下载文档原格式
上海市林业局关于第二批林草科技创新人才推荐工作的函文章属性•【制定机关】上海市林业局•【公布日期】2020.04.28•【字号】•【施行日期】2020.04.28•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】机关工作正文上海市林业局关于第二批林草科技创新人才推荐工作的函国家林草局科技司：根据贵司《关于开展第二批林草科技创新人才推荐选拔工作的通知》（科创字〔2020〕12号）要求，我局开展了推荐选拔，并对推荐人选进行了纪检廉政审核，经我局党组会审议通过，推荐上海市园林科学规划研究院碳汇中心仲启铖申报“林业和草原青年拔尖人才”；推荐上海市园林科学规划研究院植保研究所高磊和土壤研究所梁晶申报“林业和草原科技创新领军人才”（详见附件）。
此函，请审阅。
附件：1.林业和草原科技创新人才推荐表（仲启铖）2.林业和草原科技创新人才推荐表（高磊）3.林业和草原科技创新人才推荐表（梁晶）2020年4月28日附件1林业和草原科技创新人才推荐表推荐类型：林业和草原青年拔尖人才一、基本信息二、主要科研成果三、推荐意见推荐单位意见/院士签名（公章）年月日备注：1.可增减行数、调整大小，不可改变表格样式；2.请正反面打印；3.超过一页请每页盖章。
附件2林业和草原科技创新人才推荐表推荐类型：林业和草原科技创新领军人才一、基本信息二、主要科研成果三、推荐意见推荐单位意见/院士签名（公章）年月日备注：1.可增减行数、调整大小，不可改变表格样式；2.请正反面打印；3.超过一页请每页盖章。
附件3林业和草原科技创新人才推荐表推荐类型：林业和草原科技创新领军人才二、主要科研成果三、推荐意见推荐单位意见/院士签名（公章）年月日备注：1.可增减行数、调整大小，不可改变表格样式；2.请正反面打印；3.超过一页请每页盖章。
第21期2023年11月无线互联科技Wireless Internet Science and TechnologyNo.21November,2023基金项目:吉林省大学生创新创业训练计划项目;项目编号:S202311439085㊂作者简介:姚忠毅(2003 ),男,吉林通化人,学士;研究方向:数据分析与算法设计㊂∗通信作者:任利峰(1989 ),男,吉林吉林人,副教授,硕士;研究方向:数据分析与算法设计㊂基于KNN -SVM 算法的温室番茄生长预测模型研究姚忠毅,任利峰∗(吉林农业科技学院,吉林吉林132101)摘要:随着我国农业温室大棚技术的发展,番茄成为大棚蔬菜中典型的农作物之一,我国番茄种植生产量以及规模已位于世界第一㊂就目前数据显示,我国番茄大棚种植管理数据可视化程度较低,在番茄生产种植作业中,对其生长所需的参数难以精确调控,严重影响大棚作物产业的进一步发展㊂为确保大棚番茄生产作业的科学化㊁精准化,文章提出了基于KNN -SVM 算法的温室番茄生长预测模型,通过模型,结合信息化设备以及人工方式采集的大棚番茄全周期生长信息,生成大棚番茄各阶段生长预测模型㊂在项目部署过程中,从算法的改进㊁数据采集㊁数据分析㊁数据可视化等方面入手,使得其适应环境的能力更强,数据的准确性更高,为大棚番茄规范化种植提供了参考㊂关键词:KNN -SVM 算法;数据处理;数据采集;温室番茄生长模型中图分类号:TP39㊀㊀文献标志码:A 0㊀引言㊀㊀基于KNN -SVM 算法的温室番茄生长预测模型的设计与运用,能够24h 实现对大棚番茄生长环境数据进行采集,并生成番茄生长预测模型㊂其中,番茄的生长观察对于温室大棚中番茄优化管理和产量的提升有着至关重要的作用㊂其中,果实横向直径与纵向直径是作物生长的关键因素[1-2]㊂生长模型是以系统分析和数学模拟来定量描述生物的生长和发育以及形态建成过程,反映生物内外环境对生长发育的影响,是植物果实发育研究的重要内容和手段[3-6]㊂基于KNN -SNM 模型的大棚番茄生长预测模型的建立,对于我国大棚番茄种植起到了重要的数据及技术支撑㊂SVM 算法模型和KNN 算法模型在机器学习中充当着重要的组成部分㊂其中,SVM 算法支持向量机,其核心算法十分强大;KNN 算法模型则为最简便的机器学习算法㊂通过二者的有机结合,使得在数据分析以及模型建立上,变得更加快捷㊁清晰㊂我国作为世界第一大番茄生产㊁出口国,对于番茄的科学种植迫在眉睫㊂1㊀研究背景㊀㊀基于KNN -SNM 模型的大棚番茄生长预测模型的建立,对于我国大棚番茄种植起到重要的数据及技术支撑㊂主要的实施方案分为:(1)SVM 算法的设计与改进,SVM 的基本原理是在高维空间中构造一个最优超平面,从而实现对数据的分类㊂使得采集的数据能够得到更加灵活快速的分析㊂(2)对番茄生长数据进行采集,通过大棚中的温度㊁湿度㊁空气质量㊁光照强度㊁土壤质量等有关数据传感器来采集大棚中的环境数据与番茄生长数据,利用大棚中有关数据传感器采集的数据为基础,并收集番茄生长的环境数据,来判断温室番茄最适宜的生长环境㊂(3)大棚番茄生长预测模型的建立,对采集到的环境数据与番茄生长数据进行数据模拟,以温度㊁湿度㊁光照强度㊁二氧化碳和生长天数为输入,预测果实增量变化,通过设置多种环境参数梯度试验,分析番茄果实直径数据和茎直径数据[7-8]㊂2㊀基于KNN -SVM 算法的大棚番茄生长预测模型的建立2.1㊀SVM 算法改进㊀㊀(1)实现核函数缓存,皮尔逊相关系数是用来解释2个随机变量之间的线性相关程度,其值介于-1~1㊂设有2个变量X ㊁Y ,则X ㊁Y 之间的皮尔逊相关系数的关系如下:ρxy =cov(x ,y )σX σY =E [(X -μX )(Y -μY )]σX σY(2)进行优化误差值求解,在SVM 模型中,首先实现了核函数缓存,对开销最大的核函数计算进行缓存,提升了20倍效率㊂然后,进行优化误差值求解:g (x )=ðNi =1a i ∗y i ∗K (x ,x i )(3)对算法进行分析改进,给g (x )求一个关于a的偏导,若变化了步长delta,即所有样本对应的g (x )加上一个delta 乘以针对的偏导数即可㊂每次成功更新一对以后,更新所有样本对应的g (x )缓存,通过每次迭代更新g (x ),避免了大量的重复计算㊂隐藏层即一个或多个包含若干神经元的隐藏层,可以根据问题的复杂性选择隐藏层的数量和大小㊂2.2㊀实施方案㊀㊀综合番茄温室环境㊁精准性㊁测量范围以及可靠性等因素选取以下几种传感器:土壤湿度传感器㊁二氧化碳浓度传感器㊁空气温度传感器㊂并进行如下分析,分为4个步骤:(1)对大棚番茄与大棚内温度㊁湿度㊁二氧化碳浓度的数据进行传感器采集㊂(2)将各传感器采集到的数据上传到终端,分别进行识别与处理,保留有效数据并使用最小二乘法对异常数据进行处理及特征提取㊂(3)采用主成分分析㊁多重共线性分析㊁回归分析等统计分析结合的算法进行挖掘分析㊂(4)利用SVM 算法多传感器数据与生长参数的关系进行数据融合,构建生长模型㊂2.3㊀数据分析㊀㊀针对当前大棚番茄数据收集过程中,可能会造成数据丢失或数据异常,需要对异常数据进行处理㊂同种传感器的多点测量,对采集到的数据特征进行处理,增强其相关性㊂在综合分析当前作物生长数据研究现状,使用KNN 算法进行长势特征数据进行分析,并建立基于主要环境因子的大棚番茄不同时期生长模型㊂例如生成每日空气相对湿度检测模型,如图1所示㊂图1㊀每日病虫害检测3㊀大棚番茄生长预测模型的实现㊀㊀经上述方案的实施及优化,通过数据可视化技术,将大棚番茄生长预测模型以图像形式展现出来,并结合KNN -SVM 算法,实现随时监测㊁随时生成的功能,并通过相关科学数据制定大棚番茄生长环境临界点㊂超出或低于科学范围值则立即生成模型图,并进行报警,方便工作人员及时调控相关参数,以使大棚番茄达到更高产和最佳质量的理想状态㊂4㊀结语㊀㊀本文首先收集了丰富的番茄生长数据,并对其进行了预处理和特征提取㊂然后,使用KNN 算法对数据进行了分类,为番茄生长情况建立了相似性模型㊂接着通过SVM算法,构建了一个高维的边界,使得不同生长情况能够被更准确地分类㊂研究结果表明,基于KNN-SVM算法的大棚番茄生长预测模型在准确性和稳定性方面都取得了显著的进展㊂在实际应用中,希望该模型能够为农业生产提供更多的支持和指导,促进作物的高效种植和生长㊂参考文献[1]张港生,孙鑫,朱大玲.基于光照和温度环境条件下杜氏盐藻的生长数学模型构建[J].盐科学与化工, 2023(8):22-29.[2]郭申伯,刘福昊,王笛,等.基于微气候适宜度指数构建番茄生长速率模拟模型[J].中国农业气象, 2023(7):611-623.[3]雷媛媛,王新杰.应用机器学习模型与线性模型预测森林蓄积生长量的精度[J].东北林业大学学报,2023(9):72-75,82.[4]马欣甜,何英彬,林泽儒,等.作物生长模型物候建模的函数解析及应用研究[J].天津农业科学,2023 (7):6-14,21.[5]唐伟萍,黄欣,陈泳锨.基于深度学习的甘蔗生长监测模型设计[J].广西糖业,2023(3):14-19. [6]魏瑞江,郑昌玲,王鑫,等.WOFOST作物生长模型在国内应用研究进展[J].气象科学,2023(3): 402-411.[7]马战林,文枫,周颖杰,等.基于作物生长模型与机器学习算法的区域冬小麦估产[J].农业机械学报, 2023(6):136-147.[8]姜德阳.基于作物生长模型和光能利用率模型耦合的玉米估产方法研究[D].长春:吉林大学,2023.(编辑㊀沈㊀强)Research on greenhouse tomato growth prediction model based on KNN-SVM algorithmYao Zhongyi Ren Lifeng∗JiLin Agricultural Science and Technology University Jilin132101 ChinaAbstract With the development of greenhouse technology in agriculture in China tomatoes have become one of the typical crops in greenhouse vegetables.The production and scale of tomato cultivation in China have ranked first in the world.According to current data the visualization level of tomato greenhouse planting management data in China is relatively low.In tomato production and planting operations it is difficult to precisely control the parameters required for its growth which seriously affects the further development of the greenhouse crop industry.To ensure the scientific and accurate production of greenhouse tomatoes the article proposes a greenhouse tomato growth prediction model based on KNN-SVM algorithm.Through the model combined with information equipment and manual collection of greenhouse tomato full cycle growth information a growth prediction model for each stage of greenhouse tomatoes is generated.In the project deployment process starting from algorithm improvement data collection data analysis data visualization and other aspects the ability to adapt to the environment is stronger and the accuracy of data is higher providing a reference for standardized cultivation of greenhouse tomatoes.Key words KNN-SVM algorithm data visualization data collection greenhouse tomato growth model。
生物与环境的耦合系统模型研究随着人类的不断发展和城市化进程的推进，环境破坏与污染已经成为不可避免的问题。
其中，环境污染造成的影响最为显著，它不仅损害了人类的身体健康，还直接影响到生态系统的平衡。
因此，生态系统的研究已经成为当前环保工作的重要方向。
其中，生物与环境的耦合系统模型研究是当前研究的热点和难点。
生态系统中，生物和环境是密切关联的。
生物对环境的反应是双向的，环境对生物的影响也是相对应的。
因此，要想全面了解生态系统的运行规律，必须将生物和环境纳入到统一的研究框架中，建立生物与环境的耦合系统模型。
这一模型可以准确地描述生物与环境之间的相互作用，为对植物和动物群落的研究提供有力的数据支持。
生物与环境的耦合系统模型是一个复杂的系统，它包含生物、环境和其它的外部影响变量三个部分。
在建立模型时需要同时考虑生物和环境因素之间的相互作用，以及其它外部因素的影响。
在生物因素中，包括物种适应性、物种互动和物种生长等因素。
在环境方面，则包括水、土壤、气候等影响因素。
将这两个因素综合起来，还需要考虑其它一些影响因素，如资源利用率、气候变化、大气污染等。
建立生物与环境的耦合系统模型需要对所有这些变量的相互关系进行分析，并找出它们之间的主要影响因素，从而得出模型的关键参数。
在建立耦合系统模型时，需要先收集与汇总大量的生态数据来确定各个变量之间的相互关系。
这些数据包括了物种的数量、种群分布、生长周期、繁殖能力等，与环境因素有关的数据还包括土壤类型、地形、气候等。
在收集和计算这些数据时还需要采用现代化的技术手段和模型分析方法，对数据进行处理和验证，保证数据的准确性和可靠性。
在数据分析完成后，需要将其转化为一个真实可靠的耦合系统模型。
这个模型可以用于了解和掌握重要生态过程的规律和动态原因，以及预测生态系统变化的趋势和方向。
生物与环境的耦合系统模型研究的重要性不仅在于为生态环境保护提供数据支持，而且可以为农业、林业、渔业等灾害防控和预测等领域提供科学依据。
植物参数模型植物参数模型是指用数学、物理或化学手段对植物生长、发育、生理特性等进行定量分析和预测的模型。
这种模型可以基于植物的生物学特性和环境因素，通过建立数学关系来描述植物的生长过程以及对环境的响应。
植物参数模型对于农业生产、生态环境保护和植物生理学等领域具有重要意义。
本文将探讨植物参数模型的基本概念、应用领域及未来发展趋势，并结合实例分析其在农业生产中的应用。
一、植物参数模型的基本概念1.1 植物参数植物参数是指用于描述植物生长、发育和生理活动的各种定量性指标，如叶面积、根系长度、光合作用速率等。
这些参数是植物生长模型的基础，可以通过实测或间接推算获得。
1.2 植物生长模型植物生长模型是描述植物生长过程的数学模型，通常包括生物学参数、环境因素和生长动力学方程。
植物参数模型即以植物参数为基础，通过建立数学模型来描述植物的生长和环境响应。
1.3 植物生长过程的数学描述植物的生长过程受到光照、温度、水分、营养物质等环境因素的影响，同时受到其生物学特性的制约。
植物生长过程的数学描述主要包括生长速率、光合作用速率、呼吸速率等参数的计算。
二、植物参数模型的应用领域2.1 农业生产在农业生产中，植物参数模型可以用于预测作物的生长发育情况、病虫害发生规律以及对环境因子的敏感性，从而指导农民的种植管理决策。
利用植物参数模型可以对作物的需水需肥量进行合理评估，帮助农民科学施肥浇水，提高作物产量和质量。
2.2 生态环境保护植物参数模型可以用于分析植物对环境变化的响应规律，评估植被对大气、水、土壤等环境要素的调节作用，为生态环境保护和恢复提供科学依据。
通过建立植物参数模型，可以预测植物对气候变化的响应情况，评估植被对城市热岛效应的调节作用等。
2.3 植物生理学研究在植物生理学研究领域，植物参数模型可用于解释复杂的生理生化过程，揭示植物生长发育的内在机理。
通过建立植物参数模型，研究者可以对植物的光合作用、呼吸、营养素吸收等生理过程进行定量分析，深入理解植物的生物学特性。
土壤-植被-大气传输模型的组成及其耦合方法研究杜妮妮;韩磊【摘要】Based on the physical and bio-physical processes of water and energy exchange for soil-vegetation-atmosphere system,the canopy radiative transfer,runoff exchange and water and energy migration process in soil vertical direction were descripted by the soil-vegetation-atmosphere transfer model（SVAT）,and land surface and atmosphere exchange of matter and energy,as well as the mechanisms of the system interaction between elements were revealed.The composition,parameterization schemes for main water and heat process,those coupledmodel,improvement and application of SVAT models were summarized,some problems to improve and perfect existing SVAT models were put forward.%基于土壤-植被-大气系统水分和能量交换物理过程和生物物理过程的土壤-植被-大气传输模型（SVAT）,描述了冠层辐射传输、径流交换和土壤垂直方向的水分和能量迁移过程,揭示陆面/大气物质和能量交换、土壤水热迁移的动态特征,以及该系统各组成要素间的相互作用机制。
作物生长模型的研究进展徐苏（塔里木大学信息工程学院，新疆阿拉尔843300）摘要作物模型是指通过数学方程把植物生长过程在计算机上表达出来，其可以帮助科学家概化和联系复杂的作物生长现象、理解耕作系统的过程、预测产量、预报气候变化对作物的影响，以及优化、利用、管理土地和水资源，是农业研究的强有力工具。
但在实际模拟应用中作物模型仍存在一些不足，如作物模型参数获取与校准难、受气候变化影响严重、模型结构和模型输入存在较大的不确定性等。
该文简要地对作物模型的发展历程进行了综述，总结了作物模型研究方面的不足，并对作物模型未来的发展方向进行了展望，为今后的模型研究和应用提供参考。
关键词作物模型；模型分类；单一模型；综合模型中图分类号S126文献标识码A文章编号1007-7731（2023）04-0026-07作物生长模拟模型（Crop Growth Simulation Model）简称作物模型。
最早定义作物模型的是Edwards D，其在Guide to Mathematical Modeling中提到，作物模型是用数学公式表达作物的生长过程[1]；Sinclair TR 认为作物模型是利用计算机对作物动态模拟的一种技术，使其成为教学、研究、管理和政府决策应用中的重要工具[2]；国内学者也从不同的角度对其下了定义，戚昌瀚认为作物模型是建立植物生长发育与环境间的动态关系，并通过计算机模拟对产量差异进行解释[3]。
不同学者对作物模型的定义尽管不尽相同，但其实质是一样的，即如何通过数学方程把植物生长的过程表达出来。
作物模型能很好地解释作物生长发育的动态过程，强调作物生理生态等功能的表达，为复杂的现象建立联系。
作物模型与环境科学、生态学、水利学、科学、植物科学等紧密联系，并对气候变化进行预测，根据气候变化的影响对作物产量进行预测，为农户生产决策提供依据，为作物生产提供有力保障，促进农业高产、优质、平稳的可持续发展。
作物模型的产生，使科研工作者对作物的研究不再受时间、地点的限制。
0引言作物生长模拟模型简称作物模型，用以定量和动态地描述作物生长、发育和产量形成过程及其对环境的反应。
该模型综合了作物牛理、生态、气象、土壤、水肥、农学等学科的研究成果，采用系统分析方法和计算机模拟技术，对作物生长发育过程及其与环境和技术的动态关系进行定量描述和预测。
核心是对整个作物生产系统知识的综合和对生理生态过程及其相互关系的量化。
它的建立有利于已有科学研究成果的综合集成，同时也是作物种植管理决策现代化的基础。
作物生长模型的应用使得科学研究避免在不同的地方重复相同的试验。
目前的作物模拟模型虽然借助3S技术得到长足发展，但依然存在着一些问题。
1国内外作物模拟模型研究进展1．1 国外作物模拟模型研究进展20世纪60年代，随着农业科学以及计算机技术的发展以及对作物生理动态机理认识的不断加深，作物生长模型的研究得到了初步发展。
经过几十年的发展，已经取得了较大的成就，主要以荷兰、美国、澳人利亚这3个国家所发展的模型影响为主。
1．1．1荷兰作物模拟模型1965年，de wit对叶冠层的光合作用进行了研究，奠定了作物生长动态模拟模型基础。
de Wit学派的第一个模型ELCROS(初级作物模拟器)是用于探讨不同条件下的作物潜在生产水平，模型包含了详细的、具有机理性的冠层光合作用部分、描述器官生长速率的部分及有关呼吸作用的最初设想。
在其基础上又发展了BACROS(基本作物模拟器)模型和ARID CROP。
de Wit学派的第一个概要模型SUCROS所描述的物理过程和生理过程适用于不同的环境条件，具有通用性。
世界粮食研究中心在SUCROS的基础上开发了WO—FOST作物模型，着重强调在定量土地评价、区域产量预报、风险分析和年际间产量变化以及气候变化影响等方面量化中的应用。
MACROS 模型作为SARP计划的一部分是比较完善和成熟的机理性作物生长模拟模型，该模型可以模拟作物潜在生产力、水分限制和养分限制条件下的作物生长。
