准确评估农田土壤全氮含量变化是有效制定农业管理措施的基础。选择太湖地区37个县(市、区)2.32 M hm2水稻土为研究对象,以1982年第二次土壤普查的1096个和2000年“973”项目的1393个表层样点建立1︰5万高精度土壤数据库为基础,定量化...
详细信息
准确评估农田土壤全氮含量变化是有效制定农业管理措施的基础。选择太湖地区37个县(市、区)2.32 M hm2水稻土为研究对象,以1982年第二次土壤普查的1096个和2000年“973”项目的1393个表层样点建立1︰5万高精度土壤数据库为基础,定量化该地区近20年来水稻土全氮含量的动态变化。结果表明:1982—2000年太湖地区水稻土全氮含量上升了0.21 g·kg^-1,氮素富集效应明显。其中,脱潜型水稻土全氮含量上升最多,增幅达17.0%,而潜育型水稻土有所下降,降幅为26.2%。从不同土区来看,低山丘陵土区全氮含量上升最多,增幅达31.8%,而太湖平原土区变化幅度最小,增幅仅为9.8%。从不同行政区来看,安吉县、长兴县、川沙县、闵行区、余杭县和崇明县全氮含量增长幅度均超过40%,而吴县、青浦县、嘉善县和丹阳县均有所下降。总体来看,太湖地区水稻土全氮含量空间动态变化差异很大,今后根据不同土壤类型、土区和行政区氮素富集程度适当减少氮肥施用量,以防止氮素流失造成的水体富营养化风险是十分必要的。
基于支持度置信度框架的关联分类算法在生成规则时难以提出大量高质量规则,而且在一些数据集尤其是不平衡数据集上,部分训练实例未被产生的关联规则所覆盖,导致算法的分类准确率不高.基于以上问题提出了改进的关联分类的算法(Improved Algorithm based on Multiple learning and Correlation degree,IAMC).首先,在提取规则时,IAMC对训练集进行多次关联分类学习,尽量多地提出高质量的规则.其次,在生成规则时采用综合考虑了置信度,补类支持度的新度量关联度,以提高生成的规则的质量.最后,在关联分类规则提取后,对利用已有规则无法判断类别的和未被已有规则覆盖的训练实例用决策树方法再次提取规则,并加入到规则集中.实验结果表明,IAMC算法能提出更多高质量的规则,在多个UCI数据集上具有较高的分类准确率。
利用电子健康档案中时间序列数据建立的预测模型在改善疾病管理方面发挥着重要作用。由于时态数据的序列相关性和特征空间维度大等特点,机器学习和非深度神经网络等传统方法难以提供疾病的准确预测。最新工作表明,长短时记忆(long short term memory, LSTM)神经网络性能优于大多数传统的疾病预测方法。为了进一步提高预测精度,本文提出了一种将卷积神经网络(convolutional neural network, CNN)与LSTM相结合的混合深度学习神经网络框架。使用电子健康档案中真实数据集的研究结果表明,相比传统SVM,CNN和LSTM模型,该算法的预测性能得到显著提高。
暂无评论