高等农业院校科技译刊选题刍议

选题是办刊的一个重要环节,高等农业院校科技译刊选题,要根据农业学科本身的特点,根据教学科研的实际需要,又能反映学科发展的新趋势、新动态,同时,选题还要考虑本校翻译队伍的优势,特点。     

教育思想大讨论下“食品营养学”课程的思考

就如何提高学生高效率地自主学习专业课是高效教育改革创新的重要环节,其成果对于推动学生对于专业知识的掌握具有积极作用。通过对教育思想大讨论中提出的学生自主学习“食品营养学”的重要性进行论述,并对教学中出现的问题进行剖析,提出采用教学制度的改革创新同移动慕课的混合教学的方式,同时结合食品营养学就业导向这种三位一体的方式来提升学生自主学习能力,旨在培养更多的食品营养学方向的人才。     

基于学习通平台的高职专业课程数字化教学资源设计与应用——以“农产品质量安全检测”课程数字化资源构建为例

随着计算机技术与网络技术的不断发展,利用网络平台进行优质数字化资源建设与整合,并加以应用,已成为高职院校教学模式改革的主要手段。综述目前高职专业课数字化教学资源建设情况,并结合超星学习通平台的特点,以“农产品质量安全检测”课程为例阐述高职院校专业课程优质数字化资源建设的设计思路、制作方法及应用方式,对于丰富教学手段、提高学生的学习兴趣和教学质量具有重要作用。     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象,利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

谈高校管理中的激励技术

在高校的管理过程中,科学地选择激励技术是调动教职工积极性,发挥教职工创造性,质量和办学水平的有效的一从六个方面对此了探讨。     

全面提高农林院校硕士生计算机应用水平

随着我国改革开放步伐的加快、加入世贸组织日期的临近,高等农林院校硕士研究生的计算机教育将面临更大的挑战和机遇。如何抓住机遇,迎接挑战,全面提高农林院校硕士研究生计算机应用水平,是目前农林院校硕士生教育急需解决的问题之一。本在调查研究的基础上分析探讨了目前国内农林院校硕士研究生计算机教育存在的问题,并给出了几点改革建议。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一,对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性,该研究收集新疆艾比湖湿地78个典型样点,其中选取54个样本作为训练集,24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument,MSI）、数字高程模型（Digital Elevation Model,DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数）,经过极端梯度提升（Extreme Gradient Boosting,XGBoost）算法筛选有效特征变量,构建了关于土壤电导率（Electrical Conductivity,EC）的随机森林（Random Forest,RF）、极限学习机（Extra Learning Machine,ELM）和偏最小二乘回归（Partial Least Squares Regression,PLSR）预测模型,并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化;红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合,3类指数组合的建模取得了较为理想的预测精度,其中RF模型表现最优（验证集R2=0.83,RMSE=4.81 dS/m,RPD=3.11）;在整个研究区内,中部和东部地区土壤盐渍化程度尤为严重。因此,XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

基于极化分解和集成学习的PolSAR影像分类

为实现Pol SAR数据极化信息的充分利用,以进一步改善分类效果,该研究提出了一种基于极化分解和集成学习的Pol SAR影像分类方法。该方法首先利用多种极化分解方法从Pol SAR影像中提取极化参数;将提取的极化参数组合成一幅多通道影像;然后对多通道影像进行分割和特征提取,分别提取出各目标极化分解方法所对应的特征;并进行特征选择和分类,得到各目标极化分解方法的分类结果;最后利用集成学习技术对各分类结果进行集成。该研究以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地覆被分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了92.49%和0.90。此外,该研究还将提出方法与其他基于多种极化分解的分类方法进行比较,对比方法的总体精度和Kappa系数分别为90.74%和0.88,比提出方法分别低1.75%和0.02,对比结果进一步证明了提出方法的优越性。