20190101

基于來(lái)水不確定性及農(nóng)業(yè)節(jié)水潛力的種植結(jié)構(gòu)優(yōu)化模型

DOI：10.25165/j.ijabe.20181101.3658

在干旱半干旱地區(qū)，灌溉農(nóng)業(yè)的發(fā)展主要依賴于農(nóng)業(yè)可利用水量和區(qū)域種植結(jié)構(gòu)優(yōu)化。以較少的水量得到更大的產(chǎn)出，發(fā)展高效節(jié)水農(nóng)業(yè)。本文基于灌區(qū)尺度的農(nóng)業(yè)節(jié)水潛力估算方法，在黑河干流中游甘州區(qū)、臨澤縣和高臺(tái)縣三地，建立基于來(lái)水不確定性以及未來(lái)農(nóng)業(yè)節(jié)水潛力，以灌區(qū)灌溉單方水凈效益最大為目標(biāo)的種植結(jié)構(gòu)優(yōu)化模型，采用混沌粒子群優(yōu)化算法求解該模型，得到考慮不同節(jié)水情景、不同來(lái)水情景的種植結(jié)構(gòu)優(yōu)化方案。研究結(jié)果表明，節(jié)灌率增加10%時(shí)，農(nóng)業(yè)凈節(jié)水量和農(nóng)業(yè)毛節(jié)水量分別增加0.215～0.225、2.76～3.03億m3，節(jié)灌率增加20%時(shí)，農(nóng)業(yè)凈節(jié)水量和農(nóng)業(yè)毛節(jié)水量分別增加0.430～0.451、3.32～3.83億m3。種植結(jié)構(gòu)優(yōu)化后灌區(qū)單方水產(chǎn)值和農(nóng)業(yè)總產(chǎn)值可分別達(dá)到2.678～2.742元/m3，25.4～28.1億元，且不同節(jié)水情景不同來(lái)水水平，優(yōu)化后灌區(qū)單方水產(chǎn)值和農(nóng)業(yè)總產(chǎn)值各不相同，基本隨著農(nóng)業(yè)利用水量的增加而增加。研究結(jié)果可為區(qū)域農(nóng)業(yè)種植結(jié)構(gòu)的調(diào)整與發(fā)展提供科學(xué)依據(jù)。

[編譯自：Hao L N，Su X L，Singh V P. Cropping pattern optimization considering uncertainty of water availability and water saving potential. Int J Agric & Biol Eng，2018; 11 （1）：178-186]

20190102

利用可見-近紅外高光譜成像區(qū)分不同品種綠豆

DOI：10.25165/j.ijabe.20181101.2655

本研究利用可見-近紅外高光譜成像對(duì)不同品種的綠豆進(jìn)行分類。采集了380～1023nm波段范圍內(nèi)的高光譜圖像，并利用黑白板圖像進(jìn)行校正。提取每一個(gè)校正后的高光譜圖像感興趣區(qū)域的平均光譜反射率值，作為自變量，同時(shí)4個(gè)不同品種樣本的因變量分別設(shè)為1，2，3和4。首先基于全波段建立極限學(xué)習(xí)機(jī)模型，然后利用格拉姆-斯密特算法提取特征波長(zhǎng)并建立基于特征波長(zhǎng)的極限學(xué)習(xí)機(jī)和線性判別分析模型。通過(guò)結(jié)果可以看出，所有模型都得到了很好的分類結(jié)果：訓(xùn)練集的識(shí)別率是99.17%～99.58%，驗(yàn)證集的識(shí)別率是99.17%～100%。格拉姆-斯密特算法共推薦了15個(gè)特征波長(zhǎng)，分別是432nm、455nm、468nm、560nm、705nm、736nm、760nm、841nm、861nm、921nm、930nm、937nm、938nm、959nm和965nm。結(jié)果表明，高光譜成像技術(shù)可以無(wú)損區(qū)分不同品種的綠豆，格拉姆-斯密特算法是一種有效的特征波長(zhǎng)提取方法。

[編譯自：Xie C Q，He Y. Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging. Int J Agric & Biol Eng，2018; 11（1）：187-191]

20190103

融合顯著性理論及高斯曲線擬合的自然場(chǎng)景下綠色蘋果目標(biāo)檢測(cè)方法

DOI：10.25165/j.ijabe.20181101.2899

綠色果實(shí)目標(biāo)因具有與背景相似的顏色而難以識(shí)別。為了實(shí)現(xiàn)自然場(chǎng)景下綠色果實(shí)目標(biāo)的準(zhǔn)確檢測(cè)，本研究提出了一種融合顯著性理論與高斯曲線擬合算法的綠色果實(shí)目標(biāo)檢測(cè)方法。首先，使用顯著性檢測(cè)算法生成試驗(yàn)圖像的顯著性圖，以圖像超像素為節(jié)點(diǎn)生成其閉環(huán)圖，再根據(jù)與背景及前景的相似性對(duì)閉環(huán)圖中的節(jié)點(diǎn)進(jìn)行排序，最終建立顯著性圖。然后，使用高斯曲線擬合圖像在YUV顏色空間顯著區(qū)域的V分量，并基于3?法則自適應(yīng)選擇分割閾值對(duì)圖像進(jìn)行分割，從而得到綠色蘋果目標(biāo)區(qū)域。為了驗(yàn)證算法的有效性，利用55幅在自然場(chǎng)景下采集到的蘋果圖像進(jìn)行了試驗(yàn)，并與常見的圖像分割方法如k-means算法與模糊C均值算法（Fuzzy C-means clustering algorithm，F(xiàn)CM）進(jìn)行了對(duì)比，同時(shí)采用正確率、假陽(yáng)率（false positive rate，F(xiàn)PR）、假陰率（false negative rate，F(xiàn)NR）和誤檢率（false detection rate，F(xiàn)DR）四項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行了評(píng)價(jià)。結(jié)果表明，本研究所使用方法的四項(xiàng)驗(yàn)證指標(biāo)的結(jié)果分別為91.84%，1.36%，8.16%及4.22%，表明該方法對(duì)自然場(chǎng)景中的綠色蘋果目標(biāo)識(shí)別是有效的、可行的。

[編譯自：Li B R，Long Y，Song H B. Detection of green apples in natural scenes based on saliency theory and Gaussian curve fitting. Int J Agric & Biol Eng，2018; 11（1）：192-198]