作为一种土壤改良材料,保水剂能够有效提高土壤的保水能力,改善干旱和恶劣环境下的植物生长环境,已广泛应用于农业和生态恢复领域。该研究聚焦于不同温度和冷冻条件下保水剂的吸持水性能变化,探究不同温度、冷冻方法、成分、粒径对保水剂吸持水性能的影响,通过单因素、多因素方差分析和熵权逼近理想点排序法(technique for order preference by similarity to ideal solution, TOPSIS)法,对10种保水剂的吸持水性能进行分析和研究。结果表明:1)这10种保水剂在吸水倍率方面呈现出极大的差异,为167.99~527.5 g/g,这与保水剂的主要成分密切相关,主要成分为高分子聚合物的保水剂吸水倍率较高,保水剂的主要成分对其保水性能也有显著的影响,多数复合型的保水剂在保水性能上较优;2)保水剂的吸水速率受粒径的影响较大,呈现出随粒径的增大而下降的趋势,低温会限制保水剂的吸水速率,同时,显著影响保水剂的保水性能,保水率随环境温度的上升,呈现增加趋势;3)多因素方差分析表明,保水剂的粒径对反复吸水倍率的衰减率和冷冻/冻融后的吸水倍率具有极显著影响(P <0.001),而冷冻/冻融过程同样会显著影响保水剂的吸水倍率和保水率(P <0.001)。4)通过熵权TOPSIS法分析可知,不同保水剂,在吸水、保水和耐寒性能上表现不一,以聚丙烯酸钾为主要成分的保水剂,其综合性能排序相对靠前。研究可为保水剂的应用和新型保水剂的开发提供理论依据和参考。
针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin ...
详细信息
针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。
暂无评论