红花香椿单木及林分材积生长率模型研究

为解决红花香椿单木及林分材积生长率表缺乏的问题,通过收集样木、样地数据处理、备选模型求解、模型选优、模型优化等思路和过程,建立了红花香椿单木及林分材积生长率模型.经TOPSIS法模型选优显示,单木和林分材积生长率最佳模型均为P=a0D-a2t-a1;利用免疫进化算法(IEA)进一步优化了模型参数,提高了模型预估精度,并据此编制了红花香椿单木及林分材积生长率表.     

基于VGGNet网络的雾霾无人车防碰撞研究

针对雾霾天气下无人车行驶容易出现视野受限，导致防碰撞能力下降的问题，提出了一种基于VGGNet网络的深度卷积神经网络模型，通过反向传播算法不断调整模型的权重和偏置，对收集雾霾天气下的图像和相关数据进行处理，实现模型的训练和优化。实验结果表明，所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力，达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法，具有一定的参考价值和应用前景。     

苹果树腐烂病田间分布型及其抽样技术调查

采用空间分布型检验、聚集强度指标检验和线性回归方法研究了武威市凉州区苹果树腐烂病田间分布型及其抽样方法。结果表明,苹果树腐烂病田间分布型呈聚集分布,聚集程度受栽培环境影响较大。建立了其理论抽样模型。     

气候变化情景下流苏香竹潜在分布区预测

流苏香竹（Chimonocalamus fimbriatus）是云南特有珍稀竹种，主要分布于云南西南部。文章以野外调查获取的流苏香竹分布信息为主，运用最大熵模型（MaxEnt）同时结合地理信息系统（ArcGIS），基于19个气候因子，预测其在当前及未来气候变化情景下的潜在分布区。结果表明：当前流苏香竹的高适生区和中适生区主要分布于德宏州、保山市和临沧市等地，除迪庆州、丽江市和昭通市外，云南其他区域均有低适生区零星分布。在未来2050s和2070s的2个时间段，基于2种不同共享社会经济路径（SSP1-2.6和SSP5-8.5），流苏香竹的高适生区面积呈减少的趋势，尤其是SSP5-8.5路径下，高适生区面积仅为当前的12.51%（2050s）和18.63%（2070s）；中、低适生区在SSP1-2.6路径下，显著扩张（2050s）或略微扩张（2070s），在SSP5-8.5路径下，则大幅收缩。流苏香竹野外实际分布区及其潜在分布区均以斑块状为主，可能与云南特殊的地形、地貌有关。影响流苏香竹分布的主导气候因子为最湿月份降水量、最暖月份最高温度、最干季度降水量和平均气温日较差。流苏香竹对气候变化比较敏感，根据其野外分布状况，建议以就地保护为主、迁地保护为辅，在其潜在适生区内适当引种栽培。     

数值模型结构不确定性对模拟结果的影响分析

以内蒙古鄂托克旗为例,基于GMS中的MODFLOW模块构建了地下水流数值模拟模型,分析了模型结构(含水层厚度、参数分区)与模型参数不确定性因素对模拟结果的影响.研究结果表明:含水层不确定情景(含水层下边界概化为隔水底板平均值870 m)与实际情况水头差值绝对值的累计和最大为701 m,对模拟结果起了主控作用;当含水层下边界概化为910,940 m时,累计和分别增加为1 013,1 593 m;与仅考虑单个不确定性因素相比,同时考虑模型参数与含水层不确定情景累计和最大为738 m,同时考虑参数分区与含水层不确定情景累计和最大为791 m.因此,在构建地下水流数值模拟模型时,应优先考虑含水层空间结构概化的合理程度,同时考虑多个不确定性因素对模拟结果的综合影响,使地下水数值模拟模型能更精确地反映真实的地下水流状况.     

基于MOA模型的社区居民参与反恐程度及影响因素研究——以新疆乌鲁木齐市为例

基于对乌鲁木齐市典型社区的实地调研,借用公民参与阶梯理论和三维空间分析法,分析社区反恐居民参与度情况,建立MOA模型,对影响居民参与社区反恐的影响因素作出假设,并运用结构方程模型对假设进行分析与验证。结果表明,参与动机、参与能力与参与机会均对社区反恐居民参与度具有显著的正向影响,其中参与动机在社区反恐居民参与的MOA模型中处于重要地位,社区反恐居民参与机会和能力还间接通过参与动机来对居民的参与度产生影响,社区反恐居民参与的动机也间接影响居民参与度。可以通过宣传培训、物质支持提升社区居民的参与能力;落实奖励政策和保障机制引导居民主动参与,提高积极性;拓宽社区居民参与社区反恐的渠道,创造丰富的参与机会等提高社区反恐居民的参与度,以群众为基础力量,打好反恐维稳攻坚战。     

王正非林火蔓延模型改进研究

王正非林火蔓延模型是目前国内比较先进的森林火灾蔓延模型,但是由于林火行为的复杂性,此模型在准确率和普适性方面仍存在许多不足。本文结合已有的成果进一步改进王正非模型,增加了可燃物湿度对林火蔓延速度的影响,改进了林火初始速度的计算方式。针对各种坡度对林火蔓延行为的影响给出了一个计算公式。与改进前相比,改进后的模型使其对林火蔓延情况的预估更为精准。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。