共查询到18条相似文献，搜索用时 218 毫秒
1.
轮式作业机械对农田土壤压实的模拟试验研究 总被引：3，自引：0，他引：3
为了简化农田作业机械对土壤压实的试验过程,对轮式作业机械对土壤参数的压实影响总的变化趋势进行分析。用简单的试验装置对轮式作业机械对土壤的压实进行模拟试验,模拟试验测取了不同接地比压,不同通过次数下土壤含水率、容重和坚实度3项指标的变化。试验表明:接地比压和通过次数对当时土壤的含水率的影响不大;接地比压对土壤坚实度和表层土壤容重的影响较大;土壤被压实1次和2次时土壤的坚实度和容重有较大的影响;接地比压和土壤压实次数对深层土壤的容重影响不大。 相似文献
2.
农业机械作业造成的土壤压实已成为制约农业可持续发展的重要因素,过度机械压实使土壤理化性质恶化,甚至成为降低作物产量的主要原因。已有的土壤机械压实研究多是基于简单的数学统计分析,且研究重点为试验方案的设计,无法挖掘数据内部关系,也无法进行土壤机械压实程度的预测。近几年,随着机器学习的不断发展,越来越多的学者开始将其引入农业领域及土壤机械压实的研究。为此,分析了机械压实对土壤理化性质及作物生长的影响,总结了土壤机械压实的表征属性和常用机器学习算法及评价标准,并归纳了近几年基于机器学习的土壤压实的研究成果,给出了相关应用研究的建议。 相似文献
3.
4.
为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。 相似文献
5.
农业机械土壤压实影响因素分析 总被引：3，自引：0，他引：3
农业机械造成的土壤压实逐渐成为一个世界性问题.为此,着重分析了影响农业机械田间土壤压实程度的因素,包括土壤含水量、机具行走、作业次数和牲畜行走.在影响因素分析的基础上,根据土壤压实的特点,提出了减少田间土壤压实的措施和技术策略. 相似文献
6.
《现代农业装备》2017,(6)
基于随机森林(RF)算法,研究土壤有机质的近红外光谱信息响应,建立RF回归模型。通过调试模型,选择最优模型参数,对应的最优校正均方根偏差(RMSEv)为0.210。针对降维优选的信息波长、全光谱波长,分别建立RF回归模型和PLS模型,经过比较模型预测结果,验证RF用于土壤近红外分析的可行性;进一步针对预测集样品计算,得到预测均方根偏差(RMSEp)为0.240,预测相关系数(Rp)为0.908。结果表明,RF算法可以为土壤近红外光谱分析优选信息波长,能够实现模型降维,且RF降维优化模型可为土壤专用的近红外分光系统的设计提供理论依据,有望应用到现代农业生产当中。 相似文献
7.
为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R2为0.801,RMSE为0.675 m2/m2,MRE为18.684%;地上部生物量估算模型验证集的R2为0.745,RMSE为1 548.140 kg/hm2,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预... 相似文献
8.
9.
为探究不同整地机械作业对土壤结构的影响规律，根据影响规律分析不同整地机械的优缺点。选定深松机、旋耕机和联合作业机进行田间作业对比，分析作业后的土壤物理参数，深松机对土壤的疏松能力较好，旋耕机的碎土能力较好且能保证一定的土壤平整水平，联合作业机综合能力较强，能提高农业生产效率，间接提高作物产量。研究得到不同整地机械对土壤结构的作业特点，为后续相关研究和整地机械的研制提供参考。 相似文献
10.
11.
基于近红外光谱和机器学习的大豆种皮裂纹识别研究 总被引：3，自引：0，他引：3
针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。 相似文献
12.
为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。 相似文献
13.
高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n... 相似文献
14.
为解决在目前蔬菜移栽中鸭嘴栽植器入土时,由于土壤的压实度不够理想,苗穴易垮塌等问题,以土壤压实为研究对象,分析了振动压实机理,建立了土壤压实的动力学模型,通过偏心振动的方式设计了振动压实装置,振动频率通过调节电机转速来调节,振幅通过加减偏心块或者改变偏心块安装相位角来实现。针对试验用土进行了最佳压实含水率测定试验,在此含水率下通过多组试验测定了在不同振动频率、振幅、入土速度3个关键影响因素下的压实度。通过响应面法分析得出:振幅对于压实的影响最大,振动频率次之,入土速度影响最小,确定了在含水率27%、振动频率28Hz、振幅为1.35mm、入土速度为1500 mm/s下进行压实作业,此时在利于蔬菜生长的可压实度范围内取得最大的压实度值为64.73%,为蔬菜移栽机的研发提供了参考。 相似文献
15.
土壤压实对农作物影响概述 总被引：25，自引：2，他引：25
回顾了近几十年来国内外尤其是欧美等机械化发达国家在土壤机械压实危害方面的研究成果。土壤机械压实危害主要表现在土壤容积质量和机械阻力增加,大孔隙减少,土壤物理、化学、生物性状恶化,进而影响作物的生长发育,土壤结构发生退化,已成为当前制约农业可持续发展的障碍因素之一。 相似文献
16.
为了研究粉煤灰对砒砂岩水泥土力学性能、破坏模式、微观结构和细观构造的影响,对不同粉煤灰掺量、不同龄期的砒砂岩复合水泥土进行了无侧限抗压试验,通过扫描电镜(SEM)和超景深三维显微镜对复合粉煤灰砒砂岩水泥土的微观结构和表观形貌进行分析观测.结果表明:适量掺入粉煤灰对砒砂岩复合水泥土的强度形成具有一定的促进作用;复合粉煤灰砒砂岩水泥土的应力-应变曲线可分为压密阶段、弹性阶段、塑性屈服阶段和破坏阶段;粉煤灰的掺入有利于水泥土变形模量的增长,能够促进砒砂岩复合水泥土的变形控制;扫描电镜和超景深三维显微镜分析表明,粉煤灰玻璃体中的活性物质在碱环境下与水泥水化产物Ca(OH)2反应生成致密且稳定的C-S-H凝胶和AFt构成网状结构,促使试件内部胶结更加紧密,并对表观的沟壑孔洞进行填充和密实,从而提升砒砂岩复合水泥土的强度性能以及抑制其裂缝扩展和破坏作用. 相似文献
17.
在大豆-玉米轮作生产过程中,玉米杂苗会与大豆苗竞争水和肥料,而且很容易遮住大豆苗,影响害虫（如玉米根虫）的防控,降低大豆品质。因此,在大豆幼苗期及时检测出玉米杂苗并对其进行处理非常重要。传统的人工检测方法主观性强、效率低,传感器和算法的发展为自动检测玉米杂苗提供了更好的解决方案。本研究在温室环境下模仿田间条件,待玉米和大豆发芽后,连续5天用因特尔RealSense D435相机采集彩色图像,并人工裁剪幼苗图像区域,在此基础上对图像进行分割和去噪。在采集图像形状、色彩和纹理特征值后, 对所采集的特征值进行权重分析, 保留前10种重要的特征值导入基于特征的机器学习算法中进行模型训练和预测。预测结果表明,支持向量机模型（SVM）、神经网络（NN）和随机森林（RF）的预测精度分别为85.3%,81.5%和82.6%。将数据集导入GoogLeNet和VGG-16 两种深度学习模型进行训练, 预测精度分别为96.0%和96.2%。VGG-16 模型在区分大豆幼苗和玉米杂苗中有较好的表现,彩色图像和VGG-16 模型组成的系统可以自动检测大豆生长过程中玉米杂苗的情况,为农民提供准确的信息,帮助其进行生产决策和田间管理。 相似文献
18.
土壤盐渍化是影响农业可持续发展的重要制约因素,为准确及时地获取土壤中盐分含量,实现盐渍化精准监测,以内蒙古自治区巴彦淖尔市五原县境内的覆被农田为研究对象,探讨无人机多光谱遥感平台结合机器学习模型估测不同深度土壤含盐量的可行性。首先,利用无人机搭载五波段多光谱相机获取研究区域高时空分辨率遥感图像数据,并同步采集地面不同深度处土壤盐分数据,使用皮尔逊相关系数法(PCC)、极端梯度提升(XGBoost)和灰色关联分析法(GRA)对构建的光谱指数进行优选;然后,采用决策树(DT)、反向传播神经网络(BPNN)、支持向量机(SVM)和随机森林(RF)4种机器学习方法建立植被覆盖下不同深度的农田土壤含盐量反演模型。结果表明,使用方案3(XGBoost-GRA)变量优选方法可以有效地筛选出敏感光谱指数,且基于此方法优选后的光谱指数建立含盐量估算模型的精度高于仅使用PCC或XGBoost法构建的反演模型。对比不同建模方法在不同土壤深度处的反演精度,可知随机森林RF模型整体表现最优,同时另外3种反演模型也取得了较好的预测效果,0～20 cm土壤深度处的预测效果是3个土壤深度中最优的,其中精度最高模型的决... 相似文献