海带病害诊断防治专家系统研究

海带病害诊断和防治是保障海带健康养殖的关键。为了提高海带养殖用户的病害诊断和防治水平,对海带病害诊断专家系统进行了研究。研究了知识获取,以学术期刊发表的文献为主,同时辅以专家调研,收集整理31种海带病害;选择产生式规则描述知识,并构造了规则库;采用正向推理进行病害诊断。该系统采用JSP+Sevlet+JavaBean实现,可以满足海带养殖用户对病害诊断防治的需求,并指出了未来研究方向和内容。

融合VoVNetv2和置换注意力机制的鱼群摄食图像分割方法

[目的/意义]鱼群摄食图像分割是提取鱼群分布特征及量化鱼群摄食行为的前提条件。但在实际的养殖环境中,由于鱼群摄食图像存在鱼群边界模糊、目标相似等问题,使得处于养殖场景下的鱼群摄食图像分割成为难题。[方法]为解决上述问题,提出一种用于养殖场景下鱼群摄食图像分割方法。该方法首先通过数据清洗减少因鱼群边界模糊等问题导致的数据集不良标记问题,并在Mask R-CNN (Mask Region-based Convolutional Neural Network)的基础上使用融合置换注意力机制的轻量级神经网络Vo VNetv2作为骨干网络,建立鱼群摄食图像实例分割网络SA_Vo VNetv2_RCNN,提升模型对鱼群关键特征的提取能力以及对重点信息的关注能力,同时减少网络参数。[结果和讨论]该方法的平均分割精度达71.014%,相比于SOLOv2、Blend Mask和Cond Inst分别提升18.258%、3.982%和12.068%。为进一步验证模型对鱼群摄食行为量化的有效性,对真实环境下的鱼群进行验证实验,结果表明,模型对摄食和非摄食状态的鱼群具有良好的分割效果,在一定程度上解决了因分割精度低导致的鱼群摄食行为量化错误的问题。[结论]本研究提出的SA_Vo VNetv2_RCNN网络能够实现鱼群摄食和非摄食图像的准确分割,为水下鱼群的摄食行为量化提供决策支撑。

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。

基于改进深度信念网络的池塘养殖水体氨氮预测模型研究

水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。

北方农牧交错带沙尘源植被恢复潜力评价模型研究

针对北方农牧交错带沙化土地植被恢复进程缓慢和沙尘源植被恢复潜力评价困难的问题,该文采用模糊综合评判模型对北方农牧交错带沙尘源植被恢复能力进行潜力评价。该评价模型首先采用比例标度法对沙尘源影响因素打分,再用改进的层次分析法确定沙尘源植被恢复影响因素的权重,并通过综合指数反映植被恢复能力,最后利用模糊隶属度对植被恢复能力进行分级。试验结果表明:该模型能够确定北方农牧交错带沙尘源植被恢复潜力,并为确定沙尘源植被恢复的优先顺序提供决策依据。

基于Web的煤矿废弃地土地复垦决策支持系统设计与实现

为了克服现有煤矿废弃地土地复垦与植被恢复试验法费时费力的缺陷,根据土壤基质和气候相似性原理,采用模糊综合评价-灰色关联优势分析、基于距离的相似算法、基于规则的推理等多种数学方法,分别从植被恢复潜力评价、适生植物品种选择、土地复垦方案选择3个方面建立了相关数学模型,解决了煤矿废弃地恢复潜力的分级、先锋植物选种和土地复垦方案的确定等问题,从而为煤矿废弃地的植被恢复提供了一系列的决策支持。并使用ASP.NET等编程语言结合MSAccess数据库设计并开发了基于web的煤矿废弃地植被恢复的决策支持系统,该系统能为煤矿废弃地植被恢复工作提供新的研究模式和手段,并已经在辽宁省阜新矿区得到应用,结果表明系统所采用的方法科学、合理、可行。

基于Web-GIS和RS的煤矿废弃地植被恢复空间决策支持系统

该文采用Web-GIS(网络化地理信息系统)和RS(遥感)技术,集成了煤矿废弃地植被恢复潜力评价模型,植物适生品种的选择模型、土壤成分预测模型、植被恢复成本核算模型和土地整理方案选择模型,开发了煤矿废弃地植被恢复空间决策支持系统。该系统在IIS(Internet信息服务)、ArcIMS、ArcSDE和MS SQL Server平台下构建了B/S(Browse/Server)"瘦客户"模式,采用ASP.NET(C#)核心技术开发而成。该系统为矿业废弃地植被恢复网络化和数字化研究提供了依据,为国家、地方政府和矿山企业开展矿业废弃地动态监测和植被恢复管理工作提供了一种便捷的网络化、智能化、形象直观的决策支持方式。

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧(Dissolved oxygen,DO)含量是影响水产养殖产量的重要因素之一,具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络(Long short-term memory,LSTM)预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换(Wavelet transform,WT)、卷积神经网络(Convolutional neural network,CNN)和LSTM的溶解氧含量预测模型。首先,使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用LSTM的时序性预测2 h后的水产养殖溶解氧含量。结果表明,本文提出的WTCNNLSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。

基于FTVGG16卷积神经网络的鱼类识别方法

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用Image Net大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97. 66%,对部分鱼的平均识别准确率达到了99. 43%。

基于TOPSIS和BP神经网络的高标准农田综合识别

为提高耕地综合生产能力,适应农业现代化发展需求,我国提出了高标准农田建设的重大战略部署。高标准农田的识别是建设前选址和建设后评价的基础。本文以耕地图斑为基本单元,融合遥感影像等多源数据,从本底条件、空间形态、建设水平、生态防护等方面,构建农田综合质量多特性表征体系,采用逼近理想点排序法(TOPSIS)进行初步评价,再以人机交互的方式选取各质量等级农田的真值样本,进一步采用BP神经网络算法修正各特性权值,得到农田综合质量的精确评价结果,实现高标准农田识别。以吉林省大安市为研究区,研究结果表明:基于多特性表征体系的农田综合质量评价方法精度达到96%以上;研究区高标准农田面积广大,主要分布在耕地集中连片、道路通达、生态防护良好、具有农业现代化生产优势的东北部、中北部、西北部边缘和部分南部区域;当地已备案的高标准农田和未备案、有潜力的高质量农田区域均得到有效识别。

土地整治区田块空间形态变化遥感监测与评价

为了客观监测和评价土地整治项目建设成效,基于高空间分辨率遥感影像,以耕地图斑数据为约束,利用面向对象分类方法识别田块,并构建田块级和区域级田块空间形态评价指标体系,选取田块面积、规整度、紧致性和连片性等4个指标为田块层级评价指标,选取田块密度、平均田块面积、最大田块指数、景观形状指数和周长面积分维数等5个指标为区域层级评价指标,并分别对两个层级指标进行去量纲处理,构建综合指标。分别以广西丘陵区和海南平原区的土地整治区作为试验区,试验结果表明:广西研究区整治前田块层级耕地空间形态综合指标分布在50~70,整治后提升到70~90,海南研究区整治前在70~90,整治后提升到90~100;广西研究区整治前区域层级田块空间形态综合指标值为41,整治后提升到83;海南研究区整治前为63,整治后提升到92。表征经过土地整治,两个研究区的田块形态均得到了较大提升。研究提出的土地整治项目建设成效遥感监测和评价方法,可以为我国土地整治和高标准农田建设的监测和评价提供技术支撑。

高分辨率遥感影像农田林网自动识别

以0.5 m的Geo Eye-1卫星遥感影像为数据源,充分利用影像的纹理和光谱信息,研究农田林网高分辨率遥感自动识别方法。首先利用归一化差值植被指数(NDVI)和二维熵值构建分类决策树,并结合辅助数据初步提取出带状的农田林网;其次对该结果进行形态学处理,得到连续、细化的农田林网识别结果。选取甘肃省临泽县河西走廊中部巴丹吉林沙漠南缘绿洲的部分区域为研究区,进行实例验证,结果表明,采用本文构建的方法,农田林网的自动识别精度均在92%以上,平均精度达到92.97%,空间位置吻合度均在86%以上,平均吻合度达到93.13%,满足土地整治等工程监管的实际需求。该方法可为农田林网建设及相关工程监管提供科学支撑。

废弃矿山土地复垦监管现状与对策

矿业废弃地复垦与生态重建已成为世界各国共同关注的课题，正日益受到人们的普遍重视。我国是矿业生产大国，矿业资源的开采在整个国民经济发展中具有举足轻重的地位，而矿业资源在开发和利用过程中，往往会给人类环境带来种种不良影响，引起森林、土地的破坏和大气、水的污染等，甚至破坏环境的生态平衡。由于建设时期和开采期间没有环境规划和对环境污染的整治措施，

基于荧光分析法的水体叶绿素a传感器光通路设计

基于荧光分析法,设计了一种水体叶绿素a传感器,可满足长期海洋、湖泊环境实时检测的要求。阐述了荧光分析法测量水体叶绿素a的基本原理,提出了叶绿素a传感器光通路部分的设计方法：首先设计了光学传感器探头;进而基于叶绿素a在430～470 nm蓝光波段吸收作用最强的特性,选用460 nm波长的超高亮蓝色发光二极管作为荧光激励信号设计传感器的信号源,激励光源选用4组超高亮蓝色发光LED,符合叶绿素a强吸收定光谱特性,具有功耗小、体积小、成本低和电路设计简单等优点。对比分析了几种不同光电转化器件的优缺点,选择光敏二极管作为光接收器件,满足了水体叶绿素a荧光信号微弱的检测特点;最后对传感器进行了标定与校准。结果表明,传感器测量结果决定系数R2为0.998,标准偏差为0.05μg,最低检出限为0.25μg/L。

基于物联网的水产品质量安全过程控制方法与系统研究

针对水产品的质量问题,提出了水产品的生产过程质量安全控制点,即生产环节、加工环节、储藏环节、运输环节及零售环节,同时提出了水产品生产水平划分模式;运用射频识别技术、网络通信技术、传感器技术及无线传感网络等物联网技术,依据划分的水产用户的生产水平,构建相应的水产品质量安全控制方式;探讨了水产品质量安全信息化的过程控制系统构建,为实现可追溯的水产品质量安全的控制体系提供理论基础和技术手段。

水体叶绿素a光学传感器信号调理电路设计与测试

为了将水体叶绿素a光学传感器光通路微弱的荧光信号转换为能够满足模数转换器件输入要求的稳定电信号,在前期光通路部分设计的基础上,设计了水体叶绿素a光学智能传感器的信号调理电路部分。该电路包括激发光源驱动模块、光电I/V转换与放大模块、滤波模块、检波模块4部分:对于激发光源驱动模块,采用偏置匹配度高、偏置偏移极小、压差更低的集成驱动芯片,同时驱动多组LED,比传统的限流电阻方案更加稳定、高效,驱动电流也更加一致;设计的光电I/V转换与放大模块,经过I/V转换电路和同相比例放大电路进行了两级放大,相比传统滤波放大电路具有放大交流、抑制直流的特点;在滤波模块,采用单片集成有源滤波器,无需外接电容,与传统的高阶低通滤波器相比,不仅受杂散电容的影响小,而且可以有效减小电路体积;在检波模块,使用了一款具有增量累计转换方式的集成转换器芯片,较之传统的峰值检波电路具有更宽的输出幅度、轨对轨输出、更快的转换速度和更高的转换精度(高达99.75%),而且具有输出直流稳定、温度漂移更小等特点。

现代农业信息服务模式与工程技术集成理论方法研究

通过区县、乡镇、村等信息服务体系的调研以及对农产品前、中、后信息服务需求的探索,最终结合近几年国内高新信息应用技术特征,将我国农业信息服务工程模式分为生产主导型、市场主导型和政务主导型3大类。并通过对每类服务模式特征的分析,形成农业信息工程模式技术集成方案。该方案阐述了信息服务内容与农业信息集成技术的对应关系,并将在未来辅助解决现代农业信息服务模式与工程技术在集成过程中技术混杂不清的现状。

水产养殖监管物联网应用系统建设与管理研究

本文在分析我国水产养殖现状的基础上,提出了水产养殖全过程物联网监管系统构建方案,包含4个子系统:水产养殖环境监控系统、水产品健康养殖智能化管理系统、水产养殖对象个体行为视频监测系统、"气象预报式"信息服务系统,系统可实现对水产品的养殖全过程监控,使得水产品在标准化的养殖环境下生长,最终达到提高水产品的质量、降低养殖风险的目的。本文还对水产物联网系统的应用前景做了展望。

海参病害防治诊断专家系统的研究

传统的病害诊断专家系统重视病害诊断,忽视病害主动预防,无法解决其病害预防问题,针对这一问题,研究了海参病害防治诊断专家系统,提出了病害信息推荐模型和病害诊断模型。其中,病害信息推荐模型根据病害的特点设计,可以实现病害信息的主动推送,从而有效预防病害。病害诊断模型采用产生式规则描述知识,采用正向推理诊断病害。该系统取得了较好的效果,可以满足养殖用户的需求,并对其他病害诊断专家系统具有一定的借鉴意义。