区盐渍化土壤,测定土壤在冻结与未冻结状态下的光谱和主要水溶性盐基离子含量(HCO₃^-、Cl^-、CO₃^2-、SO₄^2-、K⁺、Na⁺、Ca²⁺、Mg²⁺),光谱经标准正态变量变换(standard normal variable,SNV)和变量投影重要性法(variable importance in projection,VIP)筛选出敏感波段后,采用偏最小二乘回归法(partial least squares regression,PLSR)、支持向量机回归法(support vector regression,SVR)和极限学习机法(extreme learning machine,ELM)构建基于特征光谱的土壤离子含量高光谱反演模型,并对比冻结与未冻结状态反演模型...     

Root exclusion methods for partitioning of soil respiration: Review and methodological considerations

Soil respiration is a vital process in all terrestrial ecosystems, through which the soil releases carbon dioxide (CO₂) into the atmosphere at an estimated annual rate of 68-101 Pg carbon, making it the second highest terrestrial contributor to carbon fluxes. Since soil respiration consists of autotrophic and heterotrophic constituents, methods for accurately determining the contribution of each constituent to the total soil respiration are critical for understanding their differential responses to environmental factors and aiding the reduction of CO₂ emissions. Owing to its low cost and simplicity, the root exclusion (RE) technique, combined with manual chamber measurements, is frequently used in field studies of soil respiration partitioning. Nevertheless, RE treatments alter the soil environment, leading to potential bias in respiration measurements. This review aims to elucidate the current understanding of RE, i.e., trenching (Tr) and deep collar (DC) insertion techniques, by examining soil respiration partitioning studies performed in several ecosystems. Additionally, we discuss methodological considerations when using RE and the combinations of RE with stable isotopic and modeling approaches. Finally, future research directions for improving the Tr and DC insertion methods in RE are suggested.     

基于改进YOLOv7模型的复杂环境下鸭蛋识别定位

在干扰、遮挡等复杂环境下,对鸭蛋进行快速、准确识别定位是开发鸭蛋拾取机器人的关键技术,该研究提出一种基于改进YOLOv7（you only look once）模型的复杂环境鸭蛋检测方法,在主干网络加入卷积注意力模块（CBAM,convolutional block attention module）,加强网络信息传递,提高模型对特征的敏感程度,减少复杂环境对鸭蛋识别干扰;利用深度可分离卷积(DSC,depthwise separable convolution)、调整空间金字塔池化结构（SPP,spatial pyramid pooling）,降低模型参数数量和运算成本。试验结果表明,与SSD、YOLOv4、YOLOv5_M以及YOLOv7相比,改进YOLOv7模型的F1分数（F1 score）分别提高了8.3、10.1、8.7和7.6个百分点,F1分数达95.5%,占内存空间68.7 M,单张图片检测平均用时0.022 s。与不同模型在复杂环境的检测对比试验表明,改进的YOLOv7模型,在遮挡、簇拥、昏暗等复杂环境下,均能对鸭蛋进行准确快速的识别定位,具有较强鲁棒性和适用性。该研究可为后续开发鸭蛋拾取机器人提供技术支撑。     

融合重参数化和注意力机制的猪脸关键点检测方法

面部对齐是猪脸识别中至关重要的步骤,而实现面部对齐的必要前提是对面部关键点的精准检测。生猪易动且面部姿态多变,导致猪脸关键点提取不准确,且目前没有准确快捷的猪脸关键点检测方法。针对上述问题,该研究提出了生猪面部关键点精准检测模型YOLO-MOB-DFC,将人脸关键点检测模型YOLOv5Face进行改进并用于猪脸关键点检测。首先,使用重参数化的MobileOne作为骨干网络降低了模型参数量;然后,融合解耦全连接注意力模块捕捉远距离空间位置像素之间的依赖性,使模型能够更多地关注猪面部区域,提升模型的检测性能;最后,采用轻量级上采样算子CARAFE充分感知邻域内聚合的上下文信息,使关键点提取更加准确。结合自建的猪脸数据集进行模型测试,结果表明,YOLO-MOB-DFC的猪脸检测平均精度达到99.0%,检测速度为153帧/s,关键点的标准化平均误差为2.344%。相比RetinaFace模型,平均精度提升了5.43%,模型参数量降低了78.59%,帧率提升了91.25%,标准化平均误差降低了2.774%;相较于YOLOv5s-Face模型,平均精度提高了2.48%,模型参数量降低了18.29%,标准化平均误差降低了0.567%。该文提出的YOLO-MOB-DFC模型参数量较少,连续帧间的标准化平均误差波动更加稳定,削弱了猪脸姿态多变对关键点检测准确性的影响,同时具有较高的检测精度和检测效率,能够满足猪脸数据准确、快速采集的需求,为高质量猪脸开集识别数据集的构建以及非侵入式生猪身份智能识别奠定基础。     

基于Sentinel-2卫星影像的黑龙江绥化市土壤全氮定量遥感反演

为及时准确评估黑土区土壤全氮（soil total nitrogen,STN）含量的空间分布,以指导作物精准施肥和提高农作物产量,该研究基于绥化市实测STN数据和Sentinel-2卫星Level-2A遥感影像反射率,构建光谱指数结合环境变量的STN预测模型,包括随机森林（random forest,RF）、自适应增强（adaptive boosting,AdaBoost）、梯度提升（gradient boosting categorical features,CatBoost）等集成学习算法和多元逐步线性回归（simple linear regression,SLR）、支持向量机（support vector regression,SVR）、神经网络（back propagation neural network,BPNN）等监督学习算法,并考虑波段1～12遥感反射率、波段1~12遥感反射率联合光谱指数和环境变量作为算法输入变量的2种情景。结果表明：1）绥化市实测STN平均含量为1904.06 mg/kg,变异系数为17.93%;2）以波段1～12遥感反射率作为输入变量时,6种STN模型验证集拟合决定系数（coefficient of determination,R²）小于 0.6,模型验证集决定系数精度由大到小顺序为：RF、CatBoost、AdaBoost、BPNN、SLR、SVR;3）结合波段1～12遥感反射率、光谱指数和环境变量优选方法,构建STN含量预测模型,模型验证集决定系数精度由大到小顺序为：RF、CatBoost、BPNN、AdaBoost、SLR、SVR,验证集模型决定系数精度提升幅度从大到小依次为RF、SVR、BPNN、AdaBoost、CatBoost、SLR,其中RF模型验证集决定系数预测精度提升最大,决定系数增加0.22,均方根误差（root mean square error,RMSE）降低了35.30 mg/kg;4）基于光谱指数和环境变量优选的机器学习算法具有强大的非线性拟合能力,RF能够更好地模拟STN与遥感光谱信息及地形因子之间复杂的多元非线性关系,并获得较高的实测和反演模型拟合结果;5）结合模型,绥化市STN的空间分布呈现东北高西南低、由北向南逐渐降低及中部略高的空间分布特点。研究结果为东北黑土区STN含量实时动态监测、土地肥力评价和农业可持续发展提供技术支持,为开展黑土地保护与利用及农田生态系统保护提供决策依据。     

多模态知识图谱增强葡萄种植问答对的答案选择模型

针对传统答案选择模型仅依靠问答对自身信息进行匹配的问题,该研究提出了一种使用多模态知识图谱来增强问答对的答案选择模型。该模型通过设计基于ComplEx（complex embedding）图谱嵌入的方法学习多模态知识图谱嵌入,引入上下文注意力机制并使用CNN网络获取多模态知识图谱的特征表示,使用知识感知注意力方法,将多模态知识图谱提供的背景知识与问答对的文本语义信息融合。以葡萄种植为例,通过搭建葡萄种植多模态知识图谱和构造葡萄种植问答数据集开展试验,试验结果表明: 使用多模态知识图谱有助于模型获取更多信息从而达到更好的效果,在葡萄问答数据集中正确答案的平均倒数排名和平均准确率分别达到了85.02%、84.21%,与其他模型相比平均倒数排名提高2.57个百分点,平均准确率提高了3.96个百分点。该答案选择模型利用多模态知识图谱的知识提高答案选择效果,可为搜索、问答等下游任务提供技术基础。     

基于深度学习的玉米籽粒破损在线检测技术

玉米籽粒破损是制约中国玉米籽粒直收技术推广应用的瓶颈问题,如何快速准确地获取玉米收获过程中籽粒损伤情况是玉米智能化收获的关键。为了解决这一问题,该研究提出一种基于深度学习的玉米籽粒破损检测装置及方法,该方法采用籽粒单层化装置不断获取高质量玉米籽粒集图像数据,并通过深度学习分割、分类两阶段模型实现破损玉米籽粒检测。图像分割阶段通过深度学习经典实例分割模型（Mask R-CNN）完成区域内玉米籽粒单体分割;而图像分类则由该研究基于残差模块提出的新型网络模型（BCK-CNN）实现。为了评价BCK-CNN分类模型的有效性,将其和其他典型深度学习分类模型进行对比测试,并利用可视化的技术评估了不同模型对玉米籽粒的分类性能。结果表明：BCK-CNN模型对完整、破损玉米籽粒的分类准确性分别达到96.5%、94.2%。另外,选取平均相对误差为评价指标,通过模拟试验对比验证了该检测方法对破损玉米籽粒的检测性能。结果表明：相较于人工计算籽粒破损率,该研究提出的破损玉米籽粒检测方法计算得到的平均相对误差仅4.02%;且将其部署在移动工控机上对单周期玉米籽粒集图像检测时间可以控制在1.2 s内,研究结果为玉米收获过程中破损籽粒高效精准检测提供参考。     

基于机器学习的沟谷地貌识别模型对比——以黄土高原典型流域为例

探索沟谷地貌空间分布与环境控制特征之间的联系并构建沟谷地貌准确提取模型,对大尺度范围沟谷提取具有重要意义。基于人工提取黄土高原典型流域沟谷地貌样本,结合不同时期的Landsat8 OLI影像数据和DEM数据,建立随机森林模型确定黄土高原沟谷地貌提取最佳影像时期和最佳组合特征,基于最优模型参数,对比其与支持向量机和人工神经网络沟谷提取模型效果,验证模型泛化能力。结果表明:(1)黄土高原沟谷提取的最佳影像时期为12月,最佳组合特征集为Red、Blue、H、SWIR1、PNT、Coastal、GLCM4和NIR;(2)3种方法提取测试区域的沟谷空间分布一致,从定性和定量角度进行比较,随机森林模型提取效果最好,验证样区平均总体精度为80.48％,相较于支持向量机模型和人工神经网络模型分别提高4.00和8.63个百分比;(3)测试区域中,沟谷地貌面积约占总面积的56.91％,且呈现西北至东南方向逐渐集中的特点。研究表明随机森林模型在黄土高原地区高精度沟谷地貌识别研究中综合表现最佳,可大范围推广。