社会工作视野下高校和谐教育的构建

基于对我国当前高校不和谐现状的分析,秉持社会工作的理念和视角,探索了我国高校和谐教育的含义,并就社会工作作为一种专业方法在建设高校和谐教育中的策略进行了探讨与创新.     

Role of social networks in urban forest management collaboration: A case study in northern Japan

Public participation is crucial for sustainable forest management. In particular, in urban forest areas, it is an important tool for overcoming conflicts among diverse needs regarding the forests through collaboration between citizens and governments. Such collaboration requires social learning. Social learning is dependent upon the presence of social networks that serve as an infrastructure for social capital. This study analyses the role of the social network in a participatory forest management approach of the Nopporo Forest Regeneration Project (NFRP) in the urban Nopporo National Forest in Hokkaido, northern Japan, aimed at restoring a typhoon damaged forest.Within the framework of the participatory approach the project hascreated a network of several citizen organizations for exchanging information. Outside this formal NFRP network several additional citizenorganizations are concerned about the Nopporo Forest management. The article describes the overall social network that has evolved around the Nopporo Forest and compares the attitudes and evaluations of the NFRP network organizations and the not formally NFRP related organizations towards their collaboration with government agencies and other citizen organizations. The overall social network around the Nopporo Forest had a multi-nodal character with the National Forest Agency and Hokkaido Prefectural Government acting as main central nodes. Only a few citizen organizations had direct relations to both central nodes; many organizations had links to either the National Forest Agency or the Prefectural Government. The organizations involved in the formal NFRP network had close ties with the National Forest Agency. This contributed to a positive evaluation of present forest management approach and the collaborative activities of the government agencies. In contrast, the organizations that were not involved in the formal NFRP network were found to have fewer ties with the National Forest Agency. The lack of opportunity to form a direct social learning relation hindered the formation of social capital and resulted in a lower evaluation of the participatory management approach as well as of the collaborative activities. Thus, although the participatory forest management approach of establishing formal social networks enhanced collaboration between the National Forest Agency and several citizen organizations and social learning, it was less successful in encouraging a democratic process involving all interested citizen organizations.     

基于RGB图像光谱重建的鱼糜掺假定量检测研究

实现基于RGB图像的光谱重建对降低光谱的硬件要求、扩大其实际应用具有重大意义。该研究以鱼糜掺假检测为例,比较多元多项式最小二乘回归算法（polynomial multivariate least-squares regression,PMLR）与深度学习HRNet网络对光谱重建的性能,建立基于重建光谱多种掺假鱼糜检测模型并验证其实际应用的有效性。结果表明,2种方法的重建光谱误差较小,HRNet网络、PMLR算法重建光谱的均方根误差（root mean square error,RMSE）分别为0.010 4和0.012 6,大多数掺假检测模型有较高的预测准确性,其预测相关系数大于0.91,预测均方根误差小于9%。在基于重建光谱建立的掺假检测模型中,效果最佳的是基于PMLR算法重建光谱使用标准正态变量变换（standard normal variate,SNV）预处理的极限学习机回归模型,其预测均方根误差为3.954 4%、预测相关系数为0.983 0。因此,PMLR算法和HRNet网络均能较好的实现基于RGB图像的光谱重建,且重建光谱均能实现对鱼糜掺假样本的较好检测结果,为基于重建光谱的食品和农产品品质与安全检测提供了新思路。     

基于机器学习和环境因子的温室网纹甜瓜纹理特征的预测

为了对网纹甜瓜纹理特征进行定量预测,本文结合多个环境因子(基质含水量、温度、湿度、光合有效辐射),使用支持向量机(SVM)与随机森林(RF)多元回归分析方法,对基于灰度共生矩阵提取的4个果实表面纹理特征——对比度(contrast)、熵(entropy)、相关性(correlation)、角二阶矩(ASM)进行了预测。结果表明,纹理特征受环境影响敏感度依次为基质水分、光合有效辐射、空气湿度或有效积温。对比RF模型和SVR模型,发现在不同环境因子输入条件下,RF模型均优于SVM模型,其中输入全部环境因子后RF模型的预测精度最高,对比度、熵、角二阶矩的模拟精度均达到了0.90,分别为R~2=0.945(RMSE=0.243)、R~2=0.940(RMSE=0.235)、R~2=0.934(RMSE=0.248)。上述结果表明,RF模型对于网纹甜瓜纹理特征具有较好的预测结果,本研究结果可为温室网纹甜瓜栽培过程中的质量监控和栽培管理提供全新的思路。     

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...     

基于团队学习模式的教学改革实践及评价——以水利水能规划课程为例

新工科背景下高校教学改革的重要目标是提高学生的学习能力、实践能力、主动思考和解决问题的能力。以水利学科重要专业课水利水能规划为试点,开展了基于团队学习的教学改革模式设计和课堂实践。结果表明,结合团队教学实践后,学生对课程知识的理解掌握程度、综合实践能力和专业认识深度均有了显著提升,改革取得了良好成效。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

以现代农业现代化发展为契机,打造农林院校机电专业特色品牌——以江苏农林职业技术学院机电专业成长为例

随着社会的不断发展,现代农业已经变成国民经济中具有较强竞争力的现代产业。作为农林高职院的机电专业,要想长远发展,必须为现代农业服务,走出自己的特色,依托农林学院的优势资源,走产学研用合作培养之路,培养出有农林特色的机电专业创新型人才,打造属于农林高职院的机电专业的特色品牌。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物,开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发,结合卷积神经网络（Convolutional Neural Networks,CNN）和反向传播神经网络（Back Propagation Neural Networks,BP）技术提出了冬小麦县级产量预测方法,使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取,将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合,利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error,RMSE）、平均绝对误差（Mean Absolute Error,MAE）和样本决定系数（Coefficient of Determination,R2）作为精度指标对试验结果进行分析和评价。结果表明,基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上,MAE低于269.48 kg/hm2,RMSE低于346.56 kg/hm2,93%的县单产相对误差小于9%,试验结果平均值与中位数的偏差小于1.2%;在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上,MAE低于304.84 kg/hm2,RMSE低于418.14 kg/hm2,91%的县单产相对误差小于9%,试验结果平均值与中位数的偏差小于1.6%,方法所构建模型具有良好的预测准确率、鲁棒性和泛化性,可以实现县级尺度下的冬小麦产量预测。     

采用组合增强的YOLOX-ViT协同识别温室内番茄花果

番茄花果的协同识别是温室生产管理调控的重要决策依据,针对温室番茄栽培密度大,植株遮挡、重叠等因素导致的现有识别算法精度不足问题,该研究提出一种基于级联深度学习的番茄花果协同识别方法,引入图像组合增强与前端ViT分类网络,以提高模型对于小目标与密集图像检测性能。同时,通过先分类识别、再进行目标检测的级联网络,解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题。最后,引入了包括大果和串果在内的不同类型番茄品种数据集,验证了该方法的可行性与有效性。经测试,研究提出的目标检测模型的平均识别率均值（mean average precision,mAP）为92.30%,检测速度为28.46帧/ s,其中分别对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92%、92.35%和96.62%。通过消融试验表明,与YOLOX、组合增强YOLOX相比,改进后的模型mAP提高了2.38～6.11个百分点,相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型,mAP提高了16.56～23.30个百分点。可视化结果表明,改进模型实现了对小目标的零漏检和对密集对象的无误检,从而达到了高精度的协同检测的目标。研究成果为温室种植环境下的番茄生长识别提供参考。