自然保护地巡护道路设计中几个主要指标的确定

自然保护地原则上按核心区和一般管控区实行分区管控.各类保护地巡护道路设计体系目前没有相关设计规范.文章对保护地内巡护道路的等级、平纵设计指标、横断面指标的确定需考虑的因素进行分析,提出了相应的设计指标和参数,以期对后续巡护道路设计提供参考.     

黑土小流域沟道分布遥感监测及主控因素研究

为了对典型黑土区小流域沟道分布进行遥感监测,并解析影响其发育的主控因素,选择黑龙江省海伦市光荣村为研究区,通过对遥感影像和地形图的目视解译判读和空间分析,量化汇水区面积、坡长等12个变量,结合对264条切沟与等高线分布关系的地貌学分析、统计分析和野外详查,解译地表径流和机耕道作用等6种情形,对典型黑土区小流域切沟发育主控因素进行探讨。结果表明,研究区林地面积大小不能直接控制切沟发育,林地内活跃沟长占活跃切沟总长的46.2%。小流域汇聚坡是切沟发育的典型地形,沟长占总长的68.1%,汇聚坡导致地表集中径流,沟长占总长的63.0%。汇水区面积和坡长是影响沟长的最主要因素,而小流域坡度是影响沟密度的显著因素。同时,切沟侵蚀多伴生于农田机耕道路一侧,机耕道旁沟长约占其总长的23.3%。研究表明,黑土区切沟侵蚀主要与机耕道促进地表径流的作用密切相关,侵蚀沟综合治理必须考虑小流域景观布局和山水林田湖草综合治理,应将农田机耕道路周边大型活跃切沟防控作为黑土区保护的重中之重。     

基于改进YOLOv8n的复杂环境下柑橘识别

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_0.5值为96.9%,召回率为91.7%,交并比阈值为0.5~0.95的平均精度均值mAP_0.5～0.95值为85.8%,模型大小为5.8MB,参数量为2.87M。与原模型YOLOv8n相比,mAP_0.5值、召回率、mAP_0.5～0.95值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。     

智能手机RGB图像检测植物叶片叶绿素含量的通用方法

为提高RGB（Red, Green, Blue）图像方法在检测植物叶片叶绿素含量的预测精度、普适性和实用性,该研究提出了一种智能手机结合辅助拍照装置获取植物叶片RGB图像并即时检测叶绿素含量的低成本方法。设计了一种内置主动光源的低成本便携式拍照装置,用以降低环境光及拍照角度等因素对成像质量的影响;并采用了基于24色Macbeth标准色卡的二阶多项式回归法构建色差校正矩阵以减小不同手机所获取图像的色差;最后开发了基于微信小程序的远程诊断系统以实现植物叶片叶绿素含量的原地、实时及无损检测。以甘蔗叶片为例,采用了3款不同品牌的手机进行了试验,首先分析了叶片39种颜色特征与其叶绿素含量的相关性及色差校正方法对其的影响。结果表明,该方法获取的叶片颜色特征与叶绿素含量大多具有较强的相关性（相关系数>0.8）,同时,色差校正可明显提升多手机混合数据集的颜色特征与叶绿素含量的相关系数,其中RGB色彩空间下三个颜色通道亮度值R、G、B的代数运算特征(B-G-R)/(B+G)的提升最明显,达到了0.842 4,比校正前提高了89%。进一步结合主成分分析构建了色差校正前与色差校正后的叶绿素含量多元线性回归（Multivariate Linear Regression,MLR）和支持向量机回归（Support Vector Regression,SVR）预测模型。针对多手机混合数据集的通用预测模型中,色差校正后的SVR通用预测模型精度和稳定性最高,相比校正前的SVR通用预测模型,五折交叉验证的R2均值达到了0.721 4,提高了14.6%,RMSE均值为0.328 8 mg/g,降低了13.3%;同时,该模型五折交叉验证的R2标准差仅为0.004 2,具有更高的稳定性。该研究为不同手机准确预测植物叶片叶绿素含量提供了一种通用方法。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

改进属性识别模型在秦巴山区土壤肥力评价中的应用

针对秦巴山区特点,选取安康市汉阴县作为研究区。利用GPS定位共在研究区内取得2420个耕层(0~20 cm)土壤样品。通过对土壤样品的全氮、有机质、碱解氮、有效磷、速效钾以及pH值等6项土壤肥力指标进行室内化验分析得到的结果,运用基于墒权和层次分析相结合的改进属性识别模型,对研究区内土壤肥力进行综合评价,并借助ArcGIS9.3绘制了土壤肥力空间分布图。结果表明:研究区肥力属中等偏上水平,其中北部及东南部低中山处肥力水平较好,中部及西南部低山丘陵地区肥力水平相对较差;改进的属性识别模型在进行评价时较为准确,且简单稳定,为土壤肥力的的综合评价提供有力的技术支撑。     

基于窗口观测的电控柴油机判缸控制的优化分析

柴油机起动初期控制时序的建立过程(判缸控制)直接决定其起动过程的长短,判缸控制是电控柴油机管理系统中最核心的部分。为了缩短判缸时间,提高控制系统的可靠性,该文根据目标柴油机的发火顺序设计了电控系统的转速信号与相位,采用了2套转速计算装置;基于有限状态机,提出了窗口观测联合判缸方法,并开发了电子控制单元(electronic control unit,ECU)复杂驱动层的联合判缸驱动控制软件。试验结果表明该策略是有效可行的,发动机的起动成功率提升10%,达到100%,正常起动成功的时间由1.5 s缩短到1 s以内,改善了电控柴油机的起动性能。该控制策略的实现完善了电控柴油机的时序控制功能,提高了柴油机的电控水平。     

基于分形插值的三维路面重构与分析

原始精细的路面谱是研究车辆与路面耦合的重要基础,对车辆的通过性和噪声、振动及不平顺性NVH(noise,vibration and harshness)分析有重要的应用价值。为了构建与原始路面相同或相近的路面谱,利用非接触式激光路面不平度仪测量沥青路面、水泥路面、比利时路面和砂石路面的三维路面不平度;基于分形理论,采用迭代函数法重构这四种路面谱;结合路面不平度的统计特性评价指标和分形维数对四种路面的原始谱和重构谱进行评价。研究结果表明:重构前、后路面谱的平均值、标准差、峰度系数以及分形维数变化范围在±5%以内,除水泥路面的偏态系数变化范围均在±9%以内,重构路面谱与原始谱具有一致性;重构路面谱保持了原始路面的结构特性,并具有路面的细微结构。     

基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选

制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息.该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9m.最后采用奇台县的0.7m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%.通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑.     

权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

针对传统鱼眼瞳孔直径测量方法耗时、耗力,且数据主观性强的问题,该文提出基于权重约束AdaBoost和改进Hough圆变换的鱼眼瞳孔直径智能测量方法。首先,利用工业相机采集实验板上的鱼图像,从正负鱼眼图像样本中训练出基于权重约束AdaBoost算法的鱼眼分类器;然后,采用该分类器对试验图像进行检测,将检测到的鱼眼局部图从整体图中分离出来;最后,采用改进的Hough圆变换检测出鱼眼的瞳孔,并计算得到瞳孔直径。对100条金鲳鱼进行试验,鱼眼分类精度达97.1%,瞳孔正确检测率达94.2%,相比改进前分别提升了1.7个百分点和10.5个百分点,与人工测量瞳孔直径值的平均偏差为6.5%,比改进前低了5.9个百分点,总的平均测量时间为324.371 ms,比改进前减少了10.707 ms。试验证明:该文提出的方法能够精确、实时、自动地测量出鱼眼瞳孔的直径,有效避免了传统测量方式的复杂性和测量数据的主观性,可为鱼体生长状况评估、良种选育提供重要参考。