基于时间序列MODIS的农作物类型空间制图方法

为快速获取大范围种植结构复杂区域的作物种植面积,以MODIS数据为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、宽动态植被指数(Wide dynamic range vegetation index,WDRVI)、地表水分指数(Land surface water index,LSWI)、归一化雪被指数(Normalized difference snow index,NDSI)5种特征,结合同步的实地调查样本点,采用支持向量机算法(Support vector machines,SVM)提取黑龙江省主要农作物的种植面积。研究表明,在待选特征中NDVI、EVI与LSWI指数组合取得了最高的分类精度,总体分类精度为74.18%,Kappa系数为0.60;支持向量机算法与最大似然算法、随机森林算法相比,分类精度更优。该方法为在大区域中提取农作物种植面积提供了参考价值。     

施肥模型研究综述

对施肥模型和参数研究的历史、现状和趋势进行了综述,并指出今后定量施肥研究的关键问题。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

农户关联对特色农业种植农户支持度的影响

为研究村民关系对特色农业种植农户支持度的影响,本文以甘肃省武威市凉州区为例,运用李克特量表法进行实地调研,采用结构方程模型构建了农户关联和农户支持测量维度体系,并度量了农户关联对特色农业种植农户支持度的影响,以期提升农户对特色农业的种植,增加农户收入。结果表明：(1)将农户关联维度划分为情感关联、认知关联、经济关联和行动关联,将农户支持度分为农户决策支持、行动支持和效益支持具有一定的理论意义。(2)农户关联对特色农业种植农户支持度的影响有显著的正相关关系,农户关联的高低决定了特色农业种植农户支持度的大小。     

基于奇异值分解和支持向量机的滚动轴承故障模式识别

提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用奇异值分解对其提取状态主特征矢量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态,并且对未知故障有良好的识别能力。与常用的人工神经网络方法相比,该诊断方法具有更好的有效性、鲁棒性和精确性。     

社会网络中的技术支持对农业技术扩散的影响分析

[目的]分析农业扩散中的关键因素———技术支持,探讨加快农业技术扩散的方法。[方法]通过概述农业技术支持现状、特点和农业技术扩散过程中的技术支持类型,说明社会网络中技术获取的优势,分析如何使农业技术更好地传播和扩散。[结果]农业技术的特点等因素使其需要不断通过周围社会网络获取技术支持和帮助,最后内化成自己的经验。[结论]利用社会网络进行技术支持,这将是自上而下的农业技术推广体系的有力补充。     

基于EnMAP Box的遥感图像分类研究

采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明：SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了119%。     

农村留守老人的社会支持系统研究——以江苏省南京市M村为例

从社会支持的角度研究农村留守老人问题。以江苏省南京市M村的留守老人为调查对象,对该村15位留守老人进行深入的个案访谈。概括了农村留守老人的社会支持现状,从正式支持、非正式支持两个方面分析了农村留守老人社会支持系统存在的问题。最后,提出了完善农村留守老人社会支持系统的对策,即政府层面加强法律支撑和社会保障;组织层面整合社区资源,发展社区照顾;个人层面加强文化宣传,倡导家庭责任回归。     

社区照顾——城市老年人的赡养方式新选择

在经济及社会保障尚未做好准备的情况下，我国已进入了老龄化社会。随着家庭核心化以及老年人寿命的延长、年轻人工作压力的增大，这种4一2一1的家庭结构模式使得传统的家庭养老模式受到了极大的挑战。特别是我国城市的老年人的照料和需求等养老问题表现得越来越突出。本文旨在对家庭养老、机构养老和社区照顾的三种模式做一个简单的比较分析:不同的赡养模式的优势和不足，以便试图提出在目前的境况下的一个以社区照顾为本的城市老人赡养模式。     

基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。