排序方式: 共有10条查询结果,搜索用时 140 毫秒
1
1.
[目的]研究2亿活孢子/g金龟子绿僵菌CQMa421颗粒剂在不同剂量下对花生地老虎的防治效果并明确其最适用量。[方法]分别于2017年5月22日和2018年5月18日上午播种前,耕地后沟施,进行田间药效试验。[结果]2017年和2018年2亿活孢子/g金龟子绿僵菌CQMa421颗粒剂对地老虎的防治效果均达到79%以上,与对照处理的防治效果有显著性差异。[结论]2亿活孢子/g金龟子绿僵菌CQMa421颗粒剂能有效防治花生地老虎,在推广使用时建议使用的制剂用量为30 000~90 000 g/hm~2。 相似文献
2.
3.
以漓江支流某小流域作为非点源污染流域研究对象,应用简化的SWAT模型,模拟示范区流域非点源污染的负荷量。通过对SWAT模型的简化,建立适用于漓江支流小流域的非点源污染模型,并对模型的适用性做出评价,得出月均值相对误差Re均小于25%,月相关系数R~2均大于0.7,月效率系数E_(ns)均大于0.5,拟合效果良好。本文研究结果表明,在漓江支流小流域建立简化的SWAT模型,对该流域进行非点源污染模拟是可行的。 相似文献
4.
5.
研究了在凝胶注模用超细镁铝尖晶石浆料的制备工艺中,粉体粒度、pH值、分散剂等对浆料流变性、Zeta电位、粘度和稳定性的影响及作用机理。实验结果表明:相同剪切速率下,随着粉体粒径的减小,浆料粘度变大,稳定性提高。当浆料中不添加分散剂时,超细镁铝尖晶石浆料在酸性条件中的Zeta电位绝对值比在碱性条件下高。添加分散剂后,等电位点对应pH值向酸性方向移动,且随固相含量的提高,制备低粘度浆料所需分散剂百分含量越低。pH值和分散剂含量均存在最佳范围,过高和过低,浆料的流变性和稳定性均会变差。Zeta电位绝对值的大小仅仅是影响浆料稳定性的一个方面,如果分散剂过量,即使浆料颗粒Zeta电位绝对值很大,浆料也会产生团聚和絮凝。 相似文献
6.
叶面积指数(Leaf Area Index, LAI)是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达(Light Detec-tion and Ranging, LiDAR) 和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归(Partial Least Square Regression,PLSR)和随机森林(Random Forest, RF) 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明:反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2,研究发现最高的点密度(420 points/m2)并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度(PLSR:R2=0.874,RMSE=0.317;RF:R2=0.942,RMSE=0.222)高于基于植被指数获得的LAI反演精度(PLSR: R2=0.741,RMSE=0.454;RF:R2=0.861,RMSE=0.338),而使用组合变量构建预测模型的反演精度(PLSR:R2=0.885, RMSE=0.304;RF:R2=0.950,RMSE=0.203)优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。 相似文献
7.
8.
9.
为了解决富营养化河道中内源磷释放的问题,合成了一种新型磷负荷控制材料,即负载有碳酸钙微粒的高岭石复合材料(CLK),研究了其对底泥磷释放和磷组分的影响。结果发现,CLK能有效抑制底泥释磷,最佳投加量为100 mg/g,2 h内即将水中溶解态磷(SRP)浓度控制在0.021mg/L。CLK的添加促使底泥中的可交换态磷(Ex-P)、铝结合态磷(Al-P)和铁结合态磷(Fe-P)向钙结合态磷(Ca-P)转变,其中Fe-P含量减少了17.31%,Ca-P含量增加了27.91%,有效降低了底泥磷释放的风险。 相似文献
10.
基于生理信号的情感计算研究综述 总被引:1,自引:0,他引:1
情感计算是现代人机交互中的一个重要研究方向, 旨在研究与开发能够识别、解释、处理和模拟人类情感的理论、方法与系统. 脑电、心电、皮肤电等生理信号是情感计算中重要的输入信号. 本文总结了近年来基于脑电等生理信号的情感计算研究所取得的进展. 首先介绍情感计算的相关基础理论, 不同生理信号与情感变化之间的联系, 以及基于生理信号的情感计算工作流程和相关公开数据集. 接下来介绍生理信号的特征工程和情感计算中的机器学习算法, 重点介绍适合处理个体差异的迁移学习、降低数据标注量的主动学习和融合特征工程与学习器的深度学习算法. 最后, 指出基于生理信号的情感计算研究中面临的一些挑战. 相似文献
1