土壤湿度对酿酒葡萄品质的影响

以香格里拉市七年生的酿酒葡萄赤霞珠(Vitis vinifera L.cv.Cabernet Sauvignon)为研究对象,分析比较了不同试验点土壤湿度对果实品质的影响。结果表明,茨中点在整个生育期内土壤湿度满足了葡萄的正常生长需求,相关果实品质符合正常酿造要求。尼通点的葡萄果实糖酸比过低,不适宜做酿造原料。达日点的土壤湿度偏低,其葡萄粒重等指标明显低于其他试验点,影响产量。阿东点的整个生育期内土壤湿度合理,在转色成熟期时维持较低的土壤水分,该试验点糖酸比最高,葡萄品质较好。而达日点的土壤湿度明显偏低,较为干旱,应进行适当灌溉。在香格里拉市葡萄种植区对葡萄进行节水调质灌溉时,可将阿东点的土壤湿度水平作为参考,在转色成熟期维持较低水平的土壤湿度既有利于提高水分利用效率,又有利于增加酿酒葡萄总糖的积累和保持适宜的总酸量。     

对发展玉米收获机械化的思索——参加《玉米生产机械化现场演示会》的感想

经过近20年的努力,我国小麦生产机械化的许多难题已经基本攻克。玉米收获机械化已成为目前农业生产机械化的重点领域之一。2001年7月17日,河北省石家庄市召开了《玉米生产机械化现场演示会》,从各厂家提供的样机及一些图片资料来看,目前研制玉米收获机机型约有20余种,其中有中小型自走式、牵引式和背负式,还有小麦收割机割台等,虽然各生产厂家都投入了大量人力物力,但尚未形成批量生产。 一、玉米收获机械化的影响因素 1.收获方式存在的问题。自走式玉米收获机价格较高,目前农民使用的玉米收获机以悬挂式和牵引式居     

基于太阳能的植保无人机续航提升方案

在农业领域对无人机的任务需求中,续航问题无疑是目前植保无人机所面临的重要问题之一。由于电池生产技术的瓶颈,目前植保无人机的有效作业时间大都被限制在12 min左右难以突破。太阳作为一个取之不尽用之不竭的“无源”动力得到了特别的关注,因此设计了一种基于太阳能的植保无人机续航提升方案。在六旋翼无人机平台上对方案的可行性进行实验,结果表明,安装了太阳能续航模块后的无人机相比安装前,飞行续航时间平均提升了70 s。该方案基于多轴无人机飞行平台,在无人机工作时将太阳能转化为电能为锂电池续电,从而减少锂电池在飞行时的电量消耗,增加植保无人机的有效作业时间,在一定程度上缓解了当前植保无人机的续航问题,并能够向其他基于无人机平台的应用延伸。     

基于无人机遥感影像的沙糖橘果树提取方法研究

目的 通过无人机获取沙糖橘果园的遥感图像,快速提取果树分布位置,为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象,计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数,使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上,结合数字表面模型作为识别模型的输入变量,进行对比试验。结果 相比使用单一光谱指数,结合数字表面模型提高了果树和非果树像元的提取精度,6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高,为98.77%,Kappa系数为0.956 7,植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量,为影像中色调相似地物的提取提供参考。     

基于无人机可见光遥感影像的耕地精准分类方法研究

无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。     

融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类

快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义，为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题，融合Focal Loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统，使用Focal Loss损失函数解决数据集不平衡导致识别准确率低的问题，采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干，对7种水稻病害进行识别。通过imgaug库增强数据，将13 543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型，将1 404张水稻病害图像作为测试集来验证模型的准确性。结果表明，所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见，在融合Focal Loss损失函数的情况下，ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率，该成果可在实...