为明确宽幅精播条件下冬小麦高产高效的适宜施氮量,于2020—2022年在山东省兖州小麦试验站进行田间试验,供试品种为济麦22。在宽幅精播条件下,设置5个处理,分别为不施氮(N0)、施氮150 kg hm^(-2)(N1)、180 kg hm^(-2)(N2)、210 kg hm^(-...
详细信息
为明确宽幅精播条件下冬小麦高产高效的适宜施氮量,于2020—2022年在山东省兖州小麦试验站进行田间试验,供试品种为济麦22。在宽幅精播条件下,设置5个处理,分别为不施氮(N0)、施氮150 kg hm^(-2)(N1)、180 kg hm^(-2)(N2)、210 kg hm^(-2)(N3)、240 kg hm^(-2)(N4),研究施氮量对冬小麦耗水特性、旗叶衰老特性、荧光特性和籽粒产量的影响。结果表明,N2处理显著增加了60~120 cm土层土壤水分的吸收利用,与N3和N4处理相比,N2处理有效减少了开花前无效分蘖的水分消耗,降低了总耗水量。N2处理开花后日耗水量高,显著增加了旗叶抗氧化酶活性,其开花后14~28 d旗叶荧光参数显著高于其他处理。N2和N3处理籽粒产量和水分利用效率显著高于其他处理,但N2处理氮肥农学效率最高,较N1、N3、N4处理分别高6.88%、10.60%、45.37%(2020—2021年)和7.03%、13.56%、43.71%(2021—2022年)。综上所述,施氮180 kg hm^(-2)处理可提高冬小麦对深层土壤水分的吸收利用,增加开花至成熟期阶段耗水量,延缓旗叶衰老,提高籽粒产量与水氮利用效率,是本试验条件下的最优处理。
为了检验基于干湿期的天气发生器(Weather Generator based on Dry and Wet Spells,WGDWS)在中国不同气候区的应用效果,该研究利用中国五大主要气候区16个站点57a的逐日天气数据,通过对比生成与实测气象要素统计值,及比较WGDWS与随机天...
详细信息
为了检验基于干湿期的天气发生器(Weather Generator based on Dry and Wet Spells,WGDWS)在中国不同气候区的应用效果,该研究利用中国五大主要气候区16个站点57a的逐日天气数据,通过对比生成与实测气象要素统计值,及比较WGDWS与随机天气模拟器(Daily Weather Stochastic Simulator,DWSS)生成的气象要素统计值,测试WGDWS的可用性和准确性。显著性检验表明,WGDWS产生的每个气象要素的月值和干湿期长度与实测值相比没有显著差异。月最高、最低气温绝对误差≤0.5℃的站点比例分别达93.8%和96.4%,月降水日数绝对误差≤1d的站点比例达95.8%,月降水量绝对误差有91.7%的站点在10mm之内,月太阳总辐射绝对误差2MJ/m^(2)以内的站点比例达90.1%;月最长干期、最长湿期、平均干期、平均湿期的平均绝对误差分别为4.16、0.76、1.00、0.15d。WGDWS在温带季风和亚热带季风气候下的干湿期模拟效果优于温带大陆气候和热带季风气候。比较WGDWS和DWSS生成的逐日模拟序列的误差分布,月最高气温、月最低气温和月总太阳辐射的误差分布高度一致。WGDWS对月降水日数的模拟效果优于DWSS,即等概率条件下,WGDWS相对误差更小,而DWSS对月降水量的模拟效果优于WGDWS。因此,WGDWS能够准确反映长期干旱或长期阴雨天气的实际情况,可用于生成长序列逐日天气数据,以满足气候模型、水分模型和作物生理模型的需求。
农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点,加之农田环境光照多变、背景复杂,导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标,以蜜蜂识别为例,提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难,实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度,将已标注的目标分配到拆分后的子图中,形成新的数据集,然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中,为使子图识别结果能正常还原,拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果,采用非极大抑制(Non-Maximum Suppression,NMS)去除由于模型本身产生的冗余框,提出一种交小比非极大抑制(Intersection over Small NMS,IOS-NMS)进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700,子图重叠率分别为0.2和0.05的情况下进行验证试验,结果表明:采用SSD(Single Shot MultiBox Detector)作为框架中的目标检测模型,新提出的尺度自适应算法的召回率和精度普遍高于SSD模型,最高分别提高了3.8%和2.6%,较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性,从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像,并采用本算法和SSD模型进行了对比测试,结果表明:本算法能提高目标识别性能,具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理,时效性不高,不适用于边缘计算。
暂无评论