油菜角果叶绿素含量传感检测技术在农业信息化中的应用研究

该文研究油菜叶绿素含量传感检测技术在农业信息化中的应用,探讨其在作物生长监测、营养管理与施肥优化、病虫害预测与防控等方面的重要性。通过分析突出该技术在提高农业生产效率、实现资源精细管理方面的广泛应用。最后,该文也讨论该技术面临的测量误差与精度问题、传感器的稳定性与耐久性等挑战,期望通过不断深化研究,该技术能够更好地服务于现代农业的可持续发展与智能化管理。

图像处理用于设施园艺管理系统的实践分析

以设施园艺管理系统精准化控制为研究对象,基于图像采集与分析处理技术对作物的生长状态进行感知,获取作物植株的特征参数,作为管理系统精准化控制输入参数。实践表明:采用这种方式能够有效提高作物生长过程的控制精度,提高过程管理的精准化控制水平。

基于机器学习的油菜叶片水分含量高光谱估测

含水率是影响光合作用的重要因素之一,为了构建效果更好、更具普适性的油菜叶片含水量(leaf water content,LWC)定量监测模型,以蕾薹期、初花期油菜叶片为研究对象,采用自然风干法去除叶片水分,同步采集叶片质量和光谱信息。为了降低干扰以及消除噪声,采用标准正态变量变换、Savitzky-Golay卷积平滑算法(SG平滑)、多元散射校正、一阶求导和二阶求导5种方法对光谱数据进行预处理,并结合偏最小二乘法(partial least squares,PLS)分析选取最优预处理方法;采用连续投影算法(successive projections algorithm,SPA)筛选预处理后的光谱特征变量,获得对水分含量变化敏感的特征波长;利用支持向量机(support vector regression,SVR)和BP神经网络(back-propagation neural network,BPNN)方法,以特征波长建立的光谱指数为自变量建立油菜叶片水分含量估算模型。结果表明:采用多元散射校正预处理综合表现最好,2个生育期预测集相关系数均达到0.71以上;通过SPA法选择特征变量,分别筛选出特征波长,其中蕾薹期6个,初花期7个;在蕾薹期和初花期叶片水分含量预测模型中,基于SVR模型和BPNN模型建立的模型预测集决定系数(R^(2))均在0.800以上,均能实现油菜叶片水分含量的精准监测,其中SVR模型预测效果优于BPNN模型,R^(2)分别为0.857和0.827,RMSE分别为1.791和1.521。因此,利用油菜叶片高光谱建模反演油菜叶片含水率能准确监测油菜叶片含水率,可为精准农业水分管理提供理论参考。

3种生物炭的表征及其在烤烟生产上的效应

对浅炭化稻壳炭、深炭化稻壳炭和烟梗炭等3种生物炭进行了表征,以湘烟7号为材料,以施加等量(1 t/hm^(2))浅炭化稻壳炭、深炭化稻壳炭和烟梗炭为处理组,不施加生物炭为对照组,进行田间试验,测定土壤的理化性质、烟株的农艺性状及烤后烟叶的理化性质。结果表明,深炭化稻壳炭表面孔隙最多,比表面积最大;与对照组相比,烟梗炭处理土壤的pH提升了14.37%,浅炭化稻壳炭处理的碱解氮含量提升了20.31%。浅炭化稻壳炭处理的烟株株高、茎围和最大叶叶面积较对照组分别提高了34.92%、18.60%、24.92%;浅炭化稻壳炭、烟梗炭和深炭化稻壳炭处理的氮积累量较对照组分别提高了56.70%、26.27%和41.49%;浅炭化稻壳炭处理的烤后烟叶上部叶的含梗率较对照组降低了22.91%,下部叶的开片率较对照组高17.97%,且各化学成分含量在优质烟叶化学成分含量范围内。施用浅炭化稻壳炭对烟田土壤理化性质的改良、烟株的养分积累、烤烟生长和品质的提升效果较好。

基于参数L-系统的油菜花朵与花序生长可视化研究

为奠定油菜品种株型设计仿真基础,应用参数L-系统的原理,提出了甘蓝型油菜花朵和花序可视化生长的L-系统模型框架。通过对田间试验测量数据统计分析和归一化处理,用Sigmoid5参数函数拟合花轴节间长度和直径的生长,用Weibull4参数函数拟合花柄长度、直径的生长。采用L-系统和预定义Bezier曲面建模方法构建油菜花朵仿真模型。根据Bezier曲面的算法,构建了油菜花朵花瓣和萼片及其曲面模型。最后以L-Studio4.0为平台、结合VC++实现油菜花朵和花序的可视化生长模拟。结果表明,该方法可以真实生成油菜花朵和花序,真实感基本达到要求。

甘蓝型冬油菜(Brassica napus)干物质积累、分配与转移的特性研究

采用不同的模型 ,定量地研究了不同播期不同基因型油菜干物质积累、分配与转移规律。结果表明 :油菜总干物质积累动态可拟合成 L ogistic模型。油菜根、茎枝、叶干物质分配呈现出多项式函数的变化规律 ,角果干物质分配表现为 L ogistic曲线的变化特征。晚播油菜干物质冬前优先分配给叶 ,角果发育成熟期优先分配给角果并主要给籽粒 ,且收获指数较大 ,但其总干物质积累低 ,因而经济产量低。早播油菜前期具有较大的干物质积累优势 ,后期具有较高的表观输出率和较大的日积累量 ,这种表现主要受播种期的影响 。

基于Web的油菜生产专家系统施肥知识表示

油菜施肥决策是油菜生产中的关键栽培管理技术之一 ,因而成为油菜专家系统的重要组成部分 .配方施肥采用精量或半精量的先进科学施肥替代耕种者个人的经验施肥 ,在减少环境污染和提高肥料效益等方面意义重大 .由于配方施肥涉及描述性知识、关联性知识和计算性知识 ,因此在专家系统的知识表达中具有一定的综合性与复杂性 .在分析油菜需肥特性的基础上 ,提出了专家系统施肥决策应考虑的主要因素 ,阐述了油菜配方施肥技术 ,论述了 Web油菜生产专家系统配方施肥知识表示、算法和知识规则 .该配方施肥知识表示在作物专家系统中具有一定的通用性 .

不同播期对不同基因型油菜产量特性的影响

研究了 3个不同基因型油菜品种的产量与产量构成因素的特征及其与光温条件的生态关系 ,探讨了长江中游油菜区多熟种植条件下提高油菜单产的可行途径 .结果表明 ,因播种期不同而导致油菜生育期间光温条件的不同 ,使各播期产量及产量构成因素产生了较大的差异 .油菜单株角果数、角果皮指数、主茎产量、分枝产量均与积温和日照时数呈极显著正相关 ,而千粒重和SNPA与之无关 .播种期对油菜产量的影响主要是通过影响分枝产生及其产量形成而实现的 .因此多熟制油菜的播种期可适当提早 ,10月 2 0日以后播种的油菜 ,其种植密度可增加至 3 75× 10 5～ 4 5× 10 5株·hm-2 ,以主茎弥补分枝小而少的不足 ,实现油菜单产的提高 .

“两端两网”扁平化农业农村信息服务模式探索

针对城乡数字化鸿沟和现有多层管理服务体系不能很好地为"三农"提供一体化和一站式的信息服务等问题,提出了"两端两网"扁平化农业农村信息服务模式。从渠道扁平化、网络一体化、资源共享化、服务高效化、传递及时化和机制务实化等方面,分析了"两端两网"的特征。从省级公共服务平台、基层信息服务公共终端和个人终端、宽带网络、服务队伍人员网络、资源整合、机制保障等方面,阐述了"两端两网"扁平化服务框架。

湘油13号高产栽培综合农艺措施优化分析

以栽培密度、基肥、苗肥、腊肥、薹肥等为参试因子 ,采用五元二次回归正交旋转组合设计 ,对双低优质油菜湘油 1 3号高产栽培综合农艺措施进行了研究 .结果表明 :(1 )各因子对产量增减作用的大小依次为腊肥、苗肥、基肥、薹肥、密度 ;平均变幅值大小依次为 ,基肥、腊肥、苗肥、密度、薹肥 .(2 )经计算机模拟寻优 ,在高产优化农艺方案中 ,每公顷栽培密度要求 1 8～ 2 2 .5万株 ,基肥要求 30 0～ 45 0 kg,腊肥要求 6 0～ 75 kg,占总追肥的 6 0 %左右 ,为苗肥的 2倍 ,薹肥的 3倍多 ,目标产量要求愈高 ,优化方案中要求的薹肥量就愈少 .(3)因子交互作用分析显示 ,高密度低肥料和高肥料低密度均能获得高产 。

作物知识模型构建方法的研究

为了提高作物研究领域专家系统知识的数量与质量,在分析知识模型研究现状的基础上,结合作物的生育特点,提出了作物知识模型建立的基本依据是作物生育时间和农艺技术措施,并依此建立由浅知识模型和深知识模型所组成的油菜三维知识模型.同时对该知识模型的知识表示和模糊推理进行了描述.该知识模型具有一定的通用性.

湘农油571生长发育及产量形成与播种期关系的模拟分析

为更好地推广应用双低高产油菜新品种 ,对湘农油 5 71生长发育和产量形成与播种期关系进行了研究 .结果表明 :因不同播种期而形成的不同气候生态条件使油菜各生育期、形态与产量性状等产生了较大的差异 .各生育期与积温呈正相关 ,与日均气温呈负相关 ,多数生育期与日照时数无关 ;而油菜形态与产量性状均与生育期呈极显著正相关 .播种越早 ,则主茎叶片数、叶面积指数、株高、分枝数、角果数和产量均越高 .依据 L ogistic生长方程所建立的播种期模型和积温模型能真实地模拟不同播种期或不同积温条件下油菜形态性状和产量性状 ,检验结果表明模型具有一定的可靠性 .在条件适宜地区 ,将湘农油 5 71或同类型油菜品种的播种期提早在 9月 15日以前 ,可望获得 3 0 0 0 kg/ hm2

作物生长模拟模型技术

综合评述了作物生长计算机模拟模型的结构、建模技术及有待探讨的技术问题．模拟模型一般包括数学模型和知识模型．数学模型技术的重点在生育期模型、干物质生产与分配模型及作物形态模型等方面；知识模型是应用人工智能知识工程的技术方法而建立的．人工智能技术将是今后作物模拟研究的一种主要手段．

油菜生产专家系统知识库构建

采用“浏览器 / Web服务器 /数据库系统”三层网络结构模型 ,遵循 COM/ DCOM/ COM+技术规范 ,利用软构件技术和专家系统技术 ,将我国著名油菜专家官春云院士的理论知识、技术体系、研究成果和经验常知进行智能化集成 ,形成了油菜生产专家系统。该系统在智能决策方面不仅可用于一般油菜知识信息查询 ,而且可提供油菜播前农艺措施优化、发芽出苗期管理、苗期管理、蕾薹期管理、开花期管理、角果期管理、油菜病虫草害诊断与防治、田间诊断和油菜产后加工等决策 ,并可进行可视化模拟分析、油菜产量预测及经济效益分析等。

基于改进YOLOv7的油菜害虫识别研究

油菜害虫的精准识别是智慧油菜的重要一环。为解决当前研究中存在的油菜害虫识别准确率低、模型复杂度高等问题,采用基于改进的YOLOv7-CE算法进行油菜害虫识别。以YOLOv7作为基础模型,在头部层添加用于实时语义分割的通道式特征金字塔(Channel-wise Feature Pyramid for Real-Time Semantic Segmentation,CFPNet),在提升模型推理速度和识别精度的前提下减少了模型参数量和尺寸;在骨干网络层添加深度卷积神经网络的有效通道注意(Efficient Channel Attention for Deep Convolutional Neural Networks,ECA-Net),更进一步优化了模型,降低了参数量和计算量。以菜粉蝶、粘虫、黄曲条跳甲、菜蝽、蚜虫、蝼蛄6大常见虫害图像作为识别对象,通过深度学习框架pytorch对害虫图像进行训练。结果表明,添加了ECA-Net和CFP-Net的油菜害虫识别算法YOLOv7-CE准确率达93.6%,且高于YOLOv7、YOLOv5m、YOLOv5x、Coordinate Attention-YOLOv7和Transformer-YOLOv7对照模型;改进的算法YOLOv7-CE参数量Params降低了4.1个指标,计算量FLOPs降低了66个指标,输入图像尺寸为640×640,帧频为238帧/s,模型权重大小缩减为66.2 MB,有效降低了模型对计算机性能的依赖性。改进的YOLOv7-CE模型具有轻量化、泛化能力强、准确率高、识别速度快、鲁棒性好及损失率较小等特点。

作物生长模拟模型研究概述

从基本概念、基础理论、发展阶段、研究内容、应用领域及发展趋势等方面综述了作物生长模拟模型的研究概况。

基于Web的油菜生产专家系统的研究与应用

基于Web的油菜生产专家系统(RPES),在体系结构上,采用了模糊加权产生式规则的知识表示形式和模糊推理机制,以油菜生育时间、浅知识型和深知识型油菜农艺技术措施为尺度建立油菜知识模型,再依此组织知识和知识形式化。PES的主要功能是实现油菜生产产前、产中、产后全程决策服务,模型可视化分析为生产提供辅助决策服务,多媒体知识工具包为用户提供了一个极好的油菜生产知识学习平台。2002年和2003年的实际应用结果表明,由RPES指导的油菜生产地块比对照传统生产地块产量增加10%～19%,净产值增加20%。表4,参12。

农业物联网在油菜生产中的数据采集与分析应用研究

随着农业领域的现代化和数字化发展,农业物联网技术的应用逐渐成为提高农作物产量和质量的有效手段。探讨了农业物联网在油菜生产中的数据采集与分析应用,聚焦于油菜生产,介绍了利用传感器和数据采集设备监测油菜生长环境的关键参数,如土壤湿度、温度、光照等。通过数据采集与分析,农民可以及时获得有关油菜生产的关键信息,以便调整农业实践和决策,最大化提高产量和减少资源浪费;通过两个相关表格,分析了常用的农业物联网传感器应用领域及不同数据采集方法的性能比较以及对油菜产量的影响。