为了提高人工补光温室的水分的利用效率低下的问题,该文以盆栽辣椒为研究对象,在密闭温室中试验种植,采用半导体制冷热交换和空气露点除湿的方法,对辣椒在发育期、开花期和结果期的蒸散水回收效率进行研究,对比自然对流和强制对流方式...为了提高人工补光温室的水分的利用效率低下的问题,该文以盆栽辣椒为研究对象,在密闭温室中试验种植,采用半导体制冷热交换和空气露点除湿的方法,对辣椒在发育期、开花期和结果期的蒸散水回收效率进行研究,对比自然对流和强制对流方式除湿的效果以及温室内外盆栽辣椒的生长情况。结果表明:冷凝板温度最低达5.5℃,满足露点除湿条件。在盆栽辣椒的不同生长时期,强制对流进风方式下的室内温度变化范围为18.6~28.2℃,室内湿度变化范围为41%~61.7%,除湿效果随温度升高而显著提高;日回收量从35 m L增加到375 m L,日灌溉量从132 m L增加到540 m L,蒸散水回收率最高达69.4%。密闭温室中盆栽辣椒能够正常生长,而室外盆栽辣椒生长受到抑制。人工补光密闭温室系统除湿效果明显,有效的利用回收水进行盆栽辣椒灌溉。结果表明,人工光密闭温室内半导制冷除湿和蒸散水回收的研究对提高温室作物水分利用效率有积极的推动作用。展开更多
利用可见近红外(Vis-NIR)高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域(region of inter...利用可见近红外(Vis-NIR)高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域(region of interest,ROI)并计算样本平均光谱值。利用光谱-理化值共生距离算法(SPXY)将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析(PLS-DA)分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均(MA)、卷积平滑(SG)、多元散射校正(MSC)、正交信号修正(OSC)、基线校准(baseline)和去趋势(de-trending)等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法(SPA)、无信息变量消除(UVE)、竞争性自适应加权抽样(CARS)和区间变量迭代空间收缩法(iVISSA)等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。展开更多
文摘为了提高人工补光温室的水分的利用效率低下的问题,该文以盆栽辣椒为研究对象,在密闭温室中试验种植,采用半导体制冷热交换和空气露点除湿的方法,对辣椒在发育期、开花期和结果期的蒸散水回收效率进行研究,对比自然对流和强制对流方式除湿的效果以及温室内外盆栽辣椒的生长情况。结果表明:冷凝板温度最低达5.5℃,满足露点除湿条件。在盆栽辣椒的不同生长时期,强制对流进风方式下的室内温度变化范围为18.6~28.2℃,室内湿度变化范围为41%~61.7%,除湿效果随温度升高而显著提高;日回收量从35 m L增加到375 m L,日灌溉量从132 m L增加到540 m L,蒸散水回收率最高达69.4%。密闭温室中盆栽辣椒能够正常生长,而室外盆栽辣椒生长受到抑制。人工补光密闭温室系统除湿效果明显,有效的利用回收水进行盆栽辣椒灌溉。结果表明,人工光密闭温室内半导制冷除湿和蒸散水回收的研究对提高温室作物水分利用效率有积极的推动作用。
文摘利用可见近红外(Vis-NIR)高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域(region of interest,ROI)并计算样本平均光谱值。利用光谱-理化值共生距离算法(SPXY)将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析(PLS-DA)分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均(MA)、卷积平滑(SG)、多元散射校正(MSC)、正交信号修正(OSC)、基线校准(baseline)和去趋势(de-trending)等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法(SPA)、无信息变量消除(UVE)、竞争性自适应加权抽样(CARS)和区间变量迭代空间收缩法(iVISSA)等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。