排序方式: 共有6条查询结果,搜索用时 187 毫秒
1
1.
【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91~0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。 相似文献
2.
本研究旨在通过体外抑菌试验、消化道平滑肌收缩试验及肠道消化酶活力、肠道形态检测等途径探讨柠檬酸对机体生长及消化功能的影响。制备不同浓度柠檬酸试纸片及五种常用抗生素药敏片,分别测量并比较它们对大肠杆菌和葡萄球菌的抑菌圈直径;制备0 g/L、0.05 g/L、0.1 g/L、0.15 g/L和0.2 g/L柠檬酸浓度的台氏液,测定鼠与兔的离体肠道收缩强度以及频率;以同样浓度柠檬酸溶液饲喂小鼠,14 d后测小鼠的体重变化、胃蛋白酶和胰蛋白酶活性以及空肠绒毛隐窝比。结果表明,不同浓度柠檬酸溶液均可抑制大肠杆菌和葡萄球菌的生长,柠檬酸浓度高的抑菌效果较好;与对照组相比,0.1 g/L柠檬酸浓度组小鼠体重增重最高,0.1 g/L和0.15 g/L柠檬酸溶液能极显著提高鼠与兔的肠道活动力(P<0.01),显著或极显著提高肠内容物胰蛋白酶活力(P<0.05或P<0.01),极显著提高空肠绒毛隐窝比(P<0.01)。综上所述,柠檬酸有一定的抑菌效果,可以通过促进肠道收缩、提高消化酶活力以及增加营养物质与小肠接触的面积以促进物质的消化吸收与机体生长。 相似文献
3.
基于自适应模糊神经网络的鱼类投喂预测方法研究 总被引:1,自引:0,他引:1
在集约化水产养殖中,鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题,以实现投喂量的精准预测为目的,提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象,选择水温和鱼的平均体重2个因素作为输入变量,利用混合学习方法,通过训练和学习获得最优模糊规则库,基于自适应神经网络模糊推理系统(adaptive network fuzzy inference system,ANFIS)建立投喂量预测模型,取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1,均远远小于原始模糊推理投喂量预测模型的指标值,其网络预测能力优于原始模糊推理预测模型。因此,该模型不仅可以在无监督条件下对鱼进行科学投喂,节省人力成本,而且能为合理的投喂提供技术支撑和理论支持。 相似文献
4.
在水产养殖中,鱼类的摄食强度可以反映其食欲,准确客观地评估鱼类的摄食强度对指导投喂和生产实践具有重要意义。针对当前鱼类摄食强度评估过程中存在的人工观测效率低、客观性不强的问题,本研究以实现鱼类食欲的自动客观分析为目的,提出了一种基于近红外机器视觉的游泳型鱼类摄食强度的评估方法。首先,利用近红外工业相机搭建了近红外图像采集系统,采集了鱼类摄食过程中的图像。经过一系列图像处理步骤后,利用灰度共生矩阵提取摄食图像的纹理特征变量信息,包括对比度、能量、相关性、逆差距和熵等。之后,将这5个特征变量作为输入向量构建了模型的数据集,并训练了支持向量机分类器。为了提高模型分类的准确率,利用网格搜索法选取支持向量机分类器的最优惩罚系数c和核函数参数g。最后利用训练好的模型将鱼类的摄食强度分为弱、一般、中和强4类,最终实现了鱼类摄食强度的评估。试验结果表明,图像纹理可以较好地描述鱼类摄食过程中的行为变化,正确识别4类摄食强度的准确率达到87.78%,且不需要考虑水花等对成像质量的影响,具有较强的适应性。本方法可用于鱼类食欲的自动客观评估,为后续投喂决策提供理论依据和方法支持。 相似文献
5.
6.
1