基于互联网的玉米模拟器应用研究
这是一篇关于玉米,模拟器,Java,网络,管理信息系统的论文, 主要内容为本项研究对国内外关于作物生长发育模型与计算机模拟技术的研究成果、应用现状以及发展趋势等进行了比较系统地分析和总结,在消化和吸收国内外先进研究成果的基础上,结合现有的科研工作,对基于互联网的玉米模拟器系统应用进行了一些研究和探索。 本项研究将玉米模拟器和Internet技术、数据库技术、网络地理信息系统技术以及可视化技术等相结合,经过系统分析、系统设计,构建了网络化、组件化的玉米模拟器应用系统,并进行了实现。 本项研究采用面向对象的技术进行开发,结合JSP、Servelet和JavaBean的技术优势,搭建了基于跨平台的Java语言的玉米模拟器网络运行环境,完成了玉米动态生长模拟器组件的构建。利用网络地理信息系统(WebGIS)强大的空间信息处理能力,分析和展现玉米模拟模拟器运行结果的空间分布情况,利用ChartDirector图表引擎精细美观的表达能力,直观地展现玉米模拟产生的结果数据。 通过调整玉米模拟器的参数,可以模拟玉米在不同影响因素作用下的生长与发育状况,为用户提供管理上的优化决策依据,特别是在高度的现代化农业生产中,可以实现高效的精准生产,达到光、温、水、肥等自然资源的优化利用。
基于知识图谱的玉米种植管理系统研发
这是一篇关于玉米,知识图谱,智能问答,种植管理模型,数字化系统的论文, 主要内容为玉米是我国重要的粮食作物之一,在粮食作物中占据着举足轻重的地位。目前,德州市陵城区仅有核心示范区能实现玉米高产,当地农民的玉米种植产量距离“吨半粮”目标还有不小的差距。德州“吨半粮”的创建具有提高粮食产量、促进农民增收等多重意义,对于德州乃至全国的粮食生产具有重要的推动作用。针对陵城区玉米种植存在多依赖经验判断、信息化普及水平低、缺乏规范性管理等实际问题,如何通过信息化、数字化技术将传统的经验转化为数字标准化的服务决策模式,提高玉米种植管理水平,是当前德州“吨半粮”玉米产业发展中亟待解决的课题。本研究以德州市陵城区“吨半粮”试验田的夏玉米为研究对象,进行玉米种植管理数字化研究,主要内容如下:(1)玉米种植知识图谱构建针对玉米种植知识领域开源知识图谱数据匮乏问题,采取自顶向下的方式构建玉米种植知识图谱。设计BERT-Bi LSTM-CRF模型完成玉米种植知识命名实体识别,通过基于规则的方法进行关系抽取以获取三元组。在知识存储方面,将获取到的数据存储于Neo4j图数据库中。通过实验调节模型参数,BERT-Bi LSTM-CRF模型在命名实体识别任务上相比LSTM、LSTM-CRF、Bi LSTM-CRF三类模型,F1值分别提高了14.31%、7.36%、3.86%。(2)玉米种植智能问答方法研究针对传统模型难以获取足够玉米种植问句特征问题,基于已构建的玉米种植知识图谱,采用基于BERT-Text CNN的问句意图理解模型和基于BERT-Bi LSTM-CRF的问句实体识别模型得到问句三元组,并通过Cypher语句检索问句三元组。实验结果表明,问句意图理解模型F1值达到了89.69%,问句实体识别任务F1值达到了90.48%,答案评估平均精确率为71.41%。(3)基于Drools规则引擎的玉米种植管理模型研究为解决当前德州市陵城区玉米种植规范性管理程度低问题,在分析玉米种植管理过程并查阅相关文献基础上,构建玉米苗期、穗期、花粒期种植管理模型。设计玉米播种期、苗期、穗期及花粒期的玉米种植管理方案,分别建立对应时期的环境管控、农事操作、水肥管理、病虫害防治等种植管理规则库,利用Drools规则引擎建立玉米全周期的种植管理模型,为农户提供玉米种植管理服务,实现玉米种植管理的数字化。(4)玉米种植管理系统设计与实现从用户需求、功能性需求和非功能性需求出发,进行了系统总体架构设计、功能设计和数据库设计。基于Spring Boot+Vue的前后端分离框架,所研发的系统实现了玉米种植知识图谱的可视化、玉米种植智能问答、基于Drools规则引擎的种植管理模型实现和后台种植信息管理等功能,提高了玉米种植的数字化管控水平。
基于知识图谱的玉米种植管理系统研发
这是一篇关于玉米,知识图谱,智能问答,种植管理模型,数字化系统的论文, 主要内容为玉米是我国重要的粮食作物之一,在粮食作物中占据着举足轻重的地位。目前,德州市陵城区仅有核心示范区能实现玉米高产,当地农民的玉米种植产量距离“吨半粮”目标还有不小的差距。德州“吨半粮”的创建具有提高粮食产量、促进农民增收等多重意义,对于德州乃至全国的粮食生产具有重要的推动作用。针对陵城区玉米种植存在多依赖经验判断、信息化普及水平低、缺乏规范性管理等实际问题,如何通过信息化、数字化技术将传统的经验转化为数字标准化的服务决策模式,提高玉米种植管理水平,是当前德州“吨半粮”玉米产业发展中亟待解决的课题。本研究以德州市陵城区“吨半粮”试验田的夏玉米为研究对象,进行玉米种植管理数字化研究,主要内容如下:(1)玉米种植知识图谱构建针对玉米种植知识领域开源知识图谱数据匮乏问题,采取自顶向下的方式构建玉米种植知识图谱。设计BERT-Bi LSTM-CRF模型完成玉米种植知识命名实体识别,通过基于规则的方法进行关系抽取以获取三元组。在知识存储方面,将获取到的数据存储于Neo4j图数据库中。通过实验调节模型参数,BERT-Bi LSTM-CRF模型在命名实体识别任务上相比LSTM、LSTM-CRF、Bi LSTM-CRF三类模型,F1值分别提高了14.31%、7.36%、3.86%。(2)玉米种植智能问答方法研究针对传统模型难以获取足够玉米种植问句特征问题,基于已构建的玉米种植知识图谱,采用基于BERT-Text CNN的问句意图理解模型和基于BERT-Bi LSTM-CRF的问句实体识别模型得到问句三元组,并通过Cypher语句检索问句三元组。实验结果表明,问句意图理解模型F1值达到了89.69%,问句实体识别任务F1值达到了90.48%,答案评估平均精确率为71.41%。(3)基于Drools规则引擎的玉米种植管理模型研究为解决当前德州市陵城区玉米种植规范性管理程度低问题,在分析玉米种植管理过程并查阅相关文献基础上,构建玉米苗期、穗期、花粒期种植管理模型。设计玉米播种期、苗期、穗期及花粒期的玉米种植管理方案,分别建立对应时期的环境管控、农事操作、水肥管理、病虫害防治等种植管理规则库,利用Drools规则引擎建立玉米全周期的种植管理模型,为农户提供玉米种植管理服务,实现玉米种植管理的数字化。(4)玉米种植管理系统设计与实现从用户需求、功能性需求和非功能性需求出发,进行了系统总体架构设计、功能设计和数据库设计。基于Spring Boot+Vue的前后端分离框架,所研发的系统实现了玉米种植知识图谱的可视化、玉米种植智能问答、基于Drools规则引擎的种植管理模型实现和后台种植信息管理等功能,提高了玉米种植的数字化管控水平。
不同密度下不同熟期玉米杂交种灌浆脱水特性研究
这是一篇关于玉米,种植密度,不同熟期杂交种,灌浆,脱水特性,相关性的论文, 主要内容为作物生长发育期间的干物质积累是影响产量的一个重要因素,其中灌浆过程对籽粒干物质的积累至关重要,对产量的影响更为剧烈。种植密度是影响产量的因素之一。为此,在不同种植密度下对玉米籽粒的灌浆过程进行研究,是增加产量的捷径。伴随玉米生产全程机械化,要求收获时玉米籽粒含水量较低,而当前东北地区的种植密度为6万株/hm2,研究在不同种植密度下不同熟期玉米杂交种籽粒灌浆脱水特性对于选育出适宜机械化收获的优良种质具有重要意义。本试验设置3个不同密度,选用不同熟期玉米杂交种德美亚3、吉单27、先玉335和郑单958,研究其灌浆和脱水特性及产量表现。研究结果如下:(1)不同密度不同熟期杂交种灌浆特性结果表明,Logistic模型对玉米的籽粒灌浆过程的拟合程度较好。其灌浆过程呈现出“慢-快-慢”特性。其干物质积累量在灌浆快增期比较集中,在灌浆期快速增长阶段,灌浆时间对百粒重的影响比其他阶段更大。灌浆速率的增长速度表现为:快增期>渐增期>缓增期。种植密度会影响籽粒灌浆速率,增加种植密度会导致籽粒灌浆速率减缓。早熟品种德美亚3在7.5万株/hm2时达到最大灌浆速率,最大灌浆速率时生长量较大;其他时期吉单27、先玉335、郑单958在密度为6万株/hm2时达到最大灌浆速率,最大灌浆速率、最大灌浆速率时生长量较大。种植密度对各品种的灌浆速率影响较大,早熟杂交种德美亚3的最适种植密度7.5万株/hm2,其他熟期杂交种最适种植密度6万株/hm2。(2)不同密度下不同熟期杂交种籽粒含水量和脱水特性,随授粉后时间的增加而逐渐下降,其中,早熟品种德美亚3的籽粒含水量在授粉后20d左右迅速下降,授粉后40d时趋于平稳。早熟玉米品种在7.5万株/hm2时籽粒含水量下降速度最快;其他熟期品种均在6万株/hm2下降较快。不同密度下各时期杂交种籽粒脱水速率在授粉后15-45d呈波动性的下降变化。早熟品种德美亚3,在7.5万株/hm2密度下,授粉后20-25d时速率最大;吉单27在6万株/hm2密度下,授粉后25-30d速率较大,先玉335和郑单958在授粉后15-20d速率较大。籽粒灌浆速率和含水量之间存在极显著的负相关关系,而籽粒脱水速率与含水量之间则呈现出极显著的正相关关系。(3)不同密度下不同时期杂交种产量因素分析表明,德美亚3和郑单958在种植密度为7.5万株/hm2时产量最高,为10319kg/hm2和11230kg/hm2;而吉单27和先玉335均在种植密度为6万株/hm2时产量最高,最高产量为9538kg/hm2和9578kg/hm2。4个品种均在9万株/hm2产量最低。因此,现今主推品种种植密度不宜过高。(4)穗位叶的净光合速率结果表明,随着密度增加,吐丝期、灌浆期和成熟期净光合速率逐渐降低。各品种净光合速率大小郑单958>德美亚3>吉单27>先玉335。各时期净光合速率大小吐丝期>灌浆期>成熟期。
基于知识图谱的玉米种植管理系统研发
这是一篇关于玉米,知识图谱,智能问答,种植管理模型,数字化系统的论文, 主要内容为玉米是我国重要的粮食作物之一,在粮食作物中占据着举足轻重的地位。目前,德州市陵城区仅有核心示范区能实现玉米高产,当地农民的玉米种植产量距离“吨半粮”目标还有不小的差距。德州“吨半粮”的创建具有提高粮食产量、促进农民增收等多重意义,对于德州乃至全国的粮食生产具有重要的推动作用。针对陵城区玉米种植存在多依赖经验判断、信息化普及水平低、缺乏规范性管理等实际问题,如何通过信息化、数字化技术将传统的经验转化为数字标准化的服务决策模式,提高玉米种植管理水平,是当前德州“吨半粮”玉米产业发展中亟待解决的课题。本研究以德州市陵城区“吨半粮”试验田的夏玉米为研究对象,进行玉米种植管理数字化研究,主要内容如下:(1)玉米种植知识图谱构建针对玉米种植知识领域开源知识图谱数据匮乏问题,采取自顶向下的方式构建玉米种植知识图谱。设计BERT-Bi LSTM-CRF模型完成玉米种植知识命名实体识别,通过基于规则的方法进行关系抽取以获取三元组。在知识存储方面,将获取到的数据存储于Neo4j图数据库中。通过实验调节模型参数,BERT-Bi LSTM-CRF模型在命名实体识别任务上相比LSTM、LSTM-CRF、Bi LSTM-CRF三类模型,F1值分别提高了14.31%、7.36%、3.86%。(2)玉米种植智能问答方法研究针对传统模型难以获取足够玉米种植问句特征问题,基于已构建的玉米种植知识图谱,采用基于BERT-Text CNN的问句意图理解模型和基于BERT-Bi LSTM-CRF的问句实体识别模型得到问句三元组,并通过Cypher语句检索问句三元组。实验结果表明,问句意图理解模型F1值达到了89.69%,问句实体识别任务F1值达到了90.48%,答案评估平均精确率为71.41%。(3)基于Drools规则引擎的玉米种植管理模型研究为解决当前德州市陵城区玉米种植规范性管理程度低问题,在分析玉米种植管理过程并查阅相关文献基础上,构建玉米苗期、穗期、花粒期种植管理模型。设计玉米播种期、苗期、穗期及花粒期的玉米种植管理方案,分别建立对应时期的环境管控、农事操作、水肥管理、病虫害防治等种植管理规则库,利用Drools规则引擎建立玉米全周期的种植管理模型,为农户提供玉米种植管理服务,实现玉米种植管理的数字化。(4)玉米种植管理系统设计与实现从用户需求、功能性需求和非功能性需求出发,进行了系统总体架构设计、功能设计和数据库设计。基于Spring Boot+Vue的前后端分离框架,所研发的系统实现了玉米种植知识图谱的可视化、玉米种植智能问答、基于Drools规则引擎的种植管理模型实现和后台种植信息管理等功能,提高了玉米种植的数字化管控水平。
基于三维点云与深度学习的农田场景玉米分割研究
这是一篇关于玉米,农田点云采集,场景语义分割,深度学习,表型提取的论文, 主要内容为粮食安全始终是国民安全的重要基础。玉米作为食品、饲料、医药原料等具有广泛的应用价值和较高的经济价值,玉米是世界上种植面积最大的作物,同时,中国是世界第二大玉米生产国和消费国。三维激光点云技术是农业遥感研究领域的重要研究方法,激光雷达(Light Detection And Ranging,LiDAR)点云采集与处理技术极大地促进了农业信息化与智能化的融合,探索玉米研究中的三维分割技术是智慧玉米产业发展的必然趋势。三维点云数据在玉米研究中的应用越来越广泛,目前已有较多用于玉米表型研究的点云算法模型。然而,从农田场景三维点云中自动分割出玉米实例以及玉米器官仍然具有挑战性,特别是在农田场景中密集分布的群体玉米植株。为了解决这些问题,本文基于LiDAR三维点云扫描技术以田间玉米为研究对象,对点云采集,点云预处理,田间玉米语义分割和群体玉米组件分割等环节开展研究。论文主要工作以及研究成果包括以下内容:1、玉米农田点云数据集创建针对农田作物三维信息遮挡、表型采集完整度不足等问题,使用高精度点云扫描设备地载激光扫描仪(Terrestrial Laser Scanner,TLS)提高作物表面点云密度,并提出一种适合田间玉米点云采集的TLS布站策略;建立一套能高效完成田间玉米点云预处理的算法流程,实现点云注册、配准、滤波、下采样和渲染等预处理;建立玉米农田场景语义数据集(3D Maize Field Segmentation,3DMFS),在点云库(Point Cloud Library,PCL)中实现田间玉米点云可视化并标注8个玉米农田Area＿1—8,其中包含398个玉米单植株点云子集和对应的玉米器官点云子集。2、农田场景玉米语义分割模型本研究分别使用PointNet、PointNet++和RandLA-Net三个神经网络模型,在3DMFS数据集中完成农田场景玉米语义分割任务,模型预测结果将通过八折交叉验证法进行对比分析,其中Area＿1—8分别作为八组深度学习训练任务的测试集。研究结果显示:三个语义分割模型均能提取3DMFS内所有农田场景的玉米语义点云,网络模型训练结束后均能收敛损失输出;模型在Area＿6数据组的语义类预测精度最高,PointNet、PointNet++和RandLA-Net网络在该区域内的语义预测平均交并比(mean Intersection over Union,8))分别为0.994、0.998和0.998;研究结果表明RandLA-Net网络表现最佳,该模型在八个研究区域内玉米语义预测交并比(Intersection over Union,)均大于0.990,预测结果将作为群体玉米组件分割模型的输入。3、群体玉米组件分割模型(Group Maize Component Segmentation,GMCS)本研究解决从农田群体玉米点云中提取单株玉米点云和玉米器官点云的问题。首先以四组田间玉米Area＿1、Area＿2、Area＿3和Area＿8为研究对象,从群体玉米语义类点云中自动提取单株玉米点云子集,最终分割得到四个区域内所有单株玉米的总体精度(Overall Accuracy,)分别为0.977、0.971、0.947和0.944;然后,以Area＿8为研究对象,采用多条件筛选法,将不同的玉米器官点集逐一从单个玉米点云中分离出来。最终得到了玉米的四个器官:雄穗、茎秆、果穗和叶片,识别准确率分别为96.6%、100%、100%和99.1%;最后,从叶片器官点云中聚类得到单个叶片子集,并以叶片长度为指标验证叶片分割方法的准确性。在叶长预测值的线性分析中,R2为0.733,为0.118 m,为0.069 m。本文致力于解决直接从玉米农田点云数据中自动提取群体玉米、单株玉米和玉米器官点云子集的问题,实现作物农田、田间作物以及作物器官的三维信息解译。研究目标着眼于农田尺度作物群体表型信息深度学习和参数提取,建立农田环境作用下的典型作物生长动态模型。研究成果对于玉米农田作物长势分析、精准植保和生产估测具有重要研究意义,并为智慧农业系统中激光点云处理模块提供可靠的参考。对于农学、植物学等传统学科与信息科学交叉融合,以及促进智慧农业的广泛应用具有重要价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://bishedaima.com/lunwen/47455.html
