检索结果-南通市图书馆

减施氮肥和接种根瘤菌对大豆生理生长与氮素利用效率及产量的影响

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第3期55卷 340-351页

作者：向友珍张威唐子竣付骏宇李志军张富仓西北农林科技大学旱区农业水土工程教育部重点实验室陕西杨凌712100 西北农林科技大学旱区节水农业研究院陕西杨凌712100

在干旱、半干旱地区农业生产中,广泛采用接种根瘤菌、施用氮素等措施来促进大豆生长以提高产量,然而少有研究讨论接种根瘤菌与施用氮素的交互作用对大豆生长和产量的影响规律。本研究通过为期2年的田间试验,设置4个施氮水平(N0:0 kg/hm^... 详细信息

在干旱、半干旱地区农业生产中,广泛采用接种根瘤菌、施用氮素等措施来促进大豆生长以提高产量,然而少有研究讨论接种根瘤菌与施用氮素的交互作用对大豆生长和产量的影响规律。本研究通过为期2年的田间试验,设置4个施氮水平(N0:0 kg/hm^(2);N1:60 kg/hm^(2);N2:120 kg/hm^(2);N3:180 kg/hm^(2))和2种接种水平,即接种根瘤菌(R)和清水拌种。在大豆各生育期测量根瘤数、根瘤干质量、叶面积指数、干物质积累及根系特性等大豆生长指标和叶绿素含量、光合参数、荧光参数等生理指标,同时还测定氮素吸收量等指标并计算氮素利用效率。结果表明,RN2处理下的大豆生长状况最佳,2年平均最大根瘤数为241.47、最大根瘤干质量为1.30 g、最大根长密度为15.00 cm/cm^(3)、最大叶面积指数为5.44 cm^(2)/cm^(2)、最大干物质积累量为17 530.51 kg/hm^(2)、最大叶绿素含量为53.55、最大净光合速率为32.75μmol/(m^(2)·s)、最大种子产量为4 659.4 kg/hm^(2)。由此可见减少氮肥施用量(N2)的同时接种根瘤菌(R)对于促进关中平原大豆的生理生长、提升对氮素的利用效率、提高大豆产量具有重要意义。本研究可为提高干旱半干旱地区大豆生产水平提供理论支持和实践经验。

关键词：大豆施氮接种根瘤菌氮肥利用效率产量

维普期刊数据库博看期刊

基于知识蒸馏和轻量级卷积神经网络的植物叶病识别研究

在线全文

学校读者我要写书评

暂无评论

南京农业大学学报 2024年

作者：周罕觅陈佳庚代智光马林爽秦龙李纪琛苏裕民向友珍西北农林科技大学旱区农业水土工程教育部重点实验室河南科技大学农业装备工程学院

[目的]快速、准确识别植物病害并及时防护是保障作物产量的重要措施。针对现有植物病害识别方法模型参数大、田间复杂背景下识别准确率低的问题，本研究提出一种基于改进ShuffleNetV2的轻量化植物叶病识别模型LWCR-Net（Lightweight Cro... 详细信息

[目的]快速、准确识别植物病害并及时防护是保障作物产量的重要措施。针对现有植物病害识别方法模型参数大、田间复杂背景下识别准确率低的问题，本研究提出一种基于改进ShuffleNetV2的轻量化植物叶病识别模型LWCR-Net（Lightweight Crop Recognition Network）。[方法]首先，在基本特征提取模块中引入残差连接，解决梯度消失问题，使模型能够学习到更复杂的特征表示；然后，引入了CBAM（Convolutional Block Attention Module）注意力机制模块，以增强特征提取和模型利用能力；最后，采用DenseNet121作为教师模型，LWCR-Net作为学生模型，并利用知识蒸馏策略对模型进行训练，以进一步提升模型性能。[结果]试验结果表明，轻量化植物叶病识别模型LWCR-Net的模型大小为2.44 MB；F1值和准确率分别为95.49%和96.16%，较原模型提高了4.89%和3.96%。与DenseNet121、ResNet34、MobileNetV3等其他经典网络对比，LWCR-Net模型不仅达到了较高的识别准确率，且模型参数量较少。[结论]该研究提出的LWCR-Net模型能够实现在田间复杂背景下对植物叶病的准确识别，且模型所需内存较小，方便部署到移动端，为植物叶病智能诊断提供参考。

关键词：复杂背景植物 ShuffleNetV2 残差连接 CBAM注意力机制知识蒸馏

融合无人机光谱信息与纹理特征的大豆土壤含水率估测模型研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2024年

作者：李志军陈国夫支佳伟向友珍李冬梅张富仓陈俊英西北农林科技大学旱区农业水土工程教育部重点实验室西北农林科技大学风景园林艺术学院

及时获取大田作物根区土壤含水率（Soilmoisturecontent，SMC）对于实现精准灌溉至关重要。本研究采用无人机多光谱技术，通过连续2年（2021—2022年）田间试验，采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像，建... 详细信息

及时获取大田作物根区土壤含水率（Soilmoisturecontent，SMC）对于实现精准灌溉至关重要。本研究采用无人机多光谱技术，通过连续2年（2021—2022年）田间试验，采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像，建立了与作物参数具有较强相关性的植被指数及冠层纹理特征。通过分析植被指数和纹理特征与各深度土层SMC的相关性，分别筛选出与各深度土层SMC相关系数达显著相关的参数（P<0.05）作为模型的输入变量（组合1：植被指数；组合2：纹理特征；组合3：植被指数结合纹理特征），分别利用支持向量机（Supportvectormachine，SVM）、梯度提升模型（Extremegradientboosting，XGBoost）和梯度提升决策树（Gradientboostingdecisiontree，GDBT）对各深度土层SMC进行建模。结果表明，与20～40cm和40～60cm土壤深度相比，植被指数和纹理特征在0～20cm土壤深度中与SMC表现出更高的相关性。XGBoost模型为SMC 估算的最佳建模方法，特别是对于 0～20 cm 土壤深度。该深度估计模型验证集决定系数为0.881、均方根误差为0.7%和平均相对误差为3.758%。本研究结果为大豆根区SMC无人机多光谱监测提供了基础，为水分胁迫条件下作物生长的快速评估提供了参考。

关键词：大豆无人机多光谱土壤含水率植被指数纹理特征

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于轻量级残差网络的苹果叶病识别

福建农业学报 2024年第1期39卷 83-92页

作者：周罕觅陈佳庚代智光牛晓丽秦龙向友珍赵龙河南科技大学农业装备工程学院河南洛阳471003 西北农林科技大学旱区农业水土工程教育部重点实验室陕西杨凌712100

【目的】解决卷积神经网络在复杂环境下识别率低、模型参数多等问题,为苹果叶病智能识别提供参考。【方法】本研究提出一种基于改进ResNet18的苹果叶病识别模型。首先,通过离线增强和在线增强两种方式解决数据不平衡和数据过拟合现象,... 详细信息

【目的】解决卷积神经网络在复杂环境下识别率低、模型参数多等问题,为苹果叶病智能识别提供参考。【方法】本研究提出一种基于改进ResNet18的苹果叶病识别模型。首先,通过离线增强和在线增强两种方式解决数据不平衡和数据过拟合现象,增强模型的泛化能力;其次,引入缩放因子调整通道参数以减少网络参数量,并在下采样残差结构的恒等映射中用最大池化层代替1×1卷积完成下采样,去除图片中的冗余特征,增大模型的感受野;将ResNet18模型的第一层7×7卷积层替换为多尺度特征提取模块,提高模型对细小病斑的提取能力;最后,在特征提取网络中插入DenseBlock模块,加强模型对浅层有效特征的重用。【结果】改进后的ResNet18模型准确率为97.94%,比原模型高出0.88个百分点;模型大小为3.97MB,比原模型减小90.77%。与ShuffleNetv2、MobileNetv3、EfficientNet等轻量化模型和Inceptionv2、DenseNet、ResNet等经典模型相比,该模型拥有更好的性能。【结论】改进后的模型在复杂环境下能够准确识别苹果叶病,并且具有较少的模型参数,方便移植到移动设备上,为苹果叶病的智能诊断提供参考。

关键词： ResNet18模型多尺度特征提取最大池化层 DenseBlock模块

交叉学科研究生教学改革探索——以气象水文学为例

在线全文

学校读者我要写书评

暂无评论

创新创业理论研究与实践 2024年第9期7卷 43-45页

作者：宋小燕向友珍时鹏康艳巨娟丽张妍西北农林科技大学水利与建筑工程学院西安理工大学水利水电学院西北大学城市与环境学院

该文在分析国内外气象水文学教学内容的基础上，结合学科交叉在水利工程相关专业研究生培养过程中的实际，以课程目标辅助专业培养目标为思路，将前沿最新成果引入课程体系，探讨适合该课程的教学手段和方法，实现多种教学方法相融合、... 详细信息

该文在分析国内外气象水文学教学内容的基础上，结合学科交叉在水利工程相关专业研究生培养过程中的实际，以课程目标辅助专业培养目标为思路，将前沿最新成果引入课程体系，探讨适合该课程的教学手段和方法，实现多种教学方法相融合、多种教学手段相匹配的教育改革方式；鼓励不同学科教师组成教学团队进行课程建设，以期培养出具有扎实基础理论知识和较强创新能力的气象水文领域科研和技术人才。

关键词：交叉学科高等学校研究生教育教学改革水文水资源气象水文

基于无人机多光谱遥感的冬油菜地上部生物量估算

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2023年第8期54卷 218-229页

作者：王晗向友珍李汪洋史鸿棹王辛赵笑西北农林科技大学水利与建筑工程学院陕西杨凌712100 西北农林科技大学旱区农业水土工程教育部重点实验室陕西杨凌712100

地上部生物量(Above-ground biomass,AGB)是判断作物生长发育的重要指标,对作物不同生长阶段地上部生物量进行快速、准确、无损遥感监测对精准农业生产具有重要意义。本文在西北关中地区开展田间试验,以不同水氮处理下冬油菜为研究对象... 详细信息

地上部生物量(Above-ground biomass,AGB)是判断作物生长发育的重要指标,对作物不同生长阶段地上部生物量进行快速、准确、无损遥感监测对精准农业生产具有重要意义。本文在西北关中地区开展田间试验,以不同水氮处理下冬油菜为研究对象,通过对其生理生长指标以及产量进行分析,确定I2N3(越冬期和蕾薹期补灌,施氮量为280 kg/hm~2)处理为该地适宜的水氮管理策略。使用无人机获取冬油菜营养生长期和生殖生长期多光谱图像,采用阈值法对多光谱图像中的阴影和土壤背景进行掩膜处理,提取各波段反射率,构建植被指数。将冬油菜地上部生物量实测数据与21个光谱变量进行相关性分析,筛选出各生长阶段相关系数绝对值排名前8个光谱变量作为输入量,通过随机森林(RF)、支持向量机(SVM)、遗传算法优化支持向量机(GA-SVM)和粒子群优化支持向量机(PSO-SVM)构建不同生长阶段冬油菜地上部生物量估算模型,确定最佳估算模型。结果表明,全生长阶段和生殖生长阶段红光波段反射率显著性最强且稳定,相关系数分别达到0.835和0.754;PSO-SVM模型更适合用于反演关中地区冬油菜不同生长时期的AGB,其在全生长时期、营养生长时期和生殖生长时期的验证集R~2分别为0.866、0.962和0.789,模拟所用时间分别为1.299、0.859、0.666 s。

关键词：冬油菜无人机多光谱机器学习模型地上部生物量

基于无人机多光谱遥感的大豆生长参数和产量估算

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第8期54卷 230-239页

作者：向友珍安嘉琪赵笑金琳李志军张富仓西北农林科技大学旱区农业水土工程教育部重点实验室陕西杨凌712100 西北农林科技大学水利与建筑工程学院陕西杨凌712100 西北农林科技大学综合素质教育学院陕西杨凌712100

为适应现代农业发展对作物生长动态、连续、快速监测的要求,本文基于无人机多光谱遥感技术,以西北地区大豆作为研究对象,分别筛选出与大豆叶面积指数(Leaf area index,LAI)、地上部生物量和产量相关性较好的5个植被指数,采用支持向量机(... 详细信息

为适应现代农业发展对作物生长动态、连续、快速监测的要求,本文基于无人机多光谱遥感技术,以西北地区大豆作为研究对象,分别筛选出与大豆叶面积指数(Leaf area index,LAI)、地上部生物量和产量相关性较好的5个植被指数,采用支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)和反向神经网络(Back propagation neural network,BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型,并对模型进行了验证。结果表明,基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型,LAI估计模型验证集的R~2为0.801,RMSE为0.675 m~2/m~2,MRE为18.684%;地上部生物量估算模型验证集的R~2为0.745,RMSE为1548.140 kg/hm~2,MRE为18.770。而在产量的估算模型构建中,在大豆开花期(R4)基于RF模型构建的大豆产量预测模型的精度最高,验证集的R~2为0.818,RMSE为287.539 kg/hm~2,MRE为7.128。本研究结果可以为无人机多光谱遥感在作物监测方面的应用提供理论依据,为作物产量的快速估算提供应用参考。

关键词：大豆多光谱植被指数叶面积指数地上部生物量产量

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第8期54卷 201-210页

作者：向友珍李汪洋台翔安嘉琪王辛陈俊英西北农林科技大学旱区农业水土工程教育部重点实验室陕西杨凌712100 西北农林科技大学水利与建筑工程学院陕西杨凌712100

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0~20 cm的土壤含盐量,并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利... 详细信息

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0~20 cm的土壤含盐量,并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类(土壤背景和植被冠层),基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征,采用支持向量机(SVM)和极限学习机(ELM)构建土壤含盐量监测模型,其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4),通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明:策略3、4所计算出的土壤含盐量反演精度高于策略1、2,策略1~4验证集决定系数R_(v)^(2)分别为0.614、0.640、0.657、0.681,因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4,图像纹理特征+植被指数受到土壤背景的影响,策略4精度低于策略3精度,其R_(v)^(2)分别为0.614、0.657;各变量处理的最优模型均为ELM模型,建模集R_(v)^(2)分别为0.625、0.644、0.618、0.683,标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。

关键词：土壤含盐量无人机遥感多光谱图像纹理特征植被指数全子集筛选

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第9期54卷 329-342页

作者：向友珍王辛安嘉琪唐子竣李汪洋史鸿棹西北农林科技大学旱区农业水土工程教育部重点实验室陕西杨凌712100 西北农林科技大学水利与建筑工程学院陕西杨凌712100

高光谱遥感技术可对作物生长状况进行无损、高效地监测,是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象,对原始开花期大豆高光谱反射率数据进行0~2阶微分变换处... 详细信息

高光谱遥感技术可对作物生长状况进行无损、高效地监测,是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象,对原始开花期大豆高光谱反射率数据进行0~2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明:0~2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率,分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性;相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为:TVI(687 nm, 754 nm)、DI(687 nm, 754 nm)、SAVI(728 nm, 738 nm)、RI(687 nm, 744 nm)、NDVI(620 nm, 653 nm),其余各阶最优光谱指数组合对应波段也集中分布于红边波段(680~760 nm);随着微分阶数提高,光谱指数与大豆LAI的相关性和构建的预测模型的精度均呈先升后降的趋势;当输入变量相同时,RF为3种机器学习模型中的最佳建模方法。经过综合比较,以1.5阶微分处理得到的最优光谱指数组合作为输入数据,基于RF构建的大豆LAI预测模型取得了最高的精度,验证集的决定系数R~2为0.880,均方根误差(RMSE)为0.320 0 cm~2/cm~2,标准均方根误差(NRMSE)为10.354%,平均相对误差(MRE)为9.572%。研究结果可为提高大豆LAI高光谱反演精度与指导精准农业生产提供理论参考。

关键词：大豆叶面积指数高光谱分数阶微分最优光谱指数