20210101 不同助劑的霧滴在不同環(huán)境下的動(dòng)態(tài)蒸發(fā)研究// DOI：10.25165/j.ijabe.20201302.5353

農(nóng)藥霧滴在下落至靶標(biāo)的過程中持續(xù)蒸發(fā)，此過程稱為動(dòng)態(tài)蒸發(fā)，其受到環(huán)境溫度、濕度、助劑類型及濃度的應(yīng)該向?；谠谡舭l(fā)過程中霧滴在不同高度擁有不同的粒徑，本試驗(yàn)通過硅油法在特定的溫濕度下收集不同高度的霧滴對(duì)動(dòng)態(tài)蒸發(fā)進(jìn)行定量。所有霧滴均通過霧滴發(fā)生器產(chǎn)生。研究結(jié)果表明，助劑種類、空氣溫度、濕度對(duì)霧滴發(fā)生器產(chǎn)生的霧滴無顯著性影響。本測(cè)試中的助劑均未能減少動(dòng)態(tài)蒸發(fā)，不同助劑濃度的動(dòng)態(tài)蒸發(fā)存在差異，這可能取決于助劑屬性。有機(jī)硅助劑的動(dòng)態(tài)蒸發(fā)與水蒸氣壓呈負(fù)相關(guān)，這表明其在高溫高濕條件有較好的抗蒸發(fā)性能。植物油助劑與非離子型助劑與空白水溶液相同，動(dòng)態(tài)蒸發(fā)隨溫度的降低和濕度上升而下降。

[編譯自：Wang Z C，Lan L C，He X K，HerbstA. Dynamic evaporation of droplet with adjuvants under different environmentconditions. Int J Agric & BiolEng，2020，13（2）：1-6.]

20210102 偏振-高光譜信息融合估測(cè)番茄葉片可溶性糖及糖氮比研究// DOI：10.25165/j.ijabe.20201302.4280

該研究利用偏振-高光譜信息融合技術(shù)估測(cè)番茄葉片可溶性糖（SS）、總氮（N）及糖氮比（SS/N）。分別以五個(gè)生長周期（苗期、開花期、初果期、中果期和采摘期）和五個(gè)梯度水平（25%、50%、75%、100%、150%）的氮素營養(yǎng)脅迫樣本為研究對(duì)象，樣本被同時(shí)用于光譜采集和可溶性糖及氮含量測(cè)定。利用課題組自行研制的偏振光譜采集系統(tǒng)采集偏振光譜并提取4個(gè)偏振度特征。利用高光譜采集高光譜數(shù)據(jù)，經(jīng)過主成分分析降維、確定4個(gè)特征波長，再通過相關(guān)分析法提取這4個(gè)特征波長下的各8個(gè)高光譜圖像紋理特征。首先分別建立了基于偏振度特征模型、圖像特征模型和光譜特征三種單一特征的模型。隨后偏振度特征與高光譜紋理特征變量進(jìn)行歸一化后，建立了線性和非線性的定量診斷模型。研究結(jié)果表明采用SS/N預(yù)測(cè)模型的精度高于SS和N的模型，且對(duì)于N和SS/N模型而言，兩者的SVM模型的精度明顯優(yōu)于單一特征來源模型，具有較好的診斷作用。結(jié)果表明，偏振高光譜多維信息檢測(cè)技術(shù)能夠有效地判斷番茄營養(yǎng)脅迫狀況。多特征數(shù)據(jù)融合分析技術(shù)可以提高光譜診斷技術(shù)在精準(zhǔn)農(nóng)業(yè)中的預(yù)測(cè)精度。

[編譯自：Zhu W J，Li J Y，Li L，Wang A C，Wei X H，Mao H P. Nondestructive diagnostics of soluble sugar，total nitrogen and their ratio of tomato leaves in greenhouse by polarizedspectra-hyperspectral data fusion. Int J Agric & Biol Eng，2020，13（2）：189-197.]

20210103 自適應(yīng)神經(jīng)模糊推理系統(tǒng)在圓盤犁的阻力和能耗需求預(yù)測(cè)中的應(yīng)用// DOI：10.25165/j.ijabe.20201302.4077

圓盤犁的阻力和能耗需求被認(rèn)為是與推土機(jī)功率正確匹配的重要因素。該研究通過與多元線性回歸（MLR）模型的對(duì)比，測(cè)試了使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）來確定圓盤犁的阻力和能耗需求的可能性及其性能。通過實(shí)地試驗(yàn)和各種文獻(xiàn)，共獲得了133種數(shù)據(jù)模式。從這133個(gè)數(shù)據(jù)點(diǎn)中，隨機(jī)選取了121個(gè)作為訓(xùn)練集，其余12個(gè)用于模型驗(yàn)證。輸入變量為犁深度、犁速、土壤質(zhì)地指數(shù)、初始土壤含水率、初始土壤體積密度、圓盤直徑、圓盤角度和傾斜角度，輸出變量為圓盤犁的阻力。ANFIS 使用了四個(gè)從屬函數(shù)：三角形從屬函數(shù)、通用鐘形從屬函數(shù)、梯形從屬函數(shù)和高斯曲線從屬函數(shù)。對(duì) ANFIS和 MLR 建模結(jié)果的評(píng)估顯示，三角形成員函數(shù)比其他函數(shù)執(zhí)行效果更好。當(dāng)將 ANFIS 模型預(yù)測(cè)與測(cè)量值進(jìn)行比較時(shí)，阻力平均相對(duì)誤差為-1.97%。ANFIS模型與其他方法進(jìn)行比較的結(jié)果表明，圓盤犁的阻力和能耗需求可以得到令人滿意的預(yù)估。

[編譯自：Al-Dosary N M N，Al-Hamed S A，Aboukarima A M. Application of adaptive neuro-fuzzy inferencesystem to predict draft and energy requirements of a disk plow. Int J Agric & Biol Eng，2020，13（2）：198-207.]