基于概率模型的冬小麦白粉病监测研究

【目的】利用多源数据对白粉病易发区进行病害发生监测研究能够提供大面积、快速、客观的病害发生信息,为农业植保部门开展科学防控提供有效的指导。研究以结合遥感与气象数据监测冬小麦白粉病并获取其精细空间信息为目的。【方法】利用中国高分辨率对地观测系统高分一号卫星(GF-1/WFV)遥感影像提取了研究区小麦种植区及归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI),通过气候灾害组站点红外雨量数据(climate hazards group infra Red precipitation with station data,CHIRPS)及美国中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)获取了研究区气象相关数据。采用基于概率模型的方法筛选并定量化表达了特征因子与小麦患病情况间的关系,生成了研究区小麦患病概率分布数据、研究区小麦白粉病监测结果、监测结果错分概率分布数据。【结果】基于概率模型的白粉病监测方法总体精度为81.25%,与目前较为流行的分类与回归树(classification and regression tree,CART)和随机森林(random forests,RFs)2种分类监测方法相比具有较高的监测精度;小麦患病概率分布数据能够详细地展现研究区小麦患病概率的空间分布及高患病概率麦区向低患病概率麦区的过渡情况;监测结果的错分概率分布数据与实际错分情况具有较好的一致性。【结论】基于概率模型的白粉病监测方法能够应用于区域尺度冬小麦白粉病发生发展状况监测研究。     

基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测

除选择合适的建模方法外,选择合适的特征选择算法来优选建模特征对提高作物病害的遥感监测水平具有重要作用。选取陕西省关中平原西部小麦白粉病为对象,基于Landsat 8遥感影像共提取了18个特征变量,通过相关性分析(correlation analysis,CA)和最小冗余最大相关(minimum redundancy maximum relevance,mRMR)2种特征选择算法筛选出了2组不同的特征变量,分别将其输入Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、支持向量机(support vector machine,SVM)和AdaBoost 3种方法,构建小麦白粉病发生严重程度监测模型,并对其进行精度验证与对比分析。结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。     

影响大学生人格培养的因素及对策探讨

培养健全人格的大学生,是高等教育管理的重要内容。通过对影响大学生人格培养因素系统地分析研究,针对大学生健全人格的培养途径进行了深入地探讨。同时,提出大学生人格培养需要从传统德育教育、课堂与实践教学、素质拓展教育三管齐下,相互作用得以实现。这是一种行之有效的培养模式,可为高校培养健全人格的人才提供理论支撑。     

遥感与气象数据结合预测小麦灌浆期白粉病

利用多源数据对区域尺度上小麦白粉病的发生状况准确及时地预报能为农业服务和农业植保等部门提供重要信息,实现小麦白粉病的有效预防。研究利用一景2014年5月6日的landsat8遥感影像提取出植被指数、地表温度(land surface temperature,LST)和影像中各波段反射率特征,同时用2014年3月-5月份的站点逐日地面气象资料计算获得各气象特征,并经过GIS空间插值分析得到相应的空间气象特征。通过Relief算法和泊松相关系数相结合的方式进行遥感和气象特征的筛选,最终得出改进的简单比值指数(modified simple ratio index,MSR)、重归一化植被指数(re-normalized difference vegetation index,RDVI)、3月21日-4月20日总日照时数和4月11日-5月10日大于0.1 mm降雨日数。采用相关向量机(relevance vector machine,RVM)的方法分别用筛选出的遥感、气象数据特征及2种数据特征相结合的方式构建了河北省石家庄市藁城、晋州和赵县3地区小麦灌浆期白粉病的发生预测模型,并对3种不同数据模型进行了验证与评估。试验结果表明,遥感气象数据模型的总体精度达到84.2%,优于遥感数据模型的80.0%和气象数据模型的74.7%。进而得出,相比于单站点准确和空间不连续的气象数据和类型单一的遥感数据,遥感气象数据更适合于区域尺度范围内的作物病虫害发生发展状况的预测研究。     

基于无人机多光谱影像的槟榔黄化病遥感监测

黄化病是一种严重危害槟榔生长的病害,迫切需要及时、准确地监测其侵染的严重度差异和空间分布。低空无人机遥感可有效解决槟榔种植区由于多云雨天气而造成光学卫星影像获取不足,提高槟榔黄化病监测的实时性。该文利用大疆精灵Phantom 4 Pro V2.0四旋翼无人机搭载MicaSense RedEdge-M多光谱相机获取5波段多光谱影像,基于最小冗余最大相关算法(Minimum Redundancy Maximum Relevance,m RMR)从15个潜在的植被指数中优选比值植被指数(Ratio VegetationIndex,RVI)、改进的简单比值指数(ModifiedSimpleRatioIndex,MSR)和花青素反射指数(Anthocyanin Reflectance Index,ARI)作为敏感特征,分别利用后向传播神经网络(Back Propagation Neural Network, BPNN)、随机森林(Random Forest, RF)和支持向量机(Support Vector Machine, SVM)分类算法,构建了槟榔黄化病严重度监测模型。结果表明,BPNN模型总体精度达到91.7%,分别比RF模型和SVM模型提高6.7%和10.0%,且Kappa系数为0.875,为所有模型中最高,漏分、错分误差也最小,健康,轻度和重度分别为11.1%、15.8%,13.6%、9.5%和0、0。研究结果证明了无人机多光谱遥感影像监测槟榔黄化病的可行性,同时也可为其他热带作物病害监测提供案例研究。     

试论用户对农业科技情报的需求

本文论述了各类情报用户对农业科技情报的需求,分析了影响农业科技情报需要的六种因素,推论了在新形势下用户对农业科技情报需求的发展趋势,可为农业科技情报工作者做好情报服务工作提供参考。     

农业科研人员情报需求与情报行为的调查分析

情报用户需求与情报行为研究是情报学的一个重要研究领域。它是检验情报部门服务质量、效果和存在的问题的有效手段,是为用户提供有针对性、有价值情报的先决条件。为了改进情报服务工作,积极主动地配合科研和生产,笔者通过发放调查表的办法对石河子的农业科研人员进行情报需求与情报活动能力的调查,并对改进图书情报部门的工作提出了建议。     

"酿酒3号"优质专用高粱的栽培

为了适应粮食市场的需要,调整粮食产业结构,增加新优特品种种植面积,增加农民收入,襄垣县粮食局牵头与汾酒集团签约,在我县创建了优质高粱生产基地。所推广的高粱品种     

一起新引进山羊发生羊快疫的诊治报告

羊快疫是由梭状芽胞杆菌属中的腐败梭菌引起的以侵害绵山羊为主的一种急性传染病。本病在秋冬和初春气候骤变,羊只采食冰冻草料或受寒感冒时,由于机体抵抗力降低而诱发,胃肠道酸碱度的改变也有利病菌大量繁殖,产生的毒素刺激中枢神经系统引起急性休克,从而导致羊只在短时间内死亡。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。