选育高产氮高效水稻品种是解决资源短缺和环境污染问题的有效策略。在宁夏引黄灌区通过大田试验结合主成分分析法,对39个品种/品系在3个氮水平(0、180和240 kg N/hm^(2))下进行研究筛选,成熟期测定各品种(系)的产量、氮素利用效率等指标...选育高产氮高效水稻品种是解决资源短缺和环境污染问题的有效策略。在宁夏引黄灌区通过大田试验结合主成分分析法,对39个品种/品系在3个氮水平(0、180和240 kg N/hm^(2))下进行研究筛选,成熟期测定各品种(系)的产量、氮素利用效率等指标,通过主成分分析法得到各品种(系)的氮效率综合值,并采用产量-氮效率综合指数对供试品种(系)进行产量及氮效率类型划分。结果表明,根据水稻氮效率综合评分与产量关系,将供试品种(系)划分为4个类型,即双高效型、高氮低效型、双低效型和低氮高效型。筛选出宁粳41号、吉粳105、宁粳45号、宁粳47号、宁粳48号、宁粳52号、宁粳55号、宁粳56号、宁粳57号、中科804和花147共11个品种为氮高效品种(系)。与氮低效类型相比,氮高效品种(系)产量增加主要因为穗长、有效穗数及每穗实粒数增加。展开更多
为有效识别桥梁健康监测数据的异常,减少误预警、漏预警现象,保障桥梁监测数据的质量和有效性,针对大跨度斜拉桥长期监测数据的缺失、离群和漂移3类异常数据,提出基于时间序列压缩分割的监测数据异常识别算法。该算法将原始监测数据时...为有效识别桥梁健康监测数据的异常,减少误预警、漏预警现象,保障桥梁监测数据的质量和有效性,针对大跨度斜拉桥长期监测数据的缺失、离群和漂移3类异常数据,提出基于时间序列压缩分割的监测数据异常识别算法。该算法将原始监测数据时间序列通过基于序列重要点(Series Importance Point, SIP)的时间序列线性分段(Piecewise Linear Represent, PLR)算法(PLR_SIP)得到数条时间子序列;然后采用欧氏距离进行时间子序列的相似性分析,并基于改进的局部离群因子(Local Outlier Factor, LOF)算法计算每条时间子序列的局部离群因子;最后将其与设定的阈值相比较,从而识别出监测数据的异常。为验证该算法的准确性与工程实用性,对某公路大跨度斜拉桥健康监测数据进行异常识别。结果表明:采用PLR_SIP算法对原始时间序列压缩分割得到的时间子序列能够准确地反映原序列的变化趋势和范围;改进的LOF算法突破了传统LOF算法仅能识别离群值这类无持续时间异常的局限性,能够排除噪声的干扰,实现对离群、缺失和漂移3种异常的识别。该算法无需定义训练集,直接以原始监测数据作为算法的输入,同时能够自适应调整阈值参数,具有良好的可扩展性、实时性、准确性和高效性,适用于处理实时、大量的桥梁健康监测数据。展开更多
文摘选育高产氮高效水稻品种是解决资源短缺和环境污染问题的有效策略。在宁夏引黄灌区通过大田试验结合主成分分析法,对39个品种/品系在3个氮水平(0、180和240 kg N/hm^(2))下进行研究筛选,成熟期测定各品种(系)的产量、氮素利用效率等指标,通过主成分分析法得到各品种(系)的氮效率综合值,并采用产量-氮效率综合指数对供试品种(系)进行产量及氮效率类型划分。结果表明,根据水稻氮效率综合评分与产量关系,将供试品种(系)划分为4个类型,即双高效型、高氮低效型、双低效型和低氮高效型。筛选出宁粳41号、吉粳105、宁粳45号、宁粳47号、宁粳48号、宁粳52号、宁粳55号、宁粳56号、宁粳57号、中科804和花147共11个品种为氮高效品种(系)。与氮低效类型相比,氮高效品种(系)产量增加主要因为穗长、有效穗数及每穗实粒数增加。
文摘为有效识别桥梁健康监测数据的异常,减少误预警、漏预警现象,保障桥梁监测数据的质量和有效性,针对大跨度斜拉桥长期监测数据的缺失、离群和漂移3类异常数据,提出基于时间序列压缩分割的监测数据异常识别算法。该算法将原始监测数据时间序列通过基于序列重要点(Series Importance Point, SIP)的时间序列线性分段(Piecewise Linear Represent, PLR)算法(PLR_SIP)得到数条时间子序列;然后采用欧氏距离进行时间子序列的相似性分析,并基于改进的局部离群因子(Local Outlier Factor, LOF)算法计算每条时间子序列的局部离群因子;最后将其与设定的阈值相比较,从而识别出监测数据的异常。为验证该算法的准确性与工程实用性,对某公路大跨度斜拉桥健康监测数据进行异常识别。结果表明:采用PLR_SIP算法对原始时间序列压缩分割得到的时间子序列能够准确地反映原序列的变化趋势和范围;改进的LOF算法突破了传统LOF算法仅能识别离群值这类无持续时间异常的局限性,能够排除噪声的干扰,实现对离群、缺失和漂移3种异常的识别。该算法无需定义训练集,直接以原始监测数据作为算法的输入,同时能够自适应调整阈值参数,具有良好的可扩展性、实时性、准确性和高效性,适用于处理实时、大量的桥梁健康监测数据。